腾讯王腾飞：从生成内容到生成环境，世界模型的 3D 落地之路

📌 一句话摘要

本文是腾讯混元世界模型团队负责人王腾飞的深度专访，阐释世界模型与视频生成、3D 生成的核心区别，拆解 HY-World 2.0 四阶段生成流程，并探讨 3D 落地路径、与游戏 / 具身智能的关系及开源生态方向。

📝 详细摘要

文章以专访形式深度解析腾讯 HY-World 2.0 的技术架构与产品逻辑。王腾飞首先回应李飞飞对世界模型的三层定义（渲染器、仿真器、规划器），提出腾讯更倾向于将渲染与仿真合并看待。核心观点包括：世界模型交付的是「可运行环境」而非「内容」，满足状态持续、物理准确、可交互三个特征；3D 是当前落地最具可行性的载体，因为其天然一致、可编辑复用、物理精确且成本可分摊；HY-World 2.0 采用四阶段流程（全景生成→轨迹规划→世界扩展→世界合成），对应人类感知→理解→想象→重建的认知过程；WorldLens 渲染平台解决从建到用的临门一脚；游戏与具身智能本质一致，数字世界可作为物理世界的可控代理；开源生态中评测标准是最稀缺的能力，工具链适配和垂直领域适配同样重要。文章也坦诚讨论了当前挑战：动态物体、铰接物理、物理参数估计和物体级语义解耦仍处于早期阶段。

💡 主要观点

- 世界模型交付的是「可运行环境」而非「内容」。 与视频生成和 3D 生成不同，世界模型需要满足状态持续、物理准确、可交互三个核心特征，门槛远高于「把画面做好看」。

3D 是当前世界模型落地最具可行性的载体。 3D 天然具备一致性，可直接接入现有图形管线与游戏引擎；具备可编辑、可复用的资产特性；物理精确性满足仿真需求；且一次建模成本可在大规模分发中摊销。

HY-World 2.0 采用四阶段模块化流程而非端到端模型。 由于缺乏文字到完整 3D 世界的成对训练数据，且模块化设计有利于可控性与可解释性，流程分为全景生成、轨迹规划、世界扩展、世界合成四个可独立训练的阶段。

游戏数字世界可作为物理世界的可控代理。 游戏与具身智能的核心技术框架相同（感知、仿真、推理、规划），数字世界规则清晰、状态可重置、支持大规模并行仿真，是更高效的研究平台。

当前世界模型生态最稀缺的是评测标准。 许多常用指标与人类感知脱节，量化「一个生成的世界好不好」的能力将成为领域公共标尺，社区贡献者应优先投入这一方向。

💬 文章金句

- 世界模型不是‘更好的视频生成’，而是一次范式跃迁。

• 视频生成交付的是‘内容’，世界模型交付的是‘可运行环境’。
• 能进去走已经成熟，像真实世界一样操作万物还有很长的路要走。

📊 文章信息

AI 初评：90

来源：AI前线

作者：AI前线

分类：人工智能

语言：中文

阅读时间：24 分钟

字数：5966

标签： 世界模型, 3D 生成, 具身智能, AI 产品与应用, 仿真与渲染

阅读完整文章