一个"崩溃"的演示
2026年5月，一次闭门演示中，Sora被要求生成一个"100秒"的连续视频。前30秒，一切正常——一个篮球在木地板上弹跳，画面极其逼真。第40秒，篮球开始变形——从圆形变成椭圆形。第60秒，篮球消失了——它"融入"了地板。第80秒，整个场景开始"崩溃"——颜色混乱、物体漂浮、重力失效。
这不是Sora的Bug。这是世界模型的"本质局限"——累积误差导致的"物理崩溃"。
金句：2026年的世界模型，就像一个"近视的物理学家"——近处看得清楚，远处一片模糊。
五大局限
局限一：累积误差。 世界模型是"自回归"的——每一帧基于前一帧生成。如果某一帧出现微小误差（如篮球位置偏移了1像素），这个误差会累积——10帧后偏移10像素，100帧后偏移100像素，最终导致"物理崩溃"。这是世界模型最根本的局限。
局限二：物理幻觉。 世界模型会产生"物理上不可能"的场景——物体突然消失、重力方向改变、碰撞检测失败。这是因为世界模型从数据中学习物理，而不是从"物理定律"中学习——它没有"F=ma"的先验知识。
局限三：泛化失败。 世界模型在"训练数据分布内"表现良好，但在"分布外"表现糟糕。一个在"室内场景"上训练的世界模型，在"室外场景"上表现大幅度下降。一个在"晴天"上训练的世界模型，在"暴风雪"中完全失效。
局限四：计算成本。 Sora和Genie 2的训练和推理成本极高。Sora生成一个60秒视频需要数分钟的计算时间，消耗大量GPU资源。这限制了世界模型的"实时"应用——机器人需要"毫秒级"的世界模型，而不是"分钟级"。
局限五：无法理解"抽象物理"。 世界模型可以学会"物体在重力作用下向下运动"，但它无法学会"能量守恒"、“动量守恒"等抽象物理定律。这意味着它无法进行"物理推理”——“如果我把这个弹簧压缩到极限，它会释放多少能量？”
2026年，研究者正在做什么？
方向一：物理归纳偏置。 将物理定律（如能量守恒、动量守恒）嵌入到模型架构中，让模型"天生"就知道物理。方向二：混合架构。 将世界模型和传统物理引擎结合——世界模型负责"视觉生成"，物理引擎负责"物理正确"。方向三：多尺度预测。 在多个时间尺度上预测——短期预测用像素，长期预测用抽象表示。
结论：世界模型的局限性是真实的，但也是"可解决的"。 2026年的世界模型，就像2018年的语言模型（GPT-1）——有巨大潜力，但距离"完美"还有很长的路。