我入行AI训练师，说实话，刚开始的时候我对这个职位的理解非常模糊。

标注数据、写prompt、做RLHF反馈、评估模型输出质量……每天的工作看起来像是在做一些零散的事情，很难说清楚自己到底在训练一个什么样的东西，又在朝哪个方向走。

直到世界模型这个概念开始密集出现在我的视野里。那是我**次真切感受到，AI正在发生一些本质性的变化。不是更聪明了，不是更快了，而是开始理解世界了。

这篇文章，我想从一个AI训练师的视角，聊聊世界模型到底是什么，它和我们已经熟悉的大语言模型、多模态模型之间是什么关系，以及这场范式转移对于我们这些在AI训练一线工作的人意味着什么。

LLM让我们误解了“智能”

在聊世界模型之前，我想先说说大语言模型给我们带来的一个重要误解。

ChatGPT出现之后，很多人——包括我自己——有一段时间真的以为AGI快来了。GPT-4能通过律师资格考试，能写出媲美人类的文章，能解释量子力学，能帮你调试代码……这一系列能力叠加在一起，很难不让人产生一种错觉：这个东西已经很”懂”了。

但在实际工作中，你会慢慢发现一些奇怪的缝隙。

我做RLHF标注的时候，有一次给模型出了一道很简单的空间推理题：桌子上有一个苹果，苹果旁边有一本书，书的左边是一杯水。问：苹果和水的相对位置是什么？

模型给出的答案不稳定，有时候对，有时候错，而且你追问它为什么这么判断，它能给出一套听起来完全合理的解释——无论答案是对是错。

这让我意识到一件事：LLM掌握的是”关于世界的语言描述”，而不是”世界本身的运作规律”。

这个区别听起来很微妙，但其实非常根本。

打一个比方：想象一个人从来没有离开过图书馆，他读遍了所有关于游泳的书籍，能背诵蝶泳的技术要领，能分析菲尔普斯的动作细节，能写出一篇专业的游泳教学文章。但是，把他扔进游泳池，他大概率会沉下去。

LLM就是这个图书馆里的人。

它的训练目标是：给定前面所有的词，预测下一个词的概率分布。用数学语言说就是**化P(token_t|所有之前的token)。这个目标让它学会了人类语言的统计模式，但语言的统计模式不等于世界的因果规律。

火焰是热的，这句话在训练数据里出现了无数次，所以LLM”知道”火焰是热的。但它不知道的是：如果你把手伸向火焰，温度会按照什么样的物理规律传导到你的皮肤，皮肤的蛋白质会在多少摄氏度开始变性，这个过程是可逆还是不可逆的。

这些”知道”背后的知道为什么，LLM一直缺席。

多模态让AI“看见了”，但还没有“经历”

多模态模型的出现是一个重要的进步。

当GPT-4V、Gemini这类模型能够理解图片的时候，我们获得了一个新的能力维度：AI开始能够感知视觉世界了。OCR、图像描述、视觉问答……这些能力在很多实际应用场景里有巨大的价值。

但多模态模型的本质，是在视觉特征和语言描述之间建立映射关系。

它学习的是：这种视觉模式，对应这种语言描述。一张猫的图片，对应”猫”这个词以及关于猫的所有语言知识。这种对应关系学习得越精准，模型的多模态能力就越强。

问题在于，这依然是一种静态的、表面的理解。

举个例子：给多模态模型看一张台球桌的照片，再给它看一张球杆击球瞬间的照片，它能告诉你这是在打台球，能描述球的颜色和位置。但如果你问它：球被击中之后会往哪里运动，会不会碰到边框反弹，最终停在哪里——这些问题涉及到物理轨迹的预测，多模态模型的表现就会变得非常不稳定。

原因很简单：多模态模型看过无数张台球的图片，但它从来没有在台球的世界里”行动”过。

看过和经历过，是两种本质上不同的智能来源。

人类之所以有直觉，有物理常识，是因为我们从婴儿时期就在真实世界里摸爬滚打，通过无数次的行动和反馈，在大脑里建立起了一套世界的运作模型。当你看到一个杯子放在桌子边缘，你本能地会感到担忧——这种直觉不是从书上学来的，而是从你某次不小心打碎杯子的经历里涌现的。

LLM没有经历过，多模态模型依然没有经历过。

而世界模型，正是要解决这个”经历”的缺失。

世界模型：AI**次开始“预测世界”

世界模型这个概念并不新。

2018年，AI研究者David Ha和深度学习先驱Jürgen Schmidhuber发表了一篇名为《World Models》的论文，系统提出了这个框架……

其核心是：让AI在内部建立一个可交互的世界表征，能够根据当前状态和采取的行动，预测未来的感官结果。换句话说，世界模型不仅要学会“世界是什么样的”，还要学会“如果我做某件事，世界将会变成什么样”。

这正是人类婴儿学习的方式：通过主动探索、试错，逐步构建关于物理法则、物体恒存性、因果关系的心理模型。世界模型把这一过程引入深度学习，使得AI**次拥有了“想象力”——在内心模拟尚未发生的事件。

对于AI训练师而言，这意味着标注工作的重心将从“判断答案对错”转向“评估模拟的连贯性与因果一致性”。我们需要设计能检验模型物理直觉的任务，判断它是否真正掌握了物体碰撞、重力、遮挡等规律。

范式转移正在发生：从教AI背诵世界的语言描述，到教AI经历世界的动态因果。