AI 不只會聊天，還會『生出一個世界』：2026 世界模型（World Model）元年，Google、李飛飛、Adobe 同場競逐『空間智能』大戰
從會聊天到會造世界。Google Genie 3、李飛飛 Marble、Adobe Wonder 同台開打，世界模型正把 AI 推向能走進、可互動的 3D 空間。
過去三年，AI 的舞台幾乎被「會聊天」的大型語言模型（LLM）佔滿。我們習慣了對著對話框打字，讓 AI 幫忙寫程式、寫文案、回信。但 2026 年，一個更野心勃勃的方向正快速升溫：與其教 AI 用文字描述世界，不如讓 AI 直接「生出一個世界」——一個你可以走進去、四處走動、物件會乖乖待在原地、丟出去的球會照物理落下的 3D 空間。這個方向有個統一的名字：世界模型（World Model），而它正被視為繼聊天機器人之後，AI 的下一個主戰場。
Photo by Sebastian Svenson on Unsplash
世界模型到底是什麼？和「AI 生影片」差在哪？
很多人第一次聽到「AI 生成一個世界」，會直覺聯想到 Sora 那種文字生影片。但兩者的本質差很多。影片是一連串「固定好」的畫面，你只能看，不能改變走向；一旦鏡頭移開，剛才畫面裡的東西就等於不存在了，AI 下一秒可能把它畫成別的樣子。
世界模型的目標剛好相反：它要維持一個持續一致（persistent）的空間。你往前走再回頭，牆上那幅畫還在原位；你把箱子推到角落，它就停在角落；即使某個物件離開了畫面，它的位置與狀態依然被「記住」。換句話說，世界模型不是在「播影片」，而是在「即時模擬一個有幾何結構、有物理規則、可以互動的環境」。這也是為什麼業界越來越常用「空間智能（Spatial Intelligence）」來形容這條路線——AI 不只理解語言，還開始理解空間。
為什麼是現在？三家重量級玩家同場開打
2026 年之所以被不少人稱為「世界模型元年」，是因為原本停留在論文和展示影片的技術，這一年真的變成可以連續互動、甚至能賣錢的產品，而且一次來了三個實力堅強的陣營。
Google DeepMind：Genie 3 讓你「走進」生成的世界
Google DeepMind 的 Genie 3 是目前最受矚目的代表。它能即時生成可互動的持續 3D 環境，畫面以每秒 24 格（24 fps）、720p 的解析度運行，而且支援長達數分鐘、而非過去只有十幾秒的連續探索。更關鍵的是它的「記憶力」：物件會留在你放的地方，物理效果即使在畫面外也持續作用。Genie 3 最早在 2025 年 8 月亮相，並在 2026 年 1 月 29 日的 Project Genie 更新中，展示了從一張圖片或一段文字提示，就能生成可即時遊走的虛擬環境。
Photo by stephan sorkin on Unsplash
Adobe × 約翰霍普金斯：Wonder 把鏡頭交回你手上
2026 年 7 月，Adobe 與約翰霍普金斯大學（Johns Hopkins）發表了名為 Wonder 的研究成果，主打「可用鏡頭操控」的影片式世界模型。它能以每秒 16 格、分鐘等級的長度，讓使用者像操作遊戲攝影機一樣在生成的世界裡自由平移、旋轉。技術上，Wonder 用一個 3D 骨架（scaffold）加上環境貼圖，把鏡頭的移動與轉動轉換成密集、逐格對齊的視覺線索，再結合稀疏注意力記憶與蒸餾技術，才能在維持一致性的同時做到接近即時的速度。對創作工具龍頭 Adobe 來說，這個方向的意義不言而喻。
李飛飛的 World Labs：Marble 已經在收費了
被譽為「AI 教母」的李飛飛（Fei-Fei Li）創辦的 World Labs，則把世界模型推向商業化最前線。旗下首款商用產品 Marble 於 2025 年 11 月推出，能從文字、單張圖片、影片片段甚至空間草圖，生成可自由探索、幾何與物理都保持一致的 3D 世界。資金方面，World Labs 在 2026 年 2 月完成約 10 億美元募資，投資人陣容包含 AMD、Autodesk、NVIDIA 與 Fidelity。值得注意的是，World Labs 已揭露 Marble 在四個領域擁有付費客戶：遊戲、視覺特效（VFX）、機器人訓練與建築設計。團隊也在 2026 年 6 月 3 日發表專文，試圖把如今被濫用的「世界模型」一詞，拆成三種本質不同的系統來釐清定義。
它會改變什麼？遊戲、機器人、特效、建築都在名單上
世界模型最直接的想像當然是遊戲——理論上可以生成「無限、可即時遊玩」的關卡與場景，讓開發成本結構整個翻轉。但真正讓產業興奮的，其實是機器人訓練這塊。
機器人學習最大的痛點之一，是缺乏大量、真實又多樣的訓練資料。實體世界蒐集資料又慢又貴。而世界模型可以大量「生成」訓練環境：一台機器人可以在 Marble 生成的場景裡，從不同角度反覆接近同一個貨架、在固定位置找到同一批物件——這種「一致又可重複」的模擬環境，正是傳統資料難以提供的。這也是為什麼 NVIDIA、Autodesk 這些橫跨硬體與專業軟體的公司會押注其中。除此之外，視覺特效可以用它快速搭出可運鏡的場景，建築設計則能讓客戶「走進」還沒蓋好的空間。
個人觀點：這是 AI 從「語言」走向「世界」的關鍵一步，但別急著神化
如果說過去的 LLM 教會了 AI 人類的「語言」，那世界模型嘗試教的，是人類與生俱來、卻極難用文字說清楚的「空間直覺」——知道東西在哪、會怎麼移動、彼此如何碰撞。這一步對通往更泛用的 AI、乃至真正能在現實中做事的機器人，可能比再多一個聊天模型都更重要。三大陣營各有側重：Google 追求即時可玩、Adobe 綁定創作工具、World Labs 直攻機器人與商用模擬，光是這樣的分工就說明市場有多看好這條路。
不過也要務實一點。目前的世界模型在解析度、可探索的時間長度、長時間下的一致性，以及運算成本上都還有明顯限制——24 fps、720p、分鐘等級，聽起來厲害，但離「一個能長時間穩定運作的完整世界」還有距離，而且跑起來很燒算力。它更像是 2022、2023 年那時的生成式 AI：方向對了、進展飛快、但還很早。對關注 AI 的人來說，接下來值得盯著的，不是誰的展示影片最炫，而是誰能先把成本壓下來、把一致性做穩、並找到真正付得起錢的應用場景。世界模型這場仗，才剛剛開打。