高德发布 FantasyWorld 的世界模型，阿里的模型版图再次扩张。

今天刷到一个事，有点意思……高德（Amap）居然悄悄把“世界模型”这条线给打出来了，名字还挺中二：FantasyWorld。

我第一反应是：啊？导航 App 也开始搞“AGI拼图”了？但转念一想又觉得合理到离谱——地图这玩意儿，本来就是现实世界的“数字底座”，而且还是持续更新的那种。你想想它每天吃进去多少轨迹、路网、POI、街景、施工封路……这数据量，不拿来做空间智能，感觉都有点浪费。

更刺激的是：它在 WorldScore 这个专门评世界模型的基准上，直接冲到了榜首（媒体说它“多项指标第一”）。 WorldScore 本身也挺“对味儿”的：不是只看一段视频像不像真的，而是把“世界生成”拆成一段段沿着明确相机轨迹的 next-scene 任务，去测你能不能跟着镜头移动、能不能保持 3D 一致、风格别飘、动态别崩。作者里就有李飞飞和 Jiajun Wu 这些人，属于那种“你不服也得服”的配置。

然后我去翻了下 FantasyWorld 的论文（2025 年 9 月 arXiv 那篇），它核心思路其实很“工程直觉”：别把视频模型全推倒重来，而是在一个冻结的视频 backbone 上，外挂一个可训练的几何分支，让它在一次前向里同时学“视频潜变量”和“隐式 3D 场”。 

怎么说呢，这就像你原来只会画“看起来对”的动画，现在旁边塞了个“骨架/结构”的小脑子，专门盯着你：欸你这个角度一换就穿模了啊、欸你这个桌腿怎么突然变细了……然后它还搞了交叉监督：几何线索去约束视频生成，视频先验反过来给 3D 预测兜底，最后出来的效果就是——视觉真实感还在，但多视角一致性、几何保真度明显更稳。

说到这儿我突然想到最近自动驾驶那波风向变化（VLA、纯视觉、端到端……反正每天一个新缩写），还有具身智能这半年火到离谱。大家都在拼一件事：让模型别只会“看图说话”，要能在物理世界里不翻车。而世界模型恰好就是那个“把视频/图像提升成可交互、可推演的 3D/4D 世界”的关键中间层。你不一定马上就拿它去控制机器人，但你得先有个“稳定的世界”，不然你让机器狗转个身，它脑子里世界都塌了，那还怎么玩。

所以我现在看高德这步棋，感觉不像单纯“蹭概念”。更像阿里在把“地图”从工具升级成入口：从“告诉你怎么走”，变成“给你一套能被 AI 理解和模拟的真实世界”。而且新闻里还提到他们内部都开始搞具身相关组织和岗位了……嗯，这就更不单纯了。

当然我也得泼点冷水：排行榜第一很爽，但世界模型离真正落地到大规模机器人/自动驾驶，中间还有一堆坑，比如数据闭环、长时一致性、可控性、安全边界……我也不敢说 FantasyWorld 就是“那个终局答案”。但它至少说明一件事：以后“谁掌握真实世界数据”，可能比“谁文本爬得多”更关键。

对了，突然好奇：你们觉得导航 App 未来最离谱的新功能会是什么？我脑洞已经开始往“开车前先在你家小区数字孪生里彩排一遍”这种方向跑了……反正就，挺期待的。

-END-

我为大家打造了一份RPA教程，完全免费：songshuhezi.com/rpa.html