行业共识正从语言模型转向能理解物理规律的多模态世界模型。从「预测下一个词」到「预测世界下一状态」，这一范式转变标志着AI开始掌握时空连续性与因果关系，从数字空间的感知迈向物理世界的认知与规划。
什么是世界模型？
世界模型是AI对物理世界运行规律的内在表征。它不仅仅是理解语言，而是理解物体如何运动、事件如何发展、因果关系如何作用。一个真正拥有世界模型的AI，能够预测「如果我推这个杯子，它会往哪个方向倒」，而不仅仅是生成一段关于杯子的文字描述。
智源研究院发布的《2026十大AI技术趋势》指出，以Next-State Prediction（NSP）为代表的新范式，正推动AI从数字空间的「感知」迈向物理世界的「认知」与「规划」。这一转变由三条清晰的主线驱动：认知范式的升维、智能形态的实体化与社会化、以及价值的双轨兑现。
多模态成为竞争高地
Google I/O 2026大会上发布的Gemini Omni Flash，支持任何模态的输入和任何模态的输出，是统一基座全模态模型的典型代表。对比早期文本模型加图像模型加视频模型的简单拼接模式，统一全模态模型的出现标志着行业进入全新时代。
在国内，Minimax是唯一同时具备文本、图像、视频、音频、音乐全栈能力的独立大模型厂商，其技术路线最为接近Google的全模态方向。高盛、摩根士丹利、瑞银等顶尖投行近期密集看好Minimax，认为其多模态技术商业潜力被市场严重低估。
世界模型的实际应用
世界模型正在多个领域展现出巨大的应用价值。在自动驾驶仿真中，世界模型可以生成各种极端场景的模拟数据；在机器人训练中，它让机器人无需实际碰壁就能学会避障；在科学研究中，它加速了新材料设计和药物发现的进程。
正如深度学习先驱Yann LeCun所言，只有具备了像人类一样「预测未来」的能力，AI才能进行复杂的规划。世界模型，正是通往这一目标的关键路径。