从 GTA 6 到特斯拉：世界模型能替我们试错吗？

等 GTA 6 发售，我能不能把卡了半天的任务交给 AI，自己去倒杯水？

再想远一点：周一早高峰，车开到一辆挡住视线的货车旁边，它能不能提前想到“后面可能有人出来”，早点松开油门，别等我吓出一身汗才猛踩刹车？

“世界模型”离普通人的生活，其实可以从这两个问题讲起。它尝试学会的是：现在眼前是这个样子，如果我这样做，接下来可能发生什么。最近 Odyssey-3 和 RoboJEPA 的新进展，让这件事又往前走了一步。但会想象后果，和能放心替我们做决定，中间还有不少功课。

先聊点有意思的：AI 能帮我玩 GTA 6 吗？

先对一下时间：截至本文发布的 2026 年 10 月 10 日，Rockstar 官网给出的 GTA 6 发售日期是 11 月 19 日。所以这里聊的是未来游戏助手的可能性。

设想一个开放世界游戏里的追车任务。你卡在同一个弯道，攻略只会说“提前减速、抓住时机”。如果 AI 真能看懂画面、判断车速、操作转向，还能尝试另一条路线，它就有机会陪你过关，甚至替你接手这一段。

这条路已经有研究原型。Google DeepMind 在 2025 年 11 月介绍的 SIMA 2，能根据用户要求，在 3D 游戏中看画面、操作虚拟键鼠；研究者还把它放进 Genie 3 世界模型生成的新环境，测试它能否导航、理解指令并采取行动。

在这套组合里，SIMA 2 是玩家，Genie 3 提供它练习的世界。能生成一个像游戏的环境，不等于自己就会玩游戏；能在新场景里找到目标，也还不等于能通关 GTA 6。团队明确提到，长任务、短期记忆和精细操作仍是难点。

这里还有个容易被忽略的事实：游戏本来就有引擎，撞墙、转弯会发生什么，原游戏自己算得出来。让 AI 玩游戏，并不必然需要另造一个世界模型。能直接在原游戏里训练时，应先利用它的真实规则；生成世界的价值，是补充更多练习场景，再把练出的本事带回目标游戏验证。

对玩家来说，我更期待一个能接手重复跑图、卡关时搭把手的队友。剧情和关键选择还归自己。这个愿望比“AI 替人玩完整部游戏”小，却更像我愿意实际用的功能。

那特斯拉呢，视觉驾驶会不会再上一个台阶？

有机会。尤其是那些你开了很多年车，也不想亲自再碰一次的场面：货车挡住路口，旁边突然出来一个人；雨夜反光，车道线看不清；前车原本好好开着，忽然横切过来。

世界模型在这里的用处很好理解：把同一段路况拿出来，换几种驾驶操作，看看后果。早一点减速会怎样，继续向前会怎样？如果训练与测试能反复覆盖这些情况，最后受益的可以是每天坐在车里的人。

特斯拉也确实公开讲过这条路线。Tesla AI 团队负责人 Ashok Elluswamy 在 ICCV 2025 的技术演讲中，展示了根据过去的状态和驾驶动作生成后续多摄像头画面的“神经世界模拟器”。驾驶策略做出动作，模拟器给出下一段环境反馈，两者可以循环运行。

他展示的用途包括：拿过去出过问题的片段，检查新版本策略会怎么处理；给原本正常行驶的车辆加上突然切入的动作，测试系统的反应。这是特斯拉自己的技术展示。它说明世界模型已进入其研发工具箱，实际安全收益还得拿真实表现来检验。

这部分进步可以先发生在训练和测试阶段，再通过更好的驾驶策略进入用户的车里。不需要假设车每次打方向前，都在车载电脑里播放一段“未来电影”。至于车端怎样使用预测能力，还要看具体架构与算力预算。

而且，摄像头没看见的东西，不能靠想象变成已知事实。货车后面到底有没有人，模型无法凭空确认；我期待它能推演“有人出来”和“没人出来”等可能性，在证据不足时给风险留出余量。对乘客而言，进步可能表现为更早、更平顺地减速，同时减少没必要的急刹车。

所以，马斯克的视觉路线能否更进一步，要看这些难场景里的实测结果。面向车主的 FSD（Supervised）仍要求驾驶者主动监督，不能按无人驾驶使用。“有世界模型”本身不是无人驾驶的通行证。

这次的新进展，离日常使用还有多远？

游戏队友、驾驶模拟器、机器人规划，用途不同，成绩也不能混着算。最近的两项发布，刚好能帮助我们看清进步和距离。

Odyssey-3：环境能响应操作，分数有测试条件

Odyssey 在官网标注为 10 月 8 日的发布文章中，开放了 Flash 版本的研究预览。用户可以在生成的环境中移动、调整视角、引入事件，观察环境继续演变。这是交互环境生成的进展，并非 GTA 6 代打演示。

Pro 版本在 Physics-IQ Verified 视频续写测试中得了 66.1：让模型接着真实物理实验的视频往下生成，再与实际结果比较。该成绩使用了提示增强与 best-of-8，也就是生成 8 个候选后择优。同样有提示增强、没有 best-of-8 的 Pro 得分为 63.4；官方图注注明，常规分数平均了 4 次运行，best-of-8 使用 1 次运行。

这些条件决定了数字该怎么理解。66.1 不能当成驾驶或机器人任务的成功率，也不等于公开 Flash 预览的成绩。

RoboJEPA：预测更准了，真机仍有难关

Meta FAIR 等团队 10 月 7 日公布的 RoboJEPA，在压缩后的视觉特征里预测未来，不必把每一帧画出来。研究将预测器从 2200 万参数扩到 80 亿，数据覆盖 23 个公开数据集、12 类机器人平台。实验使用这批数据，并保持负责提取图像特征的部分不变；增加训练计算量降低了预测误差，也改善了所测规划任务的表现。

再看 RoboJEPA-8B 的真机成绩：

真机任务	成功率
抓取物体	67%
抬起物体并保持至结束	50%
抓取并放到目标位置	27%

论文还写明，即便连接 GPU 集群，80 亿参数模型的一次多步规划仍需数秒，尚未达到实时。家里的机器人要端杯咖啡过来，除了想得对，还得来得及反应。

游戏可以重来，现实里的失误谁来买单？

假如模型把“夹得不牢，杯子也不会掉”学进去了，机器人可能偏偏选中从你电脑上方抄近路。它已经预演过了，结果看上去很好。麻烦正出在这里：如果坏动作在模拟里总能成功，继续优化，可能会让机器更积极地选择坏动作。

理论论文《Imperfect World Models are Exploitable》讨论了一种关键错误：现实中 A 优于 B，模型却把 B 排到 A 前面。它在特定数学假设下研究这种排序颠倒何时能够避免。与之前写过的 Karotte 与奖励作弊相比，这次问题发生在行动后果的预测上。

这也是我更愿意先让世界模型参与“考试”的原因：先帮开发者挑出值得测的驾驶或机器人方案，再拿真机结果核对。初筛不会消除模型错误，但在它的判断变成现实动作之前，我们多了一步检查的机会。

Runway 在今年 2 月的研究中模拟了 8 种机器人策略、1450 次运行，收集超过 1.6 万次人工评分。模拟与真机评分在这 8 种策略间的 Pearson 相关系数为 0.95。这是公司自行公布的单一机械臂桌面任务研究，支持的是这组策略相对表现的一致性，不是 95% 成功率，更不是驾驶安全证明。

“先当考官”于是有了实验依据。不过，这个考官也得先考试。

拿那杯咖啡，给模型出一道真题

假设团队准备比较三版机械臂程序，任务都是把杯子放进托盘。先用旧版本的真机记录调好评测方法，把这三版程序，以及新的杯子位置、装水量留作考题。

让模型先打分、排序，记下它推荐谁，再在有防护的台面上，用相同起始条件重复做真机测试。预测必须留在答案揭晓之前。最初这轮验证省不了多少测试费，得先证明它筛得准，后面才谈节省预算。

杯子掉没掉、洒没洒、任务完成了没有、用了多久，要分别记。会弄坏东西的方案，不能靠速度快把分数补回来。

开始用模型初筛之后，还要随机抽查被它淘汰的方案。只测推荐的版本，就不知道它错杀了多少好方案。模型一旦决定“什么值得测”，验证数据也会受它影响。漏掉这一步，筛选工具很容易变成替自己证明正确的工具。

换了夹爪、杯子材质或使用环境，旧成绩是否还有效，也得重新核对。最后算总账：少做的真机测试，能否抵过模型推演、人工复核与误判返工？如果省不下来，就没有必要为了“用了世界模型”而保留这道工序。

那些不漂亮的失败记录，可能更值得留下

特斯拉那场演讲里还有一个细节：训练世界模拟器时，并不只需要优良驾驶。糟糕的驾驶操作也有用，因为模拟器需要学会这些动作会带来什么后果。教车怎么开好，和教模型坏开法会出什么事，需要的数据并不完全一样。

这也让我重新看了一眼 RoboJEPA 的数据表。在团队收集并核验的数据中，智元相关的 AgiBot World 提供了 8036 小时视频，占总计 15022 小时的约 53.5%。多机位会累计多份视频；按动作时长算，则是 2734 / 6692 小时，约 40.9%。这些占比不等于训练采样权重，更不能换算成模型能力贡献率，但足以说明国内真实交互数据是这项研究的重要来源。

接下来值得积累的，我认为还包括：哪次抓空了，哪里接触出了错，补救有没有用。把动作和传感器记录对齐，让失败能被复盘、被授权复用，这些不太适合剪进宣传片的工作，可能比再拍一条顺利演示更能帮到模型。

回到最开始的两个愿望：游戏里，我希望 AI 能帮我少重试几次；开车时，我希望它把那些不该发生的事，尽量留在经过检验的模拟里。世界模型要走进日常生活，得让人看到这样的好处。

资料核对至 2026 年 10 月 10 日。本文依据论文、官方研究报告与技术演讲分析，未进行真机复测；GTA 6 助手、道路情景及咖啡试点为用途举例或作者构想，封面为概念插画。