自动驾驶里的「世界模型」是什么？和语言模型、和传统感知规划有什么区别？

先这样答

概念先说清：语言模型学的是「下一个词是什么」，世界模型学的是「下一帧画面是什么」。给它当前的场景视频和自车动作，它预测接下来画面怎么变化——车流怎么移动、行人往哪走、障碍物轨迹如何演化。要做准这个预测，模型内部必须隐式掌握物体运动规律、遮挡关系、物理常识，这些正是驾驶决策需要的场景理解力。

和传统链路的区别：传统自动驾驶是感知、预测、规划的分立模块，每个模块人工设计特征和规则，长尾场景（异形车、罕见交互）覆盖靠工程师逐个补丁。世界模型的路线是把场景理解统一到生成框架里：预测未来时自然知道哪些区域不确定、哪些行为有风险，天然带后果推演能力，长尾场景由数据驱动泛化。

和语言模型的区别：输出是连续的时空视频而不是离散 token，评价「预测得好不好」没有像语言那样的下一个词准确率，物理一致性（物体不能凭空消失、轨迹不能违反动力学）是隐式约束。

落地的三个难点。可控性：生成未来时要把自车候选动作作为条件注入，比较不同动作下的未来，这要求条件控制精确。实时性：视频生成模型的推理速度离车规级实时要求还远，当前更多用于训练和仿真而不是在线决策。评测：没有公认的世界模型基准，各家自说自话，场景覆盖度和物理合理性难量化。

面试官会怎么追问

• 「世界模型现在实际用在哪？」 两个成熟点：数据生成，生成罕见危险场景的仿真数据补训练集，比路采便宜且可标注；闭环仿真，用世界模型做环境模拟器，规控策略在仿真里验证再上车。在线实时规划还在早期。
• 「怎么把动作条件注入？」 动作作为控制信号加在生成过程里，类似视频生成里的运动控制。训练数据天然带「画面加自车动作序列」的配对，模型学到动作和画面变化的对应。
• 「物理一致性怎么保证？」 部分靠数据（真实视频自然满足物理）、部分靠约束（训练目标加几何一致性损失）、评测用物理合理性指标（物体 permanence、轨迹平滑度）监控。

回答的坑

• 把世界模型说成营销词。要能讲清「预测下一帧等于理解世界」这个技术逻辑。
• 宣称它取代现有自动驾驶栈。当前定位是训练和仿真基础设施，在线规划是远期方向。