李飞飞给「世界模型」划的那条线：只会产像素的，不算真智能

先说结论

这周最值得长期跟踪的一条 AI 观点，不在于又发布了哪个前沿模型、谁又要监管谁，而在于李飞飞（Fei-Fei Li）今年 6 月 3 日那篇《A Functional Taxonomy of World Models》里划出的一条线：只会吐像素的系统是「渲染器（renderer）」，能输出几何、物理上忠实、且程序可直接计算的状态的才是「模拟器（simulator）」，再往上才谈得上「规划器（planner）」。

这条线看着像在给「世界模型」下定义，实际上一刀切开了两种智能观——一种模仿信号的表面，一种还原信号背后的物理结构。对做颜色和影像的人，这条线格外熟悉：它几乎就是我们天天在做的 raw-to-scene 逆问题。

事情是怎么发生的

过去大半年，「世界模型（world models）」从一个小众研究词，变成了 AI 最烧钱的新战场。李飞飞的 World Labs、LeCun 出走 Meta 后创立的 AMI Labs，各自融了约十亿美元；Google DeepMind 的 Genie、NVIDIA 的 Cosmos 也在推进（Fortune 5 月那篇报道的标题就叫「AI 最大牌的人都在押注世界模型」）。但这个词很快被用滥：任何能生成一段逼真视频的系统都自称世界模型。

李飞飞这篇短文就是来「正本清源」的。她给出三个功能角色，定义下得很硬：渲染器「以像素形式输出给人眼看的观测，最重要的指标是视觉保真度」；模拟器「输出状态：一种几何、物理或动力学上忠实、人和程序都能计算与交互的世界表示」；规划器「输出动作」。她还补了一句很扎心的话——那些航拍镜头里的高楼「从上面看完美无缺，你真开车穿过底下的街区，它们就散架了」。

为什么重要

因为它把一个含糊的营销词，压成了一个可证伪的工程判据。判断一个系统是不是「真世界模型」，不看它生成的画面好不好看，而看它输出的表示能不能被下游程序算。这句话把 Sora、Runway、Kling 这类纯视频生成器直接归到「渲染器」——好看，但结构上撑不住。

对影像行业，这是一记提醒：逼真度（fidelity）和物理忠实（faithfulness）是两回事，而我们太容易把前者当成后者。

我的正反评价

先说我认同的。这条区分干净、可落地、可检验，比「LLM 到底懂不懂世界」那种玄学争论有用得多。它也接上了一条更老的科学直觉——智能不是复刻信号，而是抓住信号背后低维、受约束的生成规律。这正是 Attneave、Barlow、Olshausen 那条「高效编码」的老线：语言模型把先验押在人类文本的统计分布上，李飞飞主张把先验押在「生成这些信号的物理结构」上——几何、光传输、材质、因果。

再说我保留的。第一，利益相关。 李飞飞是 World Labs 的 CEO，这套 taxonomy 既是科学判断，也是给自己路线背书、给对手贴标签的叙事，「纯渲染器不算真世界模型」读起来就有竞品定位的味道，得打折。第二，这是愿景不是现状。 目前能落地、能赚钱的几乎全是「渲染器」；几何物理忠实的「模拟器」极贵极慢，短期回报未必打得过便宜好用的渲染路线——这和影像里 RAW/物理管线 vs 直接出片是同一种张力，理论更干净不等于工程上赢。第三，把语言判成「只有表面统计」讲得很爽，但可能低估了它。 文本里其实压缩了大量世界结构（物理常识、因果关系），一刀切并不公平。

对研究、教学和影像系统的启发

对研究：把「渲染器 vs 模拟器」翻译成影像语言，就是「像素/外观保真 vs 场景/物理状态还原」。AWB、CCM、光谱重建，本质上都是从像素反推生成它的物理状态——光源、反射率、几何。换句话说，我们这行做的 ISP 逆问题，本来就是一种「简化版世界模拟器」。这篇给了我一个好用的 framing：把 AWB/ISP 重新定位成「从渲染反推 simulator state」，而不是「把一张图调好看」。

对教学：给学生一根弦——别问「生成的图好不好看」，要问「这个表示能不能被下游程序算、被测量、被复用」。画质评测工程师尤其需要这种判据。

对影像系统：警惕被「逼真度」带偏。很多下游任务（测量、白平衡、深度、机器人抓取）要的是物理上可计算的中间态，不是一张好看的 RGB。李飞飞在去年那篇《From Words to Worlds》里的一句原话对做颜色的人尤其亲切——「原子结构决定了光如何产生颜色与亮度」。颜色本就是这套物理结构被相机采样后的低维投影。我们做的，一直是世界模型里最底层、最不起眼、却绕不过去的那一环。