如果只盯着物理规律去卷视频生成

现在的世界模型（World Models）逻辑其实挺单一的，像 Sora 或者 Genie 这种，核心是在模拟物理世界的规律——重力、碰撞、流体动力学。但这里有个逻辑硬伤：现实世界不是只有物理定律，还有人的“主观意图”。如果你开发的 AI 只懂物理，却不懂人的预期和情绪，那它预测的行为逻辑在人类看来就是极其诡异且不可控的。

最近看到的一项研究提出了一个很有意思的概念，叫作“心理世界建模”（Mental World Modeling）。简单来说，它不再只是让模型去模拟物体怎么掉下来，而是把人的信念（Beliefs）、欲望（Wants）和意图（Intentions）这些心理变量也塞进模型里。

这个研究里有个实验结果挺让我意外的：

• 性能反差： 那些参数量较小、逻辑能力稍弱的语言模型，只要引入了这种“心理建模”框架，在预测人类行为的准确度上，竟然能反超那些参数规模巨大、但只懂物理模拟的强力模型。
• 核心瓶颈： 目前最难搞的不是单纯模拟物理，也不是单纯模拟心理，而是如何让模型同时处理这两者的耦合——即物理状态的变化（比如杯子碎了）是如何联动心理状态的变化（比如人感到惊吓或愤怒）的。

这其实揭示了下一代 AI Agent 的进化方向。如果一个智能体想在真实场景里落地，它不能只做一个“物理模拟器”，它必须得是个“心理观察员”。如果模型不知道“如果我这么做，对方会怎么想”，那它生成的动作序列在复杂的人机协作场景里基本就是废纸。

目前的瓶颈在于这种双重状态转移的计算量极大，如何把物理引擎的确定性和人类心理的随机性在同一个工作流里融合，才是接下来真正硬核的实战课题。