慕尼黑工业大学揭开AI假装物理的秘密：你的机器人导航助手根本不懂真实世界的物理法则

这项由慕尼黑工业大学自动驾驶车辆系统实验室与数据分析和机器学习研究组联合开展的研究，发表于2026年7月，预印本编号为arXiv:2507.05966v1，归属计算机科学·机器人学方向，有兴趣深入了解的读者可以通过该编号查询完整论文。

现实中的AI有一个藏得很深的"坏习惯"：它们表面上在模拟物理世界，实际上只是在做数字延伸题。这个发现可能让你重新审视那些声称"理解物理"的智能系统。

一、一个关于"假装会游泳"的AI故事

先从一个直觉性的场景出发。假设你在教一个机器人助教学游泳，它学了很长时间之后，表面上动作流畅，能在水里划动手臂、踢腿，看起来挺像那么回事。但有一天你把泳池里的水换成了蜜糖，一个真正理解游泳物理的选手会立刻感受到阻力变大，本能地调整姿势、加大力度甚至放弃某些动作——而那个机器人助教呢？它依然按照原来的节奏优雅地"游"着，完全没察觉到周围介质已经变了。

这个"假装会游泳的机器人"，正是慕尼黑工业大学研究团队在论文中描述的现象的绝佳写照。学术界把AI用来"想象未来会发生什么"的模块叫做**世界模型**（World Model）——它的作用类似于一个内置的模拟器，让AI在脑子里先排练一遍"如果我做这个动作，接下来会怎样"，再决定是否真的去做。这个模拟能力越强，AI在现实中的决策就越聪明。

问题在于，研究团队发现：这些世界模型在做模拟时，根本没有真正理解物理。它们只是在进行一种数学意义上的"延伸预测"——就像你在纸上用直尺画出一段线段，然后把线继续往前延，根本不管前面有没有墙、有没有弯道。这种"顺着数字往前推"的方式，研究团队把它命名为**运动学式的想象**，而真正需要的、能感知摩擦力、接触、质量等物理约束的方式，叫做**动力学式的想象**。

这两者的区别，是整篇论文的核心钥匙。

二、运动学和动力学：两种截然不同的"理解世界"方式

在经典物理学中，"运动学"研究的是物体怎么动——位置在哪儿、速度多快、加速度多大，但它不追问为什么这样动。相反，"动力学"则深入到背后的原因——是什么力让它这样动？摩擦力有多大？质量对运动有什么影响？

回到我们的游泳比喻来理解这个区别：运动学视角下，你只记录游泳选手的手臂位置随时间的变化曲线，精确到毫米；动力学视角下，你还要知道水的密度、选手的肌肉力量、手掌面积与水阻的关系。显然，只懂运动学的观察者，在水变成蜜糖时是无法预测选手会怎么调整的，因为他根本不知道"水"这个变量的存在。

研究团队的核心发现是：当前最先进的世界模型，比如广泛使用的**DreamerV3**，本质上是运动学观察者。它们能非常精准地预测"下一步手臂会在哪里"，但这个预测是靠"上一步在这里，所以下一步大概在那里"推算出来的，而不是因为真正理解了物理约束。

这乍听起来好像没什么大问题——预测准确不就行了吗？但关键在于：一旦物理环境发生变化（比如地面摩擦力改变、接触面变软、外力突然介入），基于运动学的预测者就彻底失效了，因为它的预测逻辑从来没有包含这些变量。

三、四条来自不同战场的"目击证词"

研究团队并非凭空提出这个假说。在正式的实验之前，他们整理了来自四个独立研究的"旁证"，这些证据来自驾驶AI、轨迹预测、传感器压力测试等完全不同的场景，却不约而同地指向同一个问题。

第一个证据来自一项专门测试驾驶AI物理推理能力的基准评测。研究人员给AI展示视频，然后问它关于车辆运动物理的问题。结果发现，只要给AI看一张静态图片，它的回答正确率就能从接近零直接跳到97%左右，此后不管再多给几帧视频、还是把视频帧顺序打乱，准确率几乎一点都不变。换句话说，这个AI压根儿没有在"看"视频里的动态变化——它只是在用一张照片加上文字描述来"猜答案"。把视频换成纯文字提问，准确率也只下降了2.6个百分点。这意味着这些AI的物理理解几乎完全来自于语言文字的模式记忆，而非真正看懂了画面里的运动过程。

第二个证据来自一个配备了100亿参数的驾驶大模型的压力测试。测试人员向这个模型的传感器输入大量噪声干扰（相当于把摄像头画面弄得模糊混乱），结果发现它的轨迹预测模块直接退化成了一种机械的"线性外推"——就是前面说的那种"顺着数字往前推"的方式，完全放弃了任何物理判断，而负责生成文字说明的语言模块却还在振振有词地输出"合理"的安全分析。两个模块完全脱节了——一个在做无意义的数字延伸，另一个在自说自话。

第三个证据更有意思：有研究者训练了一个极其简单的小模型，它唯一的输入信息是车辆自身的运动状态（速度、位置、加速度这类数据），完全没有摄像头、雷达或地图数据。结果这个"裸眼"小模型在一个主流自动驾驶轨迹预测竞赛中，居然以0.29米的误差打败了配备完整感知系统的大模型（后者误差0.37米）。这说明什么？说明那些大模型做轨迹预测时，基本上也在干和小模型一样的事——把当前运动状态往前延伸，根本没有用上那些昂贵的感知数据。

第四个证据来自一项用运动学一致性误差（Kinematic Consistency Error，KCE）来评估AI驾驶决策质量的研究。研究者发现，这个指标和模型的参数量完全没有关系——最强大的通用模型和相对较小的专用模型在这个指标上完全重叠，没有任何规律可言。这说明这个缺陷不是"模型太小、能力不足"的问题，而是训练数据和训练方式本身的结构性缺陷。

这四份来自不同背景、使用不同方法的"证词"共同描绘出一幅清晰的图景：当前的AI世界模型在做"物理想象"时，其实是在做运动学数学题，而不是在模拟真实的物理世界。

四、一把专门"揭穿假象"的量尺

发现了问题，研究团队设计了一套专门的诊断工具，就像医生为某种新病症设计了一套专属检查方案。

这个工具的核心叫做**想象运动学一致性误差**（imagined Kinematic-Consistency Error，简称iKCE）。它的测量逻辑并不复杂：每当世界模型预测"下一步会发生什么"时，iKCE就拿这个预测结果和一个极其简单的基准对比——那个基准就是"假设速度不变，位置线性延伸"的纯数学推算。如果世界模型的预测结果和这个纯数学推算几乎一模一样，那就说明这个世界模型根本没有在做任何超越线性外推的物理计算。

这里有一个反直觉的关键点，需要特别解释清楚：iKCE的值越低，并不意味着世界模型越好，反而可能是越坏。iKCE接近零意味着世界模型的每一步预测都和那个"傻瓜式线性延伸"几乎相同，也就是说它完全在做运动学外推，没有任何超出运动学的物理理解。真正优秀的动力学世界模型，其iKCE应该是正值，随着模拟时间变长而增大，并且当物理环境发生变化时会随之改变。

只有iKCE这一个指标还不够，因为它只告诉你世界模型离"线性外推"有多远，却不能直接区分"运动学想象"和"动力学想象"。因此，研究团队还设计了一个配套的**扰动测试协议**。

扰动测试的思路类似于医生给病人做过敏测试：你系统性地改变一个物理参数（比如地面摩擦力），然后观察世界模型的反应。如果世界模型真的理解物理，那么当摩擦力从高变低时，它预测的运动轨迹应该显著改变——因为低摩擦环境下机器人的步态会完全不同，腿部会打滑，身体会晃动。反之，如果世界模型只是在做运动学外推，那么不管摩擦力怎么变，它的预测结果都应该几乎一模一样，因为运动学外推根本不包含摩擦力这个变量。

这套诊断方案的精妙之处在于它具有"可证伪性"——如果世界模型真的是动力学的，那测试结果就会和运动学假说的预测相反，这说明这套方案不是为了"找到自己想要的结果"，而是真正在科学地检验假说。

五、在机器人身上动手术：实验的具体过程

研究团队把这套诊断方案用在了一个具体的、公开可下载的AI系统上：在DeepMind控制任务套件（DMC）中训练好的**DreamerV3 walker-walk**模型。这个任务要求一个二维双足机器人学会走路，而DreamerV3是目前学术界最成熟的世界模型之一。

实验分为两个主要假设的验证。

第一个假设是：在已训练好的模型上，世界模型的iKCE应该明显高于真实物理引擎产生的运动数据。这个假设看似简单，但它排除了"AI什么都预测不了"和"AI预测得太准了（纯线性外推）"这两种极端情况，证明iKCE这个指标本身是有效的。

实验结果相当清晰。在16步预测（相当于0.4秒的模拟）的情况下，真实物理引擎的iKCE大约是4.2×10??，而DreamerV3的世界模型产生的iKCE是7.7×10??，两者相差约180倍。在64步预测（相当于1.6秒的模拟）的情况下，差距缩小到约30倍——这个缩小是因为时间越长，平均到每一步的运动量越小，iKCE自然会被"稀释"，而不是说世界模型变好了。无论哪个时间尺度，世界模型的iKCE都远高于真实物理数据，证明它既不是在做"完美的线性外推"（那样iKCE应该接近零），也不是在忠实模拟物理（那样iKCE应该接近真实物理数据的水平），而是在做一种"有偏差的运动学外推"。

第二个假设，也是更核心的一个：世界模型的iKCE对摩擦力的变化应该完全不敏感，哪怕摩擦力已经跨越了让机器人步态完全崩溃的临界点。

为了确定这个临界点在哪里，研究团队先在真实物理引擎中系统地测试了不同摩擦系数下机器人的表现。他们发现，当摩擦系数降到0.20以下时，机器人的步行奖励会跌破正常值的50%——也就是说，机器人开始严重打滑、无法正常行走。这个值就是"制度边界"，相当于游泳池从水换成蜜糖的那个临界转变点。

接下来，研究团队系统地把摩擦系数从0.1一路调到1.7（跨越了17倍的范围），在每个设定下分别让真实物理引擎和世界模型各运行20次模拟，计算iKCE。

结果再次印证了假说。在真实物理引擎的数据中，低摩擦区域的iKCE确实比高摩擦区域高——机器人在滑地上走路，每一步的运动偏差更大，这说明iKCE指标能够捕捉到物理现实的变化。然而在世界模型的数据中，不管摩擦系数怎么变，iKCE几乎纹丝不动，最大值与最小值之间只差1.32倍，而且所有数据点的误差范围都完全重叠。研究团队用统计学方法（对数回归）量化了这个结论：真实物理数据的斜率约为-0.220，置信区间完全不包含零；而世界模型数据的斜率约为-0.009，置信区间[-0.096, +0.082]完全包含零——这是统计学上说"没有任何效果"的标准表达。

更关键的对比是：在摩擦系数从0.5降到0.10的过程中，受过训练的策略的奖励从约650大幅降到约200——机器人在真实环境中已经因为摩擦力不足而彻底无法正常走路了。但与此同时，世界模型对这个现象完全视而不见，它的"想象"丝毫没有反映出"地面变滑"这件事。这就是"运动学而非动力学"特征的最直接证明：真实世界发生了一场"物理制度转变"，世界模型的模拟完全没有感知到。

六、"你说它不响，那响声是假的吗"：控制实验的精心设计

科学家最怕的就是被人质疑"你的实验结论是偶然的"。研究团队为此设计了多个控制实验，逐一排除可能的干扰因素，就像侦探排除一个个不在场证明一样严谨。

第一个控制实验针对一个显而易见的质疑：会不会是因为AI的策略模块（负责决定做什么动作）只在正常摩擦条件下训练过，所以在低摩擦条件下它做出的动作本来就很奇怪，导致了世界模型的预测表现平稳？毕竟，如果策略模块本身在低摩擦环境下已经"出格"了，世界模型的表现也许反而是"正确的"。

为了排除这个可能性，研究团队重新训练了一个策略模块，这次训练时随机抽取摩擦系数（从0.1到1.7均匀随机），让策略模块在各种摩擦条件下都有充分的训练经验。结果：这个新策略模块在全摩擦范围内都能正常走路（没有崩溃），但世界模型的iKCE依然对摩擦变化毫无响应，斜率统计值依然包含零。这说明世界模型的"摩擦盲区"不是策略模块的问题，而是世界模型本身结构性的缺陷。

第二个控制实验检验了另一种质疑：会不会iKCE这个指标本身就对所有扰动都不敏感，不管什么变化都测不出来？如果是这样，那说明iKCE是一个失效的指标，而不是世界模型有问题。

为了检验这一点，研究团队设计了一种不同类型的扰动：在每次输入给世界模型的关节位置数据里加入随机噪声（就像给摄像头加了轻微的模糊）。这种扰动是"运动学性质"的——它直接干扰了位置数据本身，因此即使是做纯运动学外推的系统也应该感知到。实验结果完全符合预期：在关节噪声扰动下，世界模型的iKCE会随着噪声增大而显著上升，说明iKCE完全有能力捕捉某些类型的变化。而摩擦力之所以捕捉不到，恰恰是因为世界模型根本就没有把摩擦力纳入它的模拟逻辑——这是特异性的"动力学盲区"，而非指标失效。

第三个控制实验测试了时间长度的影响。研究团队怀疑，在很短的时间窗口内，摩擦力的影响还来不及累积到可被测量的程度——就像把游泳池换成蜜糖，在第一划的瞬间可能还感觉不到太大差别，要多划几下才能发现问题。

他们重新分析了不同时间长度（8步、16步、32步、64步）下的iKCE数据。结果正如预期：在8步和16步的短时间窗口内，真实物理数据的iKCE对摩擦力变化也不敏感（斜率置信区间包含零）；但到了64步（约1.6秒，超过机器人完整步态周期），真实物理数据的斜率就清晰地显示出摩擦力的影响。而世界模型在任何时间长度下，斜率始终包含零、始终不敏感。这个发现同时也给出了一个实用建议：这类诊断测试应该在超过机器人步态周期的时间窗口内进行，才能观察到动力学效应的累积。

第四个控制实验则把时间维度的结构搞清楚了。研究团队把64步预测拆分成每一步来看，而非只看整体平均值。结果发现：真实物理数据中，iKCE呈现出稀疏的"尖峰"分布，这些尖峰对应的正是机器人脚接触地面的瞬间——在低摩擦条件下，这些接触事件引起的冲击和偏差更大，尖峰更高。但在世界模型的数据中，iKCE的时间分布是一个平滑、单调下降的曲线，开头有一两步略高（对应初始编码的不确定性），之后完全平稳，完全看不出接触事件的痕迹。两者不仅数值不同，连分布模式都完全不一样——一个是有结构的物理信号，另一个是无结构的平滑数字。

研究团队还专门验证了"使用什么样的运动学状态变量"不影响结论。他们除了使用最简单的垂直位置和速度（z, vz）之外，还用了机器人全部关节角度组成的更丰富的状态表示，结果完全一致：世界模型对摩擦扰动依然无感，而真实物理数据依然表现出低摩擦区域的差异。这说明结论是稳健的，不依赖于具体用哪种方式来描述运动状态。

七、这意味着什么：AI学得更久，反而学得更差？

这个发现有一个令人有些担忧的连锁推论，研究团队在论文中也坦诚地讨论了这个问题。

当AI在训练时，通常会用世界模型想象一段未来，然后根据这段想象来优化自己的策略——"如果我这样做，世界模型告诉我接下来会怎样，那么我应该这样调整"。这个过程叫做"想象展开训练"。如果世界模型只能做运动学外推，那么AI的策略就是在对着一个"物理失真的镜像"进行优化，学到的东西在真实环境中自然会有偏差。

更具体地说，如果想象的时间越长，那么运动学外推和真实物理之间的累积偏差就越大，策略优化的方向就越偏离现实。研究团队用了一个对照实验来印证这一点：他们分别训练了一个使用15步想象展开的策略和一个使用64步想象展开的策略。在真实环境中测试时，15步版本最终获得了约955分（满分1000分）的高分，而64步版本只得到了约400分，而且整个训练过程明显不稳定。

这个结果和"运动学想象"的假说完全吻合：想象得越远，运动学外推的失真就越严重，AI学到的"经验"就越不可靠，最终在现实中表现越差。研究团队谨慎地说他们"不声称这是因果关系"——因为长时间想象展开训练的困难本来就有很多原因——但这个观察结果确实和假说的预测完全一致，值得进一步研究。

八、下一步该怎么走：研究者的坦诚与期待

研究团队在论文中相当坦诚地讨论了这项研究的局限性，这种学术诚实本身就值得关注。

首先，整个实验只在一种机器人（二维双足步行机器人）、一个任务（走路）、一个世界模型家族（DreamerV3）上进行了验证。双足步行机器人的步态相对简单，而四足机器人（如机器狗）、人形机器人或自动驾驶车辆的动力学会复杂得多。这套诊断方案是否在这些更复杂的系统上同样有效，还需要进一步验证。

其次，策略模块在摩擦力变化时会自动调整行为（因为它感知到了反馈），这使得物理侧的iKCE变化中包含了策略调整的成分，而不全是纯物理效应。研究团队提出了一个更干净的实验设计：给物理引擎和世界模型输入完全相同的固定动作序列，而不是让策略实时决策——这样就能完全隔离策略适应的影响，让测量结果更纯粹。

另外，世界模型在做预测时只用了5步观测（约0.125秒，比一个完整步态周期还短）作为条件输入。这意味着即使世界模型有能力做动力学推理，它从这5步里能提取到的"当前摩擦力是多少"的信息也相当有限。如果给它更长的观测序列（比如整整一个步态周期），它的表现会不会改变？这个问题还没有答案。

研究团队还指出了一个很有趣的未来方向：如果直接把摩擦系数这个物理参数作为额外输入提供给世界模型，它会不会就开始表现出动力学感知？这个实验能区分"世界模型根本没有学习摩擦力的能力"和"世界模型能学，只是从短短几帧观测里提取不出足够信息"这两种不同的失败原因。

---

说到底，这项研究做的事情有点像把一个声称会开锁的锁匠带到一把特殊的锁面前，然后发现他其实只是在无论什么锁都插同一把万能钥匙——大多数时候凑合能过，遇上特殊的锁就彻底没招了。

当前的世界模型并非没有价值，它们在训练分布内的任务上表现优秀，这是毋庸置疑的。但当物理环境发生真正的制度性变化时——摩擦力骤降、接触面改变、外力突然介入——这些模型就会露馅：它们的"模拟"只是一个经过打磨的数学外推，而不是真正意义上对物理世界的理解。

这对于任何依赖世界模型来做长期规划的AI系统都是一个隐患，尤其是自动驾驶、机器人操控这类需要应对真实物理复杂性的应用场景。研究团队提供的iKCE工具和扰动测试协议，为未来的开发者提供了一个检查自家模型是否有这个问题的实用方法，算是把问题说清楚了，同时也给出了一把"尺子"。

至于如何真正解决这个问题——如何让世界模型从"运动学外推者"升级为"动力学理解者"——目前还没有答案。但找到问题，总是解决问题的第一步。有兴趣进一步探索的读者，可以通过arXiv编号2507.05966v1查阅完整论文，研究团队也在GitHub（TUM-AVS/iKCE）和HuggingFace上开放了全部代码和数据，方便同行复现和扩展这项工作。

---

Q&A

Q1：世界模型（World Model）在AI里具体是做什么的，为什么重要？

A：世界模型是AI系统内置的一个"模拟器"，它的作用是让AI在真正采取行动之前，先在脑子里预演"如果我这样做，接下来会发生什么"。有了这个能力，AI就不需要在真实环境里反复试错，可以用想象的模拟来优化决策，从而更高效、更安全地学习。世界模型越准确，AI在现实中的判断就越可靠。DreamerV3就是目前最先进的世界模型之一，被广泛用于机器人控制和自动驾驶研究。

Q2：iKCE具体是怎么测量的，为什么低iKCE反而是坏事？

A：iKCE每一步都把世界模型的预测结果和最简单的"速度不变、位置线性延伸"的数学推算做对比，计算两者之差。如果差值很小（低iKCE），说明世界模型的预测和这个"傻瓜式延伸"几乎一样——换句话说它在做纯粹的数学外推，根本没用上任何物理知识。真正理解物理的系统在接触事件、摩擦变化等时刻，预测结果会偏离线性延伸，因此iKCE应该是正值且对物理扰动敏感，这才是动力学想象的标志。

Q3：慕尼黑工业大学的实验证明了摩擦力变化时DreamerV3的表现是怎样的？

A：研究团队把地面摩擦系数从正常值的17分之一一路调到1.7倍，跨越了机器人从正常行走到严重打滑的临界点。在这个过程中，真实物理引擎的iKCE在低摩擦区域明显升高，而训练好的策略奖励从约650分跌至约200分，说明真实物理发生了显著变化。但DreamerV3世界模型的iKCE全程几乎纹丝不动，最大最小值只差1.32倍，统计上等同于"没有任何变化"，证明世界模型对摩擦力这个物理参数完全没有感知能力。