两个"世界"，两个方向
2026年，如果你问AI研究者"世界模型"是什么，他们会给你看两个东西：OpenAI的Sora和DeepMind的Genie 2。
Sora从文本生成视频——输入"一个篮球在木地板上弹跳"，输出一个60秒的逼真视频。Genie 2从单张图片生成可交互的3D世界——你可以在这个世界中移动、跳跃、与环境互动。
两者都被称为"世界模型"，但它们的"世界"完全不同。
金句：Sora生成的是"世界的影像"，Genie 2生成的是"世界的模拟"。 前者是导演，后者是物理引擎。
实测对比：三个维度
维度一：物理一致性。 Sora生成的视频在视觉上极其逼真，但它会产生"物理幻觉"——篮球可能弹跳高度不对，物体可能突然消失。Genie 2的物理一致性更好——因为在交互环境中，物理错误会立即被用户发现。但Genie 2的视觉质量远不如Sora。
维度二：交互性。 Sora是"被动观看"——你只能看，不能互动。Genie 2是"主动参与"——你可以控制角色移动、跳跃、互动。对于AGI而言，交互性至关重要——因为AGI需要"在世界上行动"。
维度三：泛化能力。 Sora可以生成"任何"文本描述的场景（从"火星上的暴风雪"到"猫在弹钢琴"）。Genie 2的泛化能力受限于训练数据——它主要从游戏视频中训练，所以生成的场景偏向"游戏风格"。
两条技术路线
路径一：视频生成即世界模型（Sora路线）。 核心假设：如果你能生成物理上一致的视频，你就"理解"了物理。这条路径的优势是数据丰富——互联网上有海量视频。劣势是"理解"不等于"能交互"。
路径二：交互模拟即世界模型（Genie路线）。 核心假设：真正的世界模型必须支持"交互"——你不仅要能"看到"世界，还要能"在世界上行动"。这条路径的优势是更接近AGI的需求。劣势是数据稀缺——交互视频（游戏视频）远少于被动视频。
2026年的突破
2026年，两条路径正在融合。OpenAI开始探索"可交互的视频生成"，DeepMind开始提升Genie的视觉质量。最终，世界模型可能不是"视频生成"或"交互模拟"，而是两者的结合——一个你可以"进入"并"互动"的逼真虚拟世界。
结论：Sora和Genie 2都不是世界模型的"最终答案"，但它们是通往最终答案的两个必经阶段。 世界模型可能是AGI的"最后一块拼图"——它让AI从"理解语言"升级到"理解物理"。