世界模型如何实现实时交互与物理模拟?

用户让虚拟角色推开一扇门，世界模型需要做的不只是生成“门打开”的画面，还要判断角色是否接触门、门如何转动，以及门后的空间是否与此前一致。实时交互与物理模拟的核心，是让用户动作持续改变世界状态，再把变化及时反馈给用户，而不是反复生成彼此独立的视频片段。

实时交互依赖状态闭环

世界模型可以抽象为一个循环：接收当前状态与用户动作，预测下一状态，再生成可见、可听的反馈。这里的“状态”不仅包含画面，还应承载物体位置、运动趋势、空间关系等影响后续演化的信息；具体实现未必采用显式物体清单，也可能使用压缩后的内部表征。

交互要求模型不断吸收新输入，因此不能把整段未来一次性固定下来。一种通用思路是滚动预测：先生成较短的后续过程，再依据新动作更新预测。难点在于兼顾响应速度与长期一致性——角色转身后，先前离开视野的物体仍应存在，不能因重新生成而改变位置或外观。

规划模块可以拆解目标、检查执行结果，但不能替代底层状态维护。能理解“走到门口”，不等于能够持续保持正确的距离、接触关系和运动轨迹。

物理可信不等于视觉逼真

物理模拟有两类可结合的思路：从数据中学习运动规律，或引入显式物理计算约束状态变化。前者能够预测复杂场景中的动态，但“看起来合理”不代表严格满足物理规律；后者便于约束碰撞和运动，却需要明确的几何、材质与边界条件。

两者结合时，关键是状态能否对齐：画面中的物体边界是否对应碰撞边界，用户施加的动作是否真正改变运动状态。否则，即使单帧逼真，也可能出现穿透、滑移或接触后无反应。

判断系统是否可靠，应检查动作与结果的因果关系：同一状态下改变动作，后果是否相应变化；物体被遮挡后，状态能否延续；连续操作后，误差是否不断累积。用于自由探索时，视觉连贯可能已经有价值；用于机器人训练或工程预演时，则必须进一步验证物理误差，不能把生成画面的可信感直接当作仿真精度。