世界模型竞逐：算法考卷与算力底座的双重博弈

执行摘要：当前世界模型研发进入热潮，人人入局但评价体系缺失，HappyWorld-Bench试图以统一基准推动行业从'能做'走向'可比'。与此同时，产业竞争不止于算法层面：上游算力、能源与关键材料的供给格局深刻影响研发节奏，美国在稀土等环节的让位与中国的全链条优势，构成软硬两层竞争的背景。本报告从基准评测切入，梳理产业链与竞争格局，给出趋势判断。

现状与格局：人人造世界模型

一、世界模型成为产业热点

过去一年，“世界模型”（World Model）从一个学术概念迅速升温为AI与机器人产业的竞逐焦点。与生成式大模型聚焦语言与图像的表面生成不同，世界模型的核心目标是让机器理解物理世界的运行规律——预测“接下来会发生什么”，从而支撑机器人、自动驾驶、具身智能等下游应用的实际落地。这一能力边界，恰恰是当前大模型迈向物理智能的关键短板，也因此成为各方布局的战略高地。

产业热度体现在三个层面：其一，头部科技企业纷纷将世界模型纳入技术路线图，将其视为通往通用人工智能（AGI）与具身智能的必经之路；其二，一批初创公司围绕视频生成驱动的世界模拟、机器人仿真训练等细分方向涌现，融资活动活跃；其三，高校与研究机构持续输出开源模型与评测工具，推动技术民主化。可以说，“人人都在造世界模型”已从一句调侃变成对当前产业格局的真实描述。

二、玩家多元，路线分化

当前的竞争格局呈现明显的多梯队、多路线并行特征：

在技术路线上，目前至少存在三条主干：一是视频生成路线，通过大规模视频生成模型隐式学习物理规律，代表了一种“从数据中涌现物理理解”的思路；二是显式建模路线，将物理引擎、3D场景表示与神经网络结合，强调可控性与可解释性；三是混合路线，以生成模型提供泛化能力、以结构化先验保证物理一致性。三条路线各有优劣，尚无定论，反映了这一领域仍处在探索期。

三、评价标准缺位：HappyWorld-Bench 的尝试

路线的繁荣带来了一个突出问题：没有公认的“考卷”。各家模型的自报指标往往基于自建数据集与自定义任务，可比性弱，用户与投资方难以判断真实水平。业界常见的演示视频精美，但物理一致性、长时序预测、因果推理等核心能力参差不齐，“演示惊艳、落地困难”成为普遍痛点。

HappyWorld-Bench 是针对这一痛点的代表性尝试，其价值在于试图给出一张统一考卷：将世界模型需要考察的能力拆解为可量化的任务维度，覆盖物理规律理解、空间与时间一致性、事件因果预测等方向，使不同模型能够在同一基准下横向对比。这类评测基准的意义不仅在于排序，更在于为行业建立公共语言——让“世界模型好不好”从主观印象变为可验证的工程问题。可以预期，未来基准评测将像视觉领域的 ImageNet、语言领域的各类榜单一样，成为世界模型竞争的基础设施。当然，单一基准也无法穷尽真实物理世界的复杂性，评测体系本身仍需持续迭代，行业可能需要多套互补的考卷。

四、产业阶段判断：从演示到工程化的早期过渡

综合来看，世界模型当前处于典型的早期阶段，其特征可概括如下：

具体而言：技术上，演示能力已初步具备，但长时序一致性、物理精确性、训练成本等工程瓶颈尚未突破；格局上，玩家高度多元且路线未收敛，资源存在一定程度的重复投入；标准上，评测体系刚刚起步，行业亟需像 HappyWorld-Bench 这样的公共基准来引导资源向真实能力集中。类比来看，这一阶段类似于大语言模型在 ChatGPT 爆发前的状态——方向已明、路径未定。

值得注意的产业逻辑是：算力与数据仍是这一赛道的底层约束。高质量视频与交互数据的获取成本高企，训练大规模世界模型所需的算力投入远超一般初创团队承受范围，这使得巨头与初创之间的分工可能走向“巨头造底座、初创做场景”的格局。与此同时，围绕训练数据版权的合规风险与监管关注也在累积，客观上抬高了数据供给的门槛，可能进一步影响各玩家的路线选择。

本章小结：世界模型已进入“人人造模型”的多元竞逐阶段，但统一的评价标准、收敛的技术路线与可持续的商业闭环均未形成。下一章将深入各家玩家的具体技术路线与产品进展，评估其真实能力边界。

HappyWorld-Bench：统一考卷的价值

从“各说各话”到“同一张考卷”

过去两年，世界模型赛道呈现出爆发式繁荣：OpenAI 的 Sora、谷歌的 Genie 系列、字节的 Seed、阿里、腾讯以及一众创业公司都在宣布自己“理解物理世界”。但繁荣背后，一个结构性问题日益突出——评测标准的缺位。

各家模型发布时，往往伴随精心挑选的演示视频和自建评测集。A 公司强调画面逼真度，B 公司强调物理一致性，C 公司强调长时程连贯性。指标不统一、任务不对齐、数据不公开，导致“各说各话”成为常态。开发者无从比较，投资人难以判断，产业客户更是在一堆漂亮的 demo 面前无从下手。

HappyWorld-Bench 的定位，正是试图充当这张“统一考卷”。它的价值不在于宣称某个模型更强，而在于让所有模型在同一维度、同一任务、同一数据下接受检验。

评测维度与任务设定

从公开信息看，HappyWorld-Bench 的设计围绕世界模型的核心能力展开，大致覆盖以下层次：

这种多维设计的关键意义在于拆解“世界理解”这个模糊概念。此前“模型是否理解世界”往往沦为观感之争；有了分维打分，才能定位一个模型“物理对但语义偏”或“前几秒准、长序列崩”的具体短板，为改进方向提供依据。

在任务设定上，HappyWorld-Bench 倾向于从开放式生成转向可验证的封闭任务——即给定明确初始条件与目标，检验模型输出是否符合物理与逻辑预期。这使评测结果可以被量化、可复现，而非依赖人工打分的主观印象。

覆盖范围上，统一考卷若要有效，还需在场景域（室内/室外、真实/虚拟）、时长（短帧到长时程）、交互深度（旁观生成到具身控制）上保持均衡采样，避免某类能力被系统性高估。

能否终结“各说各话”？

客观而言，统一基准的价值是真实的，但局限同样明显：

能解决的部分：

• 提供横向可比的分数体系，压缩“挑选性演示”的叙事空间；
• 通过公开任务与数据，降低评测的暗箱程度；
• 为学术与产业建立共同语言，加速短板定位。

难以解决的部分：

• 基准过拟合风险：一旦 HappyWorld-Bench 成为事实标准，厂商可能针对性优化，“刷榜”替代“刷demo”，分数虚高而真实能力未提升——这是 NLP 领域已被反复验证的规律；
• 世界模型尚无共识定义：究竟以视频生成为核心，还是以可交互、可规划为核心，学界与产业界仍有分歧，单一考卷难以覆盖所有技术路线；
• 动态演化滞后：世界模型迭代极快，基准更新速度可能跟不上能力前沿。

因此，HappyWorld-Bench 更现实的角色是阶段性标尺而非终极裁判——它终结的不是评测分歧本身，而是“无标尺可依”的混乱状态。

统一基准的产业外溢价值

对模型选型：从 demo 驱动到分数驱动

下游企业选型世界模型时，统一评测分数可与自身业务场景做映射：游戏公司看重时序连贯，机器人公司看重物理一致与因果推理。基准将选型从“看演示拍板”转变为“分维度对照需求”。

对资本判断：压缩叙事溢价

世界模型是当前一级市场最热的叙事之一。缺乏客观标尺时，估值高度依赖团队光环与演示效果，容易产生叙事溢价。统一考卷提供了独立的尽职调查工具，让资本能够区分“能力领先”与“营销领先”，推动资金流向真实技术壁垒，加速尾部泡沫出清。

对产业落地：建立可信交付语言

影视、具身智能、仿真训练等落地场景中，采购方与模型方之间需要可写入合同的能力描述。基准分数有望成为产业交付的“通用语言”，降低交易摩擦，缩短从模型能力到商业订单的转化路径。

小结

HappyWorld-Bench 的意义不在于给出一个排名，而在于把世界模型竞争从“叙事竞赛”拉回“可验证竞赛”。它无法消除所有争议，也难以避免被针对性优化的宿命，但作为第一张被广泛引用的统一考卷，它为模型方、使用方与资本方建立了共同的参照系。在算法路线尚未收敛、算力投入持续加码的当下，这种参照系本身就是稀缺的基础设施——它决定了这场竞逐将以多快的速度、多低的摩擦完成优胜劣汰。

产业链上游：算力、数据与材料

上游三大支柱

世界模型的产业化进程，本质上由上游三要素决定：算力、数据与硬件材料。与前几章讨论的“算法考卷”（如 HappyWorld‑Bench 所代表的统一评测体系）不同，本章关注的是支撑这场竞逐的“底座”。算法决定了模型能否在考试中胜出，而上游则决定了谁能大规模参加考试、谁负担得起反复补考的成本。

算力是世界模型训练的第一约束。相比传统大语言模型，世界模型通常以视频生成、交互式仿真为核心训练目标，涉及海量帧级像素预测与长时序一致性建模，单次训练的算力消耗显著高于同等参数规模的语言模型。这意味着芯片供给、集群互联与能源成本直接构成竞争门槛。

数据是第二约束。世界模型需要两类数据：一是大规模视频语料，用于学习物理世界的动态规律；二是高质量的仿真与交互数据，用于验证模型对因果关系的理解。视频数据的获取受版权、合规与地域监管影响，各法域的规则差异正在成为隐性成本项；仿真数据则依赖合成管线与物理引擎，其质量直接影响模型的可迁移性。

硬件材料是第三约束，也是最容易低估的环节。从数据中心的服务器、电力设施，到机器人、传感器等世界模型的下游载体，均依赖精密制造体系，而稀土、高端金属材料是这一体系的基础投入。

稀土供给格局：一段产业史

稀土问题的关键事实，可以用一张表概括中美两国在过去数十年间的角色演变：

这段历史的核心逻辑在于：稀土本身并非绝对稀缺，稀缺的是冶炼分离与永磁制造的中下游能力。美国在数十年前让出了这部分产能，原因包括环境合规成本、价格波动下的商业可持续性不足等；中国则通过长期产业政策积累了从矿山到磁材的完整链条。当硬件（电动车、机器人、无人机、数据中心散热与电机部件）成为世界模型竞争的载体时，材料环节的此消彼长便从“资源问题”转化为“产业竞争力问题”。

博弈的产业逻辑：成本传导链

上游材料的供给格局如何影响世界模型竞争？可以用一条传导链来理解：

这条链揭示了两层影响：

第一层是直接成本。算力中心的电力、冷却与电机部件，以及具身智能所需的关节电机与磁性材料，均处于稀土供给的影响半径内。供给收紧或出口管制，会推高硬件交付周期与成本，进而影响训练集群扩张速度与机器人部署规模。

第二层是数据闭环。世界模型的进化依赖端侧设备（机器人、汽车、传感器）回传的真实交互数据。硬件成本的高低决定了部署规模，部署规模决定了数据回收能力，数据回收能力又反哺模型迭代——材料环节因此间接塑造了数据飞轮的转速。

中美角色与政策变量

当前的政策图景呈现双向动作：一方面，中国通过出口管制等工具，在关键材料环节行使影响力，客观上提高了海外硬件制造商的供应链规划难度；另一方面，美国以《国防生产法》工具、关键矿产战略及与澳大利亚等盟友的合作，试图重建本土冶炼分离与磁材产能，但新建产能普遍面临环保审批周期长、成本竞争力不足、人才与工艺积累欠缺等挑战，短期内难以完全对冲既有格局。

对产业参与者而言，更现实的策略是供应链多元化与替代技术投资：包括降低单点依赖的多源采购、无稀土或少稀土电机方案研发、材料回收体系布局。这些路径正在被头部硬件厂商纳入中期规划。

本章小结

算法考卷决定谁“会答题”，上游底座决定谁“交得起学费”。算力门槛筛选了玩家数量，数据合规塑造了训练语料的边界，而稀土等材料的供给格局则通过成本与部署规模，间接决定了世界模型从实验室走向产业的速度。中美在材料环节数十年的角色转换提醒我们：产业竞争的胜负手，往往在竞争对手尚未发力的地方提前埋下。上游的隐性变量，值得与算法进展被同等地纳入观察视野。

产业链中下游：模型、机器人与场景

世界模型的产业价值最终要在中下游完成兑现。如果说上游算力与数据决定了入场资格，那么中游的模型研发与仿真训练能力、下游的场景落地深度，则决定了这场竞逐的商业回报与产业格局。

中游：模型研发与仿真训练平台

中游环节的核心任务是将算力与数据转化为可用的世界模型，并借助仿真环境完成训练、验证与迭代。当前中游呈现两条并行的技术路径：一是直接构建视频生成式的世界模型，强调对物理世界动态的预测能力；二是围绕具身智能与自动驾驶构建仿真训练平台，为下游场景提供可交互的虚拟环境。

仿真训练平台的价值在于降低真实世界试错成本。机器人练习抓取、车辆练习应对极端路况，若全部依赖真实环境，成本高、周期长且有安全风险；世界模型提供的可交互虚拟环境，使智能体能够在仿真中大规模并行试错，再将习得策略迁移到现实。这使仿真平台成为连接模型能力与场景需求的关键基础设施，也是当前各家竞逐的重点环节。

值得注意的是，"人人都在造世界模型”已成为行业现状——视频生成、游戏引擎、自动驾驶、机器人等不同背景的公司均在进入这一赛道，能力定义与评价标准尚未统一，中游竞争呈现多路线并进、边界模糊的格局。

下游：四大场景的落地节奏差异

世界模型的下游应用主要集中在四个方向，但成熟度与商业化节奏差异明显：

• 自动驾驶：落地最快、需求最明确的场景。世界模型用于生成稀缺场景数据（如事故、极端天气）、闭环仿真测试，直接服务于智驾系统的迭代效率。
• 具身机器人：需求最迫切但难度最高的场景。通用机器人的训练需要理解物理规律与环境动态，世界模型被视为具身智能的"训练操场”，当前仍以技术验证与数据积累为主。
• 内容生成：商业化路径最短的场景。影视、游戏领域对高质量动态内容的需求可直接由世界模型承接，已有产品化收入，但技术要求偏重视觉一致性而非物理精确性。
• 工业仿真：潜力大、周期长的场景。工厂产线、数字孪生等应用要求高物理保真度，客户为确定性付费意愿强，但验证周期与集成门槛较高。

基准评测：连接模型方与需求方的中间层

在模型能力定义尚不统一、需求方难以横向比价的背景下，基准评测正在成为产业链中的关键中间层。以 HappyWorld-Bench 为代表的统一评测框架，试图为纷杂的世界模型提供一张统一"考卷"，从物理规律理解、动态预测、交互一致性等维度建立可比较的评价体系。

评测层的产业意义体现在三个层面。其一，对模型方而言，统一基准提供了能力坐标与迭代方向，避免各家在自设指标下自说自话；其二，对需求方（车厂、机器人公司、内容平台）而言，评测结果是技术选型与采购决策的重要参考，降低了信息不对称；其三，对产业整体而言，评测标准的收敛有助于资源向真正有效的技术路径集中，加速行业从概念阶段走向工程阶段。

当然，评测本身也存在博弈空间：评测维度的设计天然带有价值取向，不同机构推出的基准可能侧重点不同，模型方也存在针对性优化（“应试”）的可能。因此评测层的话语权竞争，实质上是产业链标准制定权的竞争，预计未来将出现多套基准并存、逐步收敛的过程。

中下游的结构图景

从结构上看，中下游形成了"模型研发—仿真训练—基准评测—场景落地—数据回流”的闭环。谁能在评测标准上获得行业认可、在场景中率先形成数据飞轮，谁就能在中下游的博弈中占据枢纽位置。综合来看，自动驾驶与内容生成是近一至两年内最可能兑现收入的场景，具身机器人则是决定长期格局的关键战场，而基准评测层的归属，将成为观察产业链权力分布的重要风向标。

数据与竞争：从跑分到落地

从规模竞赛到数据竞赛

2024年以来，世界模型成为生成式AI领域最拥挤的赛道之一。谷歌Genie系列、OpenAI的Sora体系、世界实验室World Labs的空间智能路线、英伟达Cosmos平台，以及国内厂商的多个世界模型项目相继发布。早期的竞争逻辑与所有大模型类似：堆参数、堆算力、发演示视频、抢跑分排名。但进入2025年，一个明显的信号是——单纯的技术指标区分度正在下降，各家演示视频之间的差距肉眼可见地缩小，而真实落地能力却呈现出数量级的差异。

这正是竞争焦点迁移的核心原因。当模型架构上的差距被快速追平（开源社区对主流DiT架构的复现已相当成熟），真正难以复制的是两样东西：一是高质量、长时序、带有因果结构的视频与交互数据；二是让模型在机器人、自动驾驶、游戏引擎、工业仿真等真实场景中“用起来”的验证闭环。

参考素材中关于稀土供应链的历史 reminds我们一个产业规律：基础设施与资源禀赋的领先如果不加以持续投入，优势会在周期中转移。AI领域同理——算力可以被采购，芯片可以被追赶，但数据资产和场景绑定一旦形成，后来者很难在短期内逆转。世界模型的“稀土”，就是数据。

一张统一考卷的缺失

目前的评测生态仍高度碎片化。各家论文倾向于选择对自己有利的指标子集，常见的分项包括视觉保真度、物理一致性、长时程稳定性、可交互性与可控性，但缺乏公认的加权标准和可复现的评测流程。这导致一个现象：几乎所有头部模型都能宣称在“某项基准”上达到SOTA，而横向对比基本失真。

在这一背景下，学界开始尝试建立统一基准。以参考素材中提到的HappyWorld-Bench为代表，这类工作试图用一张标准化考卷覆盖世界模型的核心能力维度——包括对物理规律的遵循（如刚体碰撞、流体、光影）、长视频生成的时序一致性、指令跟随精度，以及在交互场景中的状态一致性。其价值不在于分数本身，而在于三点：

1. 可比性：不同架构、不同团队在同一协议下评测，跑分第一次具备横向意义；

2. 透明度：评测集公开、推理协议固定，减少了“挑题应考”的空间；

3. 暴露短板：统一考卷往往让各家模型的弱项无处遁形，倒逼研发资源向真实瓶颈（如长时程漂移、物理违背）倾斜。

主要玩家对比

值得注意的分化是：英伟达的Cosmos策略表明，世界模型的商业价值不在模型本身，而在“模型+仿真数据管线+客户场景”的打包交付；国内厂商则普遍采取“先绑场景、后做通用”的路径，以垂直数据换取落地窗口。

融资与产品化的信号

从资本流向看，2024—2025年世界模型相关融资集中于三类标的：一是头部研究团队的分拆公司，估值逻辑对标OpenAI叙事；二是仿真与合成数据平台，作为“卖铲人”角色获得务实投资；三是机器人具身智能公司，它们既是世界模型的买方，也在自建数据飞轮。相对而言，纯模型层创业公司的融资难度在上升——投资人对“又一个视频生成模型”的耐心已经耗尽。

产品化进度成为比融资额更硬的实力指标。判断标准包括：是否有付费客户在真实生产环境中使用、模型输出是否需要大量人工修复、单位推理成本是否可承受。目前多数世界模型仍停留在“演示可用、生产不可用”阶段，物理一致性和长时程漂移是共同的拦路虎。

竞争的下一程

综合来看，世界模型的竞争正在经历三重转向：从模型规模转向数据质量（尤其时序一致、带动作标注的交互数据）；从论文跑分转向评测透明度（统一基准如HappyWorld-Bench的推广是标志性事件）；从技术叙事转向真实场景验证（机器人操作、自动驾驶闭环、工业仿真是三大主战场）。

对产业观察者而言，最值得跟踪的指标不再是参数量与跑分排名，而是：谁在持续积累难以复制的场景数据、谁的评测结果经得起第三方复现、谁先在单一垂直场景跑通商业闭环。这场竞逐的胜负手，已经不在算法考卷上，而在数据底座与落地验证的耐力赛中。

趋势判断：标准与软硬协同

一、评价标准加速收敛，基准正在成为行业基础设施

当前世界模型的开发呈现出“人人都在造”的繁荣景象，但也暴露出评价体系碎片化的问题：各家团队倾向使用自建评测集与选择性指标，横向可比性不足，行业缺乏统一的能力坐标系。这一局面与历史上任何技术平台的早期阶段高度相似——评测标准的缺位往往意味着产业尚未进入规模化竞争阶段。

以 HappyWorld-Bench 为代表的统一基准的出现，标志着行业正在自发推动评价标准的收敛。其意义可以从三个层面理解：

第一，从“自证”到“互证”。 统一考卷使模型能力评估从厂商自我陈述转向可复现的第三方可验证结论，压缩了营销性指标的操作空间，也让下游客户与投资方获得了可比对的决策依据。

第二，基准即基础设施。 当基准被主流机构广泛采纳后，其角色将从评测工具演变为公共基础设施：训练目标向基准维度对齐、数据构造围绕基准能力展开、发布节奏与基准更新联动。参考自然语言处理领域 MMLU、图像生成领域等基准的历史路径，基准收敛通常先于应用爆发——因为只有当能力可以被量化比较，资本与算力才会向头部集中，产业才进入正反馈。

第三，标准制定权即话语权。 基准的维度设计隐含了对“什么是好世界模型”的定义权：物理一致性、因果推理、长时程稳定性等指标的权重取舍，将直接引导整个行业的研发方向。预计未来一至两年内，围绕世界模型的评测标准将加速收敛，头部基准与各垂直领域专项基准将形成分层体系；同时，基准本身也可能成为博弈对象——围绕基准公正性、数据污染、刷榜行为的争议将会增多，这是标准收敛过程的伴生现象，属于产业成熟期的正常摩擦。

二、软硬协同决定长期竞争力

如果说基准解决的是“往哪里跑”的方向问题，那么软硬协同解决的则是“能跑多远”的问题。世界模型是典型的高度依赖大规模算力的技术路线，其长期竞争力并非由单一算法优势决定，而是由算法、算力与底层材料供应链三层耦合决定。

算法层的迭代速度取决于实验吞吐量——同样一个世界模型的训练假设，能否在更短时间内完成验证，直接决定了团队的迭代代差。

算力层的约束正在从“买不买得到”转向“供不供得上”。高端加速器的供应受出口管制等地缘因素影响，产能与先进制程成为稀缺资源，算力获取成本与稳定性成为模型企业的核心变量。

材料与供应链层则是最容易被低估、却最具决定性的一环。以稀土为例，美国曾是稀土产业的开创者与主导者，但出于成本与环境考量逐步放弃了对该环节的掌控，中国则通过完整的开采、分离、加工产业链占据了全球稀土供应的主导地位。这一历史案例揭示的产业逻辑是：在技术链条中，任何一个看似低附加值的上游环节，一旦形成垄断性集中，就能在下游竞争白热化时成为战略筹码。近年来围绕关键矿产、半导体设备与材料的出口管制措施频繁出台，供应链正在从纯经济问题转变为产业安全问题。

三层耦合的结构性含义在于：短板决定上限，而不是长板决定上限。 一个算法领先的团队，如果算力供应受限或关键材料断供，其竞争力将被系统性折价。因此，长期竞争力评估必须从“模型能力评分”扩展为“软硬协同评分”。

三、判断与启示

综合来看，未来两到三年世界模型产业将呈现“标准收敛 + 供应链重构”的双线演进：

1. 标准侧：统一基准将完成从工具到基础设施的转变，标准制定权成为新的产业博弈焦点，企业需要从“被评测者”转变为“标准参与者”。

2. 供应链侧：随着大国围绕关键技术与材料的管制措施持续加码，供应链自主性的权重将系统性上升。头部机构将把上游材料与算力自主能力纳入长期战略投资，而不仅仅是短期采购问题。

3. 竞争格局：最终胜出的将不是单点技术最强的玩家，而是“算法—算力—材料”三层协同最完整、且在标准体系中拥有话语权的体系化竞争者。

对于产业观察者而言，评价一家世界模型机构的长期前景，应同时看两张考卷：一张是 HappyWorld-Bench 式的算法能力考卷，另一张是软硬协同与供应链韧性的体系考卷。双重博弈的胜负手，正在从单一维度转向多维耦合。