Hướng dẫn nhập môn 30.000 từ về World Model và World-Action Model dành cho sinh viên năm nhất

Link bài viết gốc： https://mp.weixin.qq.com/s/Ny54gWtujYGz8...

Inkyu Sa · Official Account · human five · 2026-08-30 08:58

Bài viết này được chia sẻ lại, bản quyền thuộc về tác giả gốc, toàn văn căn cứ theo link bài gốc

Tóm tắt

World model là một bộ mô phỏng nội bộ học được từ dữ liệu: khi được cung cấp trạng thái hiện tại và hành động dự kiến thực hiện, nó sẽ dự đoán điều gì xảy ra tiếp theo, nhờ đó cho phép agent "hình dung trong tâm trí" hậu quả của các lựa chọn trước khi thực sự đưa ra quyết định. Ý tưởng đơn giản này (chạy một mô hình nội bộ của thế giới thực trong tâm trí) ngày nay đã thống nhất một phạm vi nghiên cứu AI hiện đại vô cùng rộng lớn: từ các agent chơi game thành thạo trò chơi Atari chỉ sau hai giờ trải nghiệm, đến các robot học các tác vụ thao tác thông qua "giấc mơ", cho tới các hệ thống tạo ra từng khung hình cho trò chơi điện tử có thể chơi được và các cảnh quan đường phố có thể tương tác lái xe.

Bài tổng quan này hệ thống hóa các World model cũng như các World-Action Model mới nổi (những model vừa có khả năng hình dung tương lai, vừa có thể xuất ra các hành động cần thiết để đạt được tương lai đó) dưới góc nhìn dễ hiểu nhưng vẫn đảm bảo tính hoàn chỉnh về mặt kỹ thuật.

Bài viết bao quát hơn 220 công trình nghiên cứu (bao gồm các bài báo bình duyệt, các báo cáo kỹ thuật có tầm ảnh hưởng và các bài blog kỹ thuật trong ngành tính đến giữa năm 2026).

Chúng tôi hệ thống hóa lĩnh vực này theo hai chiều kích chính:

Chiều kích thứ nhất là phương pháp mô hình hóa, bao gồm: model latent-recurrent state-space, model value-equivalent planning, autoregressive-token Transformer, model diffusion và generative-frame, kiến trúc joint-embedding predictive, và các video-generation foundation model quy mô lớn;

Chiều kích thứ hai là lĩnh vực ứng dụng, bao gồm: RL và điều khiển, robotics, xe tự hành, game và môi trường tương tác, mô phỏng tổng quát, ngôn ngữ - code và môi trường agentic.

Bài viết cung cấp một hệ thống phân loại thống nhất, sáu hình minh họa, mười bảng so sánh, bao quát hơn 135 hệ thống cùng hơn 20 benchmark và chỉ số đánh giá, đồng thời thảo luận phản biện về công tác đánh giá, trong đó đề cập đến một cuộc tranh luận sôi nổi: liệu các bộ tạo video quy mô lớn có thực sự "hiểu" các quy luật vật lý hay không.

Mọi khái niệm đều được giới thiệu trước bằng các giải thích trực quan, dễ hiểu cùng các phép so sánh tương đồng, sau đó mới đưa ra định nghĩa hình thức, do đó bài tổng quan này vừa phù hợp với độc giả mới chỉ có nền tảng kỹ thuật năm nhất đại học, vừa đảm bảo tính chặt chẽ đối với các nhà nghiên cứu chuyên sâu.

Phần cuối bài viết đề xuất bảy hướng nghiên cứu cụ thể trong tương lai. Câu hỏi cốt lõi xuyên suốt bài viết cũng chính là chìa khóa để phân biệt các phương pháp: World model nên dự đoán điều gì? Liệu nó có cần xuất ra cả hành động của robot hay không?

I. Giới thiệu

Ngay từ năm 1943, rất lâu trước khi chiếc máy tính kỹ thuật số đầu tiên chạy chương trình, nhà tâm lý học Kenneth Craik đã chỉ ra rằng: bộ não con người mang trong mình một "mô hình quy mô nhỏ về thực tại bên ngoài", não bộ có thể vận hành mô hình này để thử nghiệm các phương án khác nhau, dự đoán những gì sẽ xảy ra và lựa chọn phương án tối ưu trước khi hành động. Khi bạn chưa di chuyển quân cờ nào mà đã suy tính nước cờ trong đầu, hoặc diễn tập trước một cuộc đối thoại khó khăn trong tâm trí, bạn đang vận hành chính mô hình như vậy. Đây cũng là trực giác cốt lõi của World model: một bộ mô phỏng nội bộ học được từ kinh nghiệm, dùng để mô tả sự tiến triển của môi trường, phục vụ cho việc dự đoán, lập kế hoạch và tưởng tượng.

Trực giác dễ hiểu : World model chính là trí tưởng tượng của agent. Một agent có World model sẽ không chỉ phản ứng thụ động trước thông tin cảm nhận được ở hiện tại; nó có thể đặt câu hỏi: "Nếu mình thực hiện hành động này, điều gì sẽ xảy ra?", và đưa ra câu trả lời trong nội bộ một cách an toàn, chi phí thấp và nhanh chóng trước khi thực hiện hành động ngoài thế giới thực.

Trong lĩnh vực AI, tư tưởng này lần đầu tiên được cụ thể hóa trong RL. RL nghiên cứu các agent học hỏi thông qua thử và sai. Lĩnh vực này phân chia rõ ràng giữa agent model-free và agent model-based: agent model-free học hoàn toàn dựa vào việc thực thi hành động và quan sát phần thưởng mà không mô hình hóa các quy luật vận hành của thế giới; trong khi agent model-based sẽ học mô hình động lực học của môi trường trước, rồi sử dụng mô hình đó để lập kế hoạch.

Ưu điểm lớn nhất của hướng tiếp cận model-based là hiệu quả sử dụng mẫu cực kỳ cao: một agent đã nắm rõ cách thế giới phản hồi trước các hành động thì sau mỗi lần thử nghiệm thực tế, nó có thể hoàn thành hàng nghìn lần luyện tập trong không gian tưởng tượng. Kiến trúc Dyna của Richard Sutton vào khoảng năm 1990 đã cụ thể hóa điều này, thực hiện luân phiên giữa trải nghiệm thực tế, học mô hình, và tiến hành "luyện tập lập kế hoạch" trên các kinh nghiệm thu được từ mô phỏng. Cùng thời kỳ đó, Jürgen Schmidhuber đã đề xuất một phiên bản mạng nơ-ron: một mạng hồi quy dùng để dự đoán tương lai, được gọi bởi một bộ điều khiển độc lập; bộ điều khiển tối ưu hóa kế hoạch của chính nó bằng cách theo dõi mối phụ thuộc giữa từng kết quả tưởng tượng và hành động đã tạo ra kết quả đó (lấy vi phân theo rollout tưởng tượng).

Kỷ nguyên của các World model có thể học được hiện đại thường được coi là bắt đầu từ năm 2018. Bài báo của Ha và Schmidhuber với tiêu đề Mô hình thế giới đã chứng minh một cách thuyết phục rằng: agent gần như hoàn toàn có thể hoàn thành huấn luyện bên trong "giấc mơ" của chính mình (một bộ mô phỏng học được cho các game đua xe và game bắn súng) để đạt được chiến lược thi đấu cạnh tranh. Kể từ đó, các nghiên cứu liên quan đã bùng nổ mạnh mẽ. Dòng mô hình Dreamer đã mài giũa việc tưởng tượng trong không gian ẩn thành một quy chuẩn kỹ thuật đáng tin cậy; thành tựu đỉnh cao là DreamerV3 được công bố trên tạp chí Nature năm 2025, hệ thống này có thể đào kim cương trong Minecraft từ con số không mà không cần bất kỳ dữ liệu biểu diễn nào của con người. MuZero không cần render hình ảnh quan sát mà chỉ dự đoán các thông tin tối quan trọng cho việc ra quyết định, nhưng vẫn tinh thông cờ vây, cờ vua, shogi cũng như các trò chơi Atari.

Đến giai đoạn 2024-2026, World model đã phát triển thành các hệ thống quy mô Internet. Hình 1 hiển thị song song một số thành tựu tiêu biểu: Sora của OpenAI đề xuất rằng các bộ tạo video sau khi scaling chính là các "bộ mô phỏng thế giới"; Genie của Google DeepMind có thể tạo ra các thế giới tương tác từ một hình ảnh đơn lẻ hoặc prompt văn bản; Cosmos của NVIDIA phát hành "world foundation models" mã nguồn mở dành cho physical AI; V-JEPA 2 của Meta đạt được khả năng lập kế hoạch robot zero-shot; Muse/WHAM của Microsoft, tức "World and Human Action Model", xuất hiện trên tạp chí Nature, có thể đồng thời mô hình hóa thế giới game và các hành động của con người bên trong thế giới đó.

Làn sóng phát triển này đã vượt ra ngoài phạm vi phòng thí nghiệm. Năm 2026, trong cuộc đua xây dựng physical AI có năng lực đạt "khoảnh khắc ChatGPT", World model đã trở thành một lằn ranh phân định then chốt. Lĩnh vực này phân hóa thành nhiều phe phái: một nhóm đội ngũ chuyên lập các phòng thí nghiệm World model (cả các công ty video và công ty robotics đều đang triển khai); nhóm khác chọn đặt cược vào VLA; và nhóm còn lại nỗ lực kết hợp cả hai, chính là World-Action Model như định nghĩa trong bài tổng quan này. Chúng tôi sẽ đi sâu vào cuộc tranh luận này của ngành trong Mục VIII-C.

Việc viết một bài tổng quan dễ tiếp cận vào thời điểm này là vô cùng cấp thiết, bởi các chuyên gia trong ngành vẫn chưa đạt được sự đồng thuận về định nghĩa cũng như công dụng của World model.

A. World model và World-Action Model

Bài tổng quan này đặc biệt nhấn mạnh một sự phân biệt đang tái định hình toàn bộ lĩnh vực. World model theo nghĩa hẹp trả lời câu hỏi dự đoán: khi cho trước trạng thái hiện tại và hành động, điều gì sẽ xảy ra tiếp theo? Về bản chất, nó là một bộ mô phỏng. World-Action Model tiến thêm một bước: nó vừa hình dung tương lai mong muốn, vừa xuất ra các hành động cần thiết để đạt tới tương lai đó, tích hợp cả bộ mô phỏng và policy vào trong cùng một hệ thống. WHAM của Microsoft vừa tạo ra hình ảnh game, vừa tạo ra tín hiệu điều khiển; V-JEPA 2-AC của Meta hoàn thành việc lập kế hoạch hành động cho robot ngay bên trong thế giới ẩn học được; mô hình mẫu "World-Action Model" do NVIDIA đề xuất thì tiền huấn luyện model video lớn để đạt được khả năng tưởng tượng, sau đó fine-tune để nó có thêm năng lực thực thi hành động.

Xuyên suốt bài tổng quan, chúng tôi sẽ đánh dấu rõ sự phân biệt này theo từng hệ thống trong các bảng so sánh: hệ thống chỉ thuần túy dự đoán, hay đồng thời xuất ra hành động. Câu hỏi kép này (World model nên dự đoán điều gì? Liệu nó có cần tạo ra cả hành động hay không?) là mạch ngầm xuyên suốt: nửa đầu bài tổng quan giới thiệu sáu phương pháp mô hình hóa (Mục IV), nửa sau phân định rõ giữa World model và World-Action Model.

B. Định vị của bài tổng quan này và sự khác biệt so với các bài tổng quan khác

Hiện nay đã có nhiều bài tổng quan và bài quan điểm hệ thống hóa lĩnh vực World model. Ding và cộng sự xây dựng khung tổng quan xoay quanh "hiểu biết so với dự đoán"; Zhu và cộng sự tập trung bàn luận câu hỏi "Sora có phải là một bộ mô phỏng thế giới hay không"; một số bài tổng quan theo từng lĩnh vực cụ thể lần lượt bao quát mảng xe tự hành, học robot; các bài quan điểm thì đưa ra góc nhìn trước những tranh cãi về kiến trúc cốt lõi, tiêu biểu nhất là bản tuyên ngôn về World model dự đoán trong không gian ẩn do LeCun đề xuất, đối lập với góc nhìn tạo sinh mức điểm ảnh, bên cạnh đó còn có các bài viết phê bình gần đây cũng như hệ thống phân loại chức năng của World model; một bài viết quan điểm năm 2026 đã đưa ra định nghĩa khoa học và lộ trình phát triển theo từng giai đoạn, định nghĩa World model là bộ mô phỏng nội bộ về cấu trúc và động lực học của môi trường, rất tương đồng với quan điểm của bài viết này.

Những công trình nói trên đều có giá trị lớn, nhưng đối với người mới nhập môn, chúng có ba hạn chế chung: được viết hướng đến đối tượng chuyên môn về machine learning; thường chỉ đóng khung xung quanh một phép phân đôi trừu tượng duy nhất; đại đa số bài tổng quan được viết trước làn sóng xuất hiện của hàng loạt hệ thống tương tác thời gian thực vào giai đoạn 2025-2026 (Genie 3, Cosmos, Runway GWM-1, WHAM), trong khi các hệ thống này đã tái định hình toàn bộ lĩnh vực.

Bài tổng quan này có bốn điểm khác biệt:

1. Dễ hiểu, bình dân : Mọi thuật ngữ kỹ thuật trước khi đưa ra định nghĩa hình thức và công thức đều đi kèm phần giải thích trực quan dễ hiểu, khi cần sẽ có thêm liên hệ đời thường. Bạn đọc ở trình độ năm nhất đại học cũng có thể tiếp cận, trong khi tính chặt chẽ dành cho người làm chuyên môn vẫn được bảo toàn.
2. Góc nhìn thống nhất : Đưa các model RL trạng thái ẩn, bộ lập kế hoạch value-equivalent, token Transformer, công cụ diffusion, kiến trúc joint-embedding và video foundation models vào cùng một hệ thống phân loại (xem Hình 2), đồng thời chỉ ra cách sáu phương pháp này ứng dụng vào sáu lĩnh vực khác nhau.
3. Đưa sự phân biệt giữa World model / World-Action Model thành chiều kích phân tích cấp một .
4. Tính cập nhật cao : Bao quát các kết quả nghiên cứu tính đến giữa năm 2026, đánh giá phản biện quan điểm "bộ tạo video chính là World model", đồng thời đặt luận điểm về bộ mô phỏng xuất hiện tự phát cạnh những kết luận phản bác từ các benchmark vật lý nghiêm ngặt để cân nhắc đa chiều.

Những đóng góp chính của bài tổng quan này:

• Một hệ thống phân loại thống nhất cho World model và World-Action Model, lấy phương pháp mô hình hóa (sáu họ mô hình) và lĩnh vực ứng dụng (sáu lĩnh vực) làm hai trục tọa độ, với Hình 2 đóng vai trò là mục lục trực quan xuyên suốt bài viết.
• Mười bảng so sánh, bao quát hơn 135 hệ thống cùng hơn 20 benchmark và chỉ số đánh giá, trải rộng trên các khía cạnh kiến trúc, mục tiêu dự đoán, action-conditioning, lĩnh vực, kết quả tiêu biểu, thời gian công bố/hội nghị.
• Hệ thống hóa phản biện về hệ thống đánh giá, phân biệt giữa benchmark hiệu quả mẫu, chỉ số tạo video và các benchmark mới nổi về tính vật lý và khả năng kiểm soát; giải thích hiện tượng độ chân thực thị giác có tương quan rất yếu với khả năng thực sự hiểu biết thế giới.
• Bảy hướng nghiên cứu cụ thể được xếp theo thứ tự tầm quan trọng, bắt nguồn từ các vấn đề mở hiện nay của lĩnh vực: tính nhất quán về vật lý và nhân quả, tính mạch lạc chuỗi thời gian dài, lựa chọn mục tiêu dự đoán, unified World-Action Model, đánh giá khách quan đáng tin cậy, real-time inference và tính an toàn.

Cấu trúc phần còn lại của bài viết được bố trí như sau: Mục II đưa ra định nghĩa hình thức của World model, giải thích ký hiệu, hệ thống phân loại và phạm vi ranh giới của bài tổng quan. Mục III giới thiệu các khái niệm tiên quyết (RL, mô hình hóa tạo sinh, học tự giám sát) và điểm lại dòng thời gian phát triển. Mục IV là phần cốt lõi của bài tổng quan, lần lượt giới thiệu sáu hệ phương pháp mô hình hóa, mỗi hệ đều kèm theo bảng so sánh. Mục V tái cấu trúc bức tranh nghiên cứu dưới góc nhìn các lĩnh vực ứng dụng. Mục VI trình bày tổng hợp cách World model thông thường tiến hóa thành World-Action Model. Mục VII hệ thống hóa các benchmark và phương án đánh giá. Mục VIII tổng kết hiện trạng công nghệ hiện nay, các kết luận cốt lõi, sự khác biệt giữa World model và VLA trong lĩnh vực physical AI, các thách thức hiện hữu cùng các hướng nghiên cứu. Mục IX là bảng thuật ngữ viết tắt.

II. Định nghĩa bài toán, biểu diễn ký hiệu và hệ thống phân loại

Trước hết, chúng tôi sẽ hình thức hóa khái niệm trực quan về World model một cách chặt chẽ. Các ký hiệu được đưa ra trong mục này sẽ được dùng thống nhất trong toàn bài; Bảng I tổng hợp toàn bộ các ký hiệu.

Bảng I: Tổng hợp ký hiệu sử dụng trong bài viết

A. Môi trường: MDP

Tuyệt đại đa số các nghiên cứu về World model đều giả định môi trường là MDP, đây là mô hình toán học chuẩn mực cho các bài toán ra quyết định tuần tự.

Trực giác dễ hiểu : MDP có thể hiểu đơn giản là: "Thế giới đang ở một trạng thái nào đó; agent thực hiện một hành động; thế giới chuyển sang trạng thái mới, đồng thời trả về một phần thưởng; quá trình này lặp đi lặp lại." Tính chất Markov có nghĩa là: trạng thái tiếp theo chỉ phụ thuộc vào trạng thái hiện tại và hành động hiện tại, chứ không phụ thuộc vào toàn bộ lịch sử trước đó, giống như một ván cờ, thế cờ hiện tại đã chứa đựng toàn bộ thông tin cần thiết để bạn ra quyết định.

Về mặt hình thức, MDP là một bộ: tập hợp trạng thái, tập hợp hành động, hàm chuyển trạng thái (cho biết xác suất của trạng thái tiếp theo), hàm phần thưởng, hệ số chiết khấu (khiến phần thưởng ngắn hạn có trọng số cao hơn phần thưởng dài hạn). Mục tiêu của agent là học một policy để tối đa hóa lợi tức chiết khấu kỳ vọng:

Trong hầu hết các tình huống thực tế, agent không thể trực tiếp nhìn thấy trạng thái thực sự mà chỉ có thể thu nhận các quan sát chiều cao (chẳng hạn như hình ảnh từ camera), tức là POMDP. Đây cũng là lý do vì sao nhiều World model thường nén quan sát thành trạng thái ẩn gọn gàng trước, rồi mới mô hình hóa động lực học.

B. World model là gì?

Về mặt hình thức, World model là một xấp xỉ học được của động lực học môi trường. Dưới dạng thức action-conditioning tổng quát nhất, nó dựa trên trạng thái và hành động hiện tại để dự đoán trạng thái (hoặc quan sát) tiếp theo, thường kèm theo việc dự đoán phần thưởng:

Bằng cách kết hợp liên tục mô hình đơn bước này, agent có thể xuất phát từ trạng thái ban đầu để rollout ra một quỹ đạo tưởng tượng có độ dài mong muốn dưới chuỗi hành động ứng viên, mà không cần tương tác với môi trường thực. Có ba lựa chọn thiết kế then chốt giúp phân biệt từng phương pháp trong bài viết:

1. Không gian dự đoán: điểm ảnh nguyên bản, không gian ẩn được nén, biểu diễn trừu tượng, hay chỉ dự đoán phần thưởng và giá trị;
2. Cách thức huấn luyện mô hình: tái tạo, dự đoán next-token, khử nhiễu, dự đoán đặc trưng;
3. Mô hình có trang bị action-conditioning hay không, có hỗ trợ tương tác hay không.

Các bộ dự đoán thụ động chỉ dự đoán các frame tương lai mà không nhận đầu vào hành động (như phần lớn các công trình tạo video) chỉ có thể được coi là World model theo nghĩa hẹp. Model tiếp nhận đầu vào hành động và có thể trả lời câu hỏi "Nếu tôi thực hiện hành động này thì điều gì sẽ xảy ra?" mới là World model theo đúng nghĩa trọn vẹn. Trong khi đó, World‑Action Model sẽ xuất thêm cả policy, cho phép cùng một hệ thống vừa tưởng tượng vừa đưa ra hành động.

Bên cạnh động lực ở cấp độ kỹ thuật, còn có một lập luận lý thuyết chỉ ra rằng World model gần như là điều tất yếu. Richens và cộng sự trong mô hình hình thức hóa về năng lực hướng mục tiêu đã chứng minh: bất kỳ agent nào có khả năng tổng quát hóa trên các nhiệm vụ hướng mục tiêu nhiều bước đều tất yếu học ngầm một model dự đoán về môi trường; về nguyên tắc, model này có thể được trích xuất từ policy của agent; một agent có thể hoàn thành các mục tiêu có độ khó cao hơn thì bên trong nó buộc phải sở hữu một model có độ chính xác cao hơn. Dưới góc nhìn này, World model không phải là một trong nhiều thiết kế tùy chọn: chỉ cần agent đủ năng lực thực hiện hành vi hướng mục tiêu, thì dù người thiết kế có chủ ý xây dựng hay không, bên trong nó vốn đã tồn tại một World model.

Tuy nhiên, kết luận này được xây dựng dựa trên hai giả định mạnh: agent mang tính tiền định và môi trường hoàn toàn quan sát được. Trong khi đó, các hệ thống được nghiên cứu trong bài viết này đều không thỏa mãn hai điều kiện đó. Cifuentes đã loại bỏ hai giả định này, mở rộng định lý sang các agent ngẫu nhiên và POMDP, đồng thời chứng minh: ngay cả khi chỉ dựa vào tính ngẫu nhiên trong hành động của chính mình, agent ngẫu nhiên vẫn tất yếu sẽ học về môi trường; đồng thời giảm nhẹ tiền đề về khả năng tổng quát hóa, nghĩa là ngay cả những agent có năng lực yếu hơn tiêu chuẩn mà Richens và cộng sự đặt ra cũng buộc phải sở hữu một model. Do đó, luận điểm về tính tất yếu này có phạm vi áp dụng rộng rãi hơn nhiều so với phiên bản ban đầu.

Cách hiểu trực quan : Kết luận này không có nghĩa là kỹ sư bắt buộc phải tự tay xây dựng World model; mà nó chỉ ra rằng, một agent có năng lực đủ mạnh thì dù có được thiết kế thủ công hay không, bên trong nó cuối cùng cũng sẽ tự tiến hóa ra một World model. Nếu một hệ thống có thể hoàn thành ổn định nhiều mục tiêu đa bước khác nhau, thì bên trong nó chắc chắn phải tồn tại một cơ chế nào đó đang dự đoán hệ quả do các hành vi mang lại.

Nhưng chúng ta cũng phải nhìn nhận mặt còn lại. Định lý về tính tất yếu chỉ có thể chứng minh rằng: một agent có năng lực thì bên trong nó sẽ chứa một model; Hiệu quả dự đoán tốt không đồng nghĩa với việc model đó đã tái hiện lại cơ chế vận hành thực sự của thế giới thực. Vafa và cộng sự đã đi sâu khám phá khoảng cách này. Họ thiết kế thí nghiệm thăm dò thiên kiến quy nạp: fine-tune sequence model đã tiền huấn luyện trên một lượng lớn nhiệm vụ nhỏ phái sinh từ một World model giả định, nhằm kiểm tra xem hành vi ngoại suy của model có tương đương với việc nó đã học được World model này hay không. Một Transformer trên tập dataset mô phỏng quỹ đạo hành tinh đã dự đoán quỹ đạo trên tập test gần như hoàn hảo (), nhưng thí nghiệm thăm dò cho thấy thiên kiến nội tại của nó không phải là trạng thái cơ học Newton; model chỉ tái hiện kết quả quan sát chứ không nắm được cơ chế cơ học sinh ra các quan sát đó. Thí nghiệm này sử dụng model tùy chỉnh và chuỗi dữ liệu tổng hợp chứ không phải bộ tạo video quy mô lớn, vì vậy nó chỉ chứng minh khả năng tồn tại hiện tượng này, chứ không phải là đánh giá định lượng đối với các bộ mô phỏng hiện nay.

Hai nhóm kết quả này cùng vạch ra sự không chắc chắn cốt lõi trong lĩnh vực: sở hữu năng lực đồng nghĩa với việc tồn tại model bên trong; nhưng dự đoán chính xác không có nghĩa là đã nắm vững cơ chế của thế giới thực. Phần IV‑F sẽ chỉ ra sự giằng co tương tự cũng tồn tại trong các bộ tạo video.

C. Ba mục đích sử dụng chính của World model

Sau khi sở hữu World model, agent có thể sử dụng nó cho ba mục đích hoàn toàn khác nhau, và khung phân loại này sẽ được nhắc lại xuyên suốt bài viết:

1. Lập kế hoạch : Tại thời điểm ra quyết định, rollout các chuỗi hành động ứng viên ngay bên trong model, chấm điểm cho các kết quả tưởng tượng được, rồi thực thi phương án tối ưu. Đây chính là tư tưởng đằng sau MPC và tìm kiếm theo cây: agent suy nghĩ trước khi hành động.
2. Học trong không gian tưởng tượng : Huấn luyện policy trên các quỹ đạo do model tạo ra thay vì phụ thuộc vào tương tác trong môi trường thực, giúp giảm đáng kể nhu cầu tương tác thực tế vốn chậm chạp, tốn kém và đôi khi nguy hiểm. Dreamer là đại diện tiêu biểu cho trường phái này.
3. tạo dữ liệu : Tận dụng model để tổng hợp một lượng lớn dữ liệu huấn luyện có độ chân thực cao (các rollout tưởng tượng được), nhằm mở rộng các tập dữ liệu thực tế quy mô nhỏ với chi phí thấp. Lĩnh vực robotics và xe tự hành sử dụng phương pháp này phổ biến nhất.

D. Hệ thống phân loại World model

Hình 2 minh họa khung phân loại làm nền tảng cho toàn bộ bài tổng quan. Lĩnh vực này được tổ chức theo hai trục tọa độ.

Trục chính là phương pháp mô hình hóa , tương ứng với việc trả lời câu hỏi cốt lõi của phương pháp: model nên dự đoán điều gì và dự đoán như thế nào. Chúng tôi chia thành sáu nhóm chính:

1. Model latent‑recurrent / state‑space (RSSM) (Phần IV‑A) : Nén các quan sát thành các trạng thái ẩn cô đọng, sử dụng mạng hồi quy để suy diễn tiến tới; ví dụ như dòng PlaNet, Dreamer.
2. Model định hướng value‑equivalent / planning (Phần IV‑B) : Chỉ dự đoán reward, value và policy, tức là những thông tin mà bộ lập kế hoạch thực sự cần, bỏ qua thông tin hình thái trực quan bên ngoài; ví dụ như MuZero, EfficientZero.
3. Model autoregressive‑token / Transformer (Phần IV‑C) : Coi thế giới tương tự như ngôn ngữ, tokenization các quan sát và dự đoán token tiếp theo; ví dụ như IRIS, Genie 1.
4. Model diffusion / generative‑frame (Phần IV‑D) : Render hình ảnh tương lai theo từng pixel thông qua quá trình khử nhiễu lặp đi lặp lại, có thể tạo ra game engine nơ-ron chân thực như ảnh chụp; ví dụ như GameNGen, DIAMOND, Oasis.
5. Model JEPA / joint‑embedding (Phần IV‑E) : Dự đoán trong không gian biểu diễn trừu tượng thay vì dự đoán từng pixel; ví dụ như V‑JEPA 2, DINO‑WM.
6. Foundation model tạo video (Phần IV‑F) : Các model tạo video Internet quy mô lớn được mở rộng, được xem như những "bộ mô phỏng thế giới" đa năng; ví dụ như Sora, Cosmos, Veo.

Trục phụ là lĩnh vực ứng dụng : RL và điều khiển, robotics (bao gồm World‑Action Model), xe tự hành, game và môi trường tương tác, mô phỏng tổng quát và trí tuệ không gian, ngôn ngữ - code và môi trường agentic (Phần V).

Điểm mấu chốt: Hai trục tọa độ này nhìn chung độc lập với nhau. Hầu như bất kỳ phương pháp mô hình hóa nào cũng có thể áp dụng cho hầu như bất kỳ lĩnh vực nào, và đây cũng chính là thông điệp cốt lõi mà bài viết muốn truyền tải.

Thuyết minh phạm vi: Trục chính lấy mục tiêu dự đoán dạng số (pixel, token, trạng thái ẩn, giá trị) làm cơ sở phân loại. Các World model mang tính ký hiệu dự đoán chương trình hoặc mô tả trạng thái bằng ngôn ngữ tự nhiên không nằm trong phân loại chính này; chúng tôi coi đó là một kịch bản ứng dụng và đưa vào Phần V‑F, nơi sẽ giải thích lý do tại sao loại mục tiêu dự đoán này không phù hợp để đưa lên trục chính.

E. Ranh giới nghiên cứu của bài tổng quan

Đối tượng nghiên cứu của bài tổng quan này là các model dự đoán động lực học môi trường học được, cùng cách sử dụng chúng cho quy hoạch, học policy, sinh dữ liệu và sinh thế giới. Phạm vi bao gồm các hệ thống dự đoán trong không gian pixel, không gian ẩn, không gian biểu diễn trừu tượng, không gian reward - giá trị; các bộ dự đoán video thụ động chỉ được đưa vào thảo luận khi chúng được sử dụng như những bộ mô phỏng thế giới. Chúng tôi bao quát model‑based RL, robotics, xe tự hành, game, mô phỏng video/3D đa năng, cũng như các môi trường ký hiệu trong lĩnh vực ngôn ngữ và code.

Bài viết chủ ý xác định rõ các ranh giới nghiên cứu sau:

• Điều khiển model‑based truyền thống với động lực học được chỉ định thủ công (điều khiển tối ưu, nhận dạng hệ thống) chỉ được đề cập ngắn gọn như bối cảnh lịch sử, bạn đọc có thể tham khảo thêm trong các giáo trình tiêu chuẩn;
• Các policy VLA thuần túy không chứa thành phần World model dự đoán không thuộc phạm vi của bài viết này, nhưng chúng tôi sẽ giải thích cách World model tăng cường cho các VLA này như thế nào;
• Việc tạo video thông thường phục vụ mục đích giải trí, trừ khi liên quan đến chủ đề bộ mô phỏng thế giới, nếu không sẽ không được thảo luận chi tiết.

Trong phạm vi ranh giới nêu trên, bài viết nỗ lực đạt được bề rộng trên nhiều phương pháp và lĩnh vực khác nhau, đồng thời đảm bảo chiều sâu đối với các hệ thống tiêu biểu.

III. Kiến thức nền tảng: Các yếu tố cấu thành World model

Mỗi hệ thống World model đều dung hợp tư tưởng từ ba hướng: RL giải thích lý do chúng ta cần model và cách sử dụng model; mô hình hóa tạo sinh cung cấp các công cụ để dự đoán tương lai; học biểu diễn tự giám sát quyết định model sẽ lựa chọn dự đoán nội dung gì. Phần này sẽ giới thiệu cả ba yếu tố trên dành cho bạn đọc có nền tảng kỹ thuật thông thường, đồng thời tổng hợp dòng thời gian các mốc phát triển quan trọng của lĩnh vực.

A. Sơ lược về RL

Trong RL, agent liên tục quan sát môi trường, thực hiện hành động và nhận reward, với mục tiêu tối đa hóa tổng reward. Có hai khái niệm cốt lõi: giá trị trạng thái đại diện cho tổng reward kỳ vọng trong tương lai có thể nhận được khi xuất phát từ một trạng thái và tuân theo một policy; giá trị hành động đại diện cho tổng reward kỳ vọng nhận được sau khi thực hiện hành động đó rồi tiếp tục tuân theo policy. Cả hai đều tuân theo phương trình Bellman.

Cách hiểu trực quan : Giá trị của một tình thế = reward tức thì hiện tại, cộng với giá trị của tình thế tiếp theo sau khi đã chiết khấu nhẹ. Cơ chế hạch toán đệ quy này cho phép agent phân bổ mức độ đóng góp cho các hành động mang lại lợi ích trễ.

Về mặt hình thức, phương trình Bellman thiết lập mối quan hệ giữa giá trị trạng thái với reward và giá trị trạng thái tiếp theo:

Phương pháp model‑free hoàn toàn dựa vào kinh nghiệm được lấy mẫu để ước tính , , hoặc trực tiếp ước tính policy. Trong khi đó, phương pháp model‑based học hàm chuyển trạng thái và hàm reward (chính là World model), sau đó sử dụng nó để lập kế hoạch hoặc tạo ra kinh nghiệm tưởng tượng. Sự đánh đổi cốt lõi giữa hai phương pháp: model‑free đơn giản, không có model bias, nhưng đòi hỏi lượng dữ liệu khổng lồ; model‑based có thể đạt hiệu quả mẫu cực cao, nhưng sẽ gặp phải model bias : Model học được luôn có sai số, bộ lập kế hoạch sẽ lợi dụng các khiếm khuyết này của model, dẫn đến những kế hoạch kiểu "tưởng tượng thì khả thi, thực tế thì thất bại".

Xử lý model bias là một chủ đề xuất hiện lặp đi lặp lại, với các biện pháp bao gồm ước tính độ không chắc chắn (PILCO, cùng phiên bản kế nhiệm dùng mạng sâu PETS, sử dụng ensemble gồm một nhóm mạng xác suất, đánh dấu các trạng thái mà model chưa nắm vững thông qua sự bất đồng giữa các thành viên ensemble, rồi sử dụng MPC để lập kế hoạch), rollout ngắn (MBPO), và mục tiêu huấn luyện hướng giá trị (MuZero).

Cách hiểu trực quan : Ensemble model thực chất là một "hội đồng" gồm nhiều model được huấn luyện trên cùng một bộ dữ liệu. Khi đầu ra của tất cả các model có độ nhất quán cao, xác suất lớn là model đáng tin cậy; khi đầu ra có sự phân kỳ lớn, điều đó cho thấy agent đang rơi vào kịch bản ngoại suy và không nên tin vào sự tưởng tượng của chính mình. Đây là phương pháp đơn giản và hiệu quả nhất để đo lường độ không chắc chắn của World model.

Mô hình Dyna của Sutton chính là bản thiết kế kinh điển thống nhất hai luồng tư tưởng này (xem Phần I).

B. Bộ công cụ mô hình hóa tạo sinh

Để dự đoán các quan sát nhiều chiều (chẳng hạn như hình ảnh), World model cần một bộ công cụ để biểu diễn và sinh dữ liệu nhiều chiều. Bốn nhóm công cụ thường xuyên xuất hiện bao gồm:

1. VAE : VAE học cách nén các quan sát thành các vector ẩn ngắn gọn (encoder) và tái cấu trúc lại quan sát (decoder), đồng thời đảm bảo không gian ẩn mượt mà. World model tận dụng encoder để nén các pixel thành trạng thái ẩn dễ xử lý; GAN là một giải pháp tạo ảnh khác, nhưng lựa chọn chủ lưu của các World model hiện đại là VAE, autoregressive thông qua tokenization, và diffusion models.

Cách hiểu trực quan : VAE tương đương như một công cụ "nén - giải nén" hình ảnh, nó tìm ra một đoạn mã ngắn gọn để nắm bắt thông tin cốt lõi của bức ảnh và có thể khôi phục lại ảnh thông qua mã đó. Việc tính toán trong không gian ẩn ngắn gọn có chi phí thấp hơn rất nhiều so với tính toán trực tiếp trong không gian pixel.

1. Model tự hồi quy và tokenization : LLM dự đoán từng token một tại mỗi bước, hoàn toàn phụ thuộc vào điều kiện của tất cả các token trong lịch sử, sử dụng kiến trúc Transformer. Cùng một kiến trúc này cũng có thể xử lý hình ảnh (chia nhỏ thành các patch, tức Vision Transformer); video có thể được chuyển đổi các frame thành token rời rạc thông qua các vector‑quantized autoencoder như VQ‑VAE, VQGAN. Một hình ảnh sẽ biến thành một tập hợp nhỏ các "từ thị giác", và Transformer có thể dự đoán từ tiếp theo. MaskGIT tăng tốc tính toán bằng cách dự đoán song song một lượng lớn token. Đây chính là nền tảng đằng sau họ model autoregressive‑token.

Cách hiểu trực quan : Transformer dựa vào cơ chế attention để đưa ra dự đoán: khi dự đoán token tiếp theo, nó cho phép token này "quan sát" toàn bộ các token lịch sử, đo lường mức độ tương quan của từng đoạn lịch sử, thay vì đọc tuần tự dựa trên một bộ nhớ có kích thước cố định. Đây chính là lý do vì sao Transformer rất xuất sắc trong việc nắm bắt các cấu trúc tầm xa, bất kể token đó là từ ngữ trong câu hay patch trong video.

1. diffusion và Flow Matching : diffusion models xuất phát từ nhiễu thuần túy, lặp lại quá trình khử nhiễu để thu được mẫu sạch; trong khi đó latent diffusion thực hiện việc tạo sinh trong không gian ẩn đã được nén, mang lại hiệu suất cao hơn. Flow Matching là một giải pháp thay thế có liên quan chặt chẽ và thường nhanh hơn, học một "trường vận tốc" mượt mà để ánh xạ nhiễu thành dữ liệu thực. diffusion là giải pháp chủ lưu trong việc tổng hợp hình ảnh và video có độ trung thực cao, do đó cũng là nền tảng cho các World model generative‑frame có độ chân thực như ảnh chụp.

Góc nhìn trực quan ：diffusion giống như việc điêu khắc từ một khối phôi thô đầy nhiễu: bắt đầu từ các khối nhiễu ngẫu nhiên rồi gọt giũa lặp đi lặp lại, mỗi lần loại bỏ một phần nhiễu, cho đến khi tạo ra hình ảnh mạch lạc. Khi bổ sung thêm các frame lịch sử và hành động của agent làm điều kiện cho quá trình khử nhiễu, nó sẽ trở thành một bộ dự đoán frame tiếp theo.

1. Học tương phản và học tự giám sát ：Model không nhất thiết phải tái tạo pixel, mà còn có thể học biểu diễn thông qua việc dự đoán các mối quan hệ trong không gian đặc trưng, ví dụ như khớp nối hình ảnh - văn bản trong CLIP, hoặc phân biệt mẫu thật với mẫu bị hỏng. Các đặc trưng tự giám sát được đóng băng như DINOv2 có thể cung cấp mô tả hình ảnh nhận biết vật thể phong phú; một số World model trực tiếp dự đoán các đặc trưng này thay vì pixel gốc (Phần IV-E).

C. Tranh luận về World model tự giám sát và mục tiêu dự đoán

Bất đồng sâu sắc nhất trong lĩnh vực này là: Rốt cuộc World model nên dự đoán điều gì?

• Các model tạo pixel (diffusion, autoregressive-token) dự đoán toàn bộ quan sát trong tương lai, có sức biểu đạt thị giác mạnh mẽ, nhưng lại tiêu tốn sức mạnh tính toán để mô hình hóa các chi tiết vụn vặt không thể đoán trước (từng chiếc lá cây, từng tia phản quang), chi phí lấy mẫu rất tốn kém;
• Các model value-equivalent chỉ dự đoán phần thưởng và giá trị, đạt hiệu quả lập kế hoạch cao nhất, nhưng không thể xuất ra hình ảnh rollout để xem trực tiếp;
• Kiến trúc dự đoán nhúng liên hợp JEPA chọn con đường trung gian: dự đoán biểu diễn trừu tượng của tương lai, loại bỏ các chi tiết vụn vặt không thể đoán trước, đồng thời giữ lại cấu trúc cần thiết cho hành động.

Bài viết này lấy cuộc tranh luận đó (pixel vs biểu diễn vs giá trị) làm mạch dẫn xuyên suốt toàn bài, Hình 6 trực quan hóa phổ lựa chọn này, và Phần VIII-B sẽ đi sâu thảo luận lại.

D. Nguồn gốc tư tưởng và dòng thời gian phát triển

Phả hệ tri thức của World model trải dài qua khoa học nhận thức, khoa học thần kinh, lý thuyết điều khiển và deep learning. Giả thuyết mô hình tâm trí của Craik (1943) là nguồn gốc khái niệm. Trong khoa học thần kinh, nguyên lý năng lượng tự do (free-energy principle) coi bộ não như một World model dạng sinh, với mục tiêu hành động là tối thiểu hóa sai số dự đoán. Trong lý thuyết điều khiển, PILCO (2011) đã chứng minh rằng model động lực học có tính bất định có thể đạt hiệu quả sử dụng mẫu cực cao: robot thực tế chỉ cần chưa đầy 18 giây dữ liệu thực để hoàn thành nhiệm vụ dựng con lắc.

Về hướng deep learning, hệ thống mô hình - bộ điều khiển tuần hoàn của Schmidhuber, cùng với Mô hình thế giới bài báo đã thiết lập nên khuôn mẫu hiện đại. Tuyên ngôn năm 2022 của LeCun đặt World model dự đoán vào vị trí cốt lõi trong bản thiết kế trí tuệ máy móc tự chủ. Hình 3 thể hiện các cột mốc quan trọng từ 2011-2026, được mã hóa màu theo hệ thống phân loại ở Hình 2.

Sau khi đã có các yếu tố tiên quyết như RL, mô hình hóa tạo sinh, học tự giám sát, tiếp theo chúng ta sẽ xem cách chúng kết hợp để tạo thành sáu nhóm mô hình hóa.

IV. Phương pháp mô hình hóa

Phần này là trọng tâm của bài tổng quan, lần lượt giới thiệu sáu nhóm mô hình hóa trong Hình 2. Mỗi nhóm đều đưa ra câu trả lời khác nhau xoay quanh câu hỏi cốt lõi của bài viết (model dự đoán điều gì, huấn luyện ra sao), và mỗi nhóm đều có ưu thế cùng nhược điểm cố hữu riêng. Hình 4 so sánh song song cơ chế nội tại của từng nhóm; cuối mỗi tiểu mục đều kèm theo bảng so sánh.

A. Model latent-recurrent state-space (RSSM)

Nhóm này là lực lượng nòng cốt của model-based RL: học trực tiếp các trạng thái ẩn cô đọng từ quan sát, dùng mạng tuần hoàn để diễn tiến về phía trước, sau đó huấn luyện policy thông qua "tưởng tượng" bên trong không gian ẩn này. Kiến trúc cốt lõi là RSSM, chia tách trạng thái ẩn thành nhánh tuần hoàn tất định và nhánh ngẫu nhiên. Nhánh tất định sử dụng GRU; nhánh ngẫu nhiên là một phân phối học được, mô tả tính bất định và nhiều khả năng tương lai khác nhau.

Góc nhìn trực quan ：RSSM duy trì hai loại memory: một loại memory ổn định, có thể ghi nhớ sự thật một cách đáng tin cậy trong thời gian dài; một loại memory mơ hồ, chấp nhận việc tương lai tồn tại tính bất định. Toàn bộ việc lập kế hoạch diễn ra trong một thế giới ẩn thu nhỏ thay vì trên các pixel gốc, tương tự như việc lên kế hoạch cho một chuyến đi bằng bản đồ đơn giản, thay vì phải tưởng tượng từng ngọn cỏ bên lề đường.

PlaNet đề xuất RSSM, chứng minh rằng chỉ cần lập kế hoạch trong không gian ẩn đã học (phương pháp cross-entropy CEM) là có thể đạt trình độ ngang ngửa các agent model-free hàng đầu trong các nhiệm vụ điều khiển thị giác, đồng thời giảm khoảng... số lượng episode cần thiết. Dreamer V1 dùng actor-critic được huấn luyện hoàn toàn trên các rollout ẩn tưởng tượng để thay thế việc lập kế hoạch online tốn kém; do World model có tính khả vi, gradient của hàm giá trị có thể lan truyền ngược qua quỹ đạo tưởng tượng để trực tiếp tối ưu hóa policy. DreamerV2 thay biến ẩn Gaussian bằng categorical latent để thích ứng với thế giới bước nhảy rời rạc của Atari, trở thành agent World model đầu tiên đạt trình độ chơi game Atari của con người. DreamerV3 được xuất bản trên Nature, là chuẩn mực hiện tại: một thuật toán duy nhất với bộ siêu tham số cố định, thành thạo hơn 150 nhiệm vụ từ hành động liên tục, rời rạc đến thế giới 2D/3D; dựa vào các kỹ thuật tăng cường độ bền vững như biến đổi symlog, two-hot value heads, KL balancing để xử lý các bậc độ lớn phần thưởng và giá trị có biên độ chênh lệch cực rộng. Thành tựu nổi tiếng nhất của nó là có thể sử dụng ngay mà không cần dữ liệu con người hay curriculum learning, trở thành chương trình đầu tiên có thể đào được kim cương trong Minecraft.

Các nghiên cứu phái sinh sau đó đã cải tiến chuyên biệt hóa mô thức này. DayDreamer trực tiếp ứng dụng Dreamer vào robot vật lý thực tế mà không cần môi trường mô phỏng, giúp robot bốn chân bắt đầu từ con số không học đi chỉ trong khoảng một giờ thời gian thực. Director đưa vào cấu trúc phân tầng: "người quản lý" ở tầng cao đưa ra mục tiêu ẩn, còn "người thực thi" ở tầng thấp thực hiện mục tiêu đó, giải quyết nhiệm vụ sparse-reward mà các agent cấu trúc phẳng khó xử lý. Dreaming loại bỏ hoàn toàn decoder pixel, sử dụng mục tiêu tương phản để tránh khiếm khuyết "vật thể biến mất": nhiệm vụ tái tạo thường bỏ qua các vật thể rất nhỏ nhưng cực kỳ quan trọng. MWM xử lý khiếm khuyết này từ góc độ ngược lại: giữ lại việc tái tạo, nhưng tách rời việc học biểu diễn và học động lực học; masked autoencoder kết hợp với Vision Transformer để tái tạo pixel từ các đặc trưng tích chập bị che, model động lực học được huấn luyện trên các biểu diễn này thay vì huấn luyện chung. Sau khi tách rời, tỷ lệ thành công của 50 nhiệm vụ thao tác thị giác Meta-World tăng từ... lên..., chứng minh rằng nhiều lỗi đối với vật thể nhỏ bắt nguồn từ sự xung đột tối ưu hóa giữa biểu diễn và động lực học, chứ không phải do bản thân khiếm khuyết của việc tái tạo.

SLAC kết hợp model biến ẩn với điều khiển off-policy; Plan2Explore học chính World model theo phương thức không phụ thuộc vào nhiệm vụ, chủ động khám phá các trạng thái có độ bất định cao nhất của model. TD-MPC và TD-MPC2 nằm ở ranh giới chuyển tiếp sang nhóm value-equivalent: học model ẩn không có decoder, chỉ dự đoán giá trị phần thưởng, kết hợp lập kế hoạch horizon ngắn với terminal value function đã học; TD-MPC2 mở rộng điều này thành một agent đơn lẻ với... tham số, có thể hoàn thành 80 nhiệm vụ trên nhiều loại robot khác nhau. Newt phát triển hướng đi này xa hơn nữa, là trường hợp kiểm nghiệm trực tiếp nhất việc chuyển dịch mô thức foundation-model sang model-based control trong nhóm này: một World model ẩn không có decoder, có điều kiện ngôn ngữ, được huấn luyện trước trên dữ liệu thị phạm, sau đó đồng tối ưu hóa với tương tác online, xử lý đồng thời 200 nhiệm vụ trên mười lĩnh vực như DMControl, MetaWorld, Atari, đồng thời phát hành mã nguồn mở MMBench – một bộ benchmark RL đa nhiệm gồm 159 nhiệm vụ sẵn có cộng thêm 41 nhiệm vụ hoàn toàn mới. Dreamer 4 đại diện cho sự giao thoa của nhóm này với mô hình hóa tạo sinh hiện đại: thay thế RNN bằng một Transformer hiệu năng cao, sử dụng mục tiêu "shortcut forcing" tương tự diffusion; vận hành như một simulator tương tác thời gian thực với frame rate khoảng...; và có thể huấn luyện agent hoàn toàn offline. Đây là hệ thống đầu tiên được biết đến chỉ dựa vào tập dữ liệu cố định mà không cần tương tác với môi trường vẫn có thể đào được kim cương trong Minecraft, với nhu cầu dữ liệu giảm khoảng... so với baseline quy mô lớn OpenAI VPT.

Bảng II so sánh nhóm này. Ưu điểm bền bỉ của nó là hiệu quả sử dụng mẫu cực cao và tính tổng quát; những hạn chế mang tính lịch sử (phụ thuộc vào tái tạo pixel, phụ thuộc vào memory tuần hoàn) lại chính là bài toán mà các nhóm value-equivalent, token, diffusion và JEPA tìm cách giải quyết.

Bảng II: Các World model thuộc hệ latent-recurrent (dòng dõi RSSM / Dreamer). Decoder thể hiện việc có tái tạo pixel hay không. AC = huấn luyện actor-critic trong không gian tưởng tượng; MPC = điều khiển dự đoán mô hình; TD = học giá trị temporal-difference.

B. Các model value-equivalent và hướng tới lập kế hoạch

Nhóm này được xây dựng dựa trên một nhận định đầy tính khai mở: World model dùng cho lập kế hoạch hoàn toàn không cần tái tạo hình ảnh thế giới; nó chỉ cần dự đoán chính xác các đại lượng mà bộ lập kế hoạch thực sự quan tâm, đó là phần thưởng, giá trị và policy. Khi dung lượng model có hạn, việc agent dồn sức mạnh tính toán vào value-equivalent sẽ mang lại lợi ích cao hơn nhiều so với việc đầu tư vào độ trung thực thị giác.

Góc nhìn trực quan ：Hai tấm bản đồ thành phố có thể trông hoàn toàn khác nhau, nhưng tất cả các tuyến đường đều có thể dẫn bạn đến cùng một đích đến. Đối với nhiệm vụ điều hướng, cả hai đều mang tính value-equivalent. World model dạng value-equivalent chính là tấm bản đồ được vẽ ra chỉ để phục vụ việc ra quyết định: bạn không thể dùng nó để ngắm cảnh (không vẽ được diện mạo đường phố), nhưng để lập kế hoạch hành trình thì nó lại cực kỳ hoàn hảo.

Các mục tiêu hướng tới việc ra quyết định như VAML (tính trọng số cho sai số mô hình dựa theo mức độ ảnh hưởng đến giá trị), bộ lập kế hoạch trừu tượng đầu-cuối Predictron, mạng dự đoán giá trị VPN đã đặt nền móng cho tư tưởng này; chúng huấn luyện model ẩn thuần túy hướng theo mục tiêu giá trị/phần thưởng, trực tiếp báo trước sự ra đời của MuZero. MuZero là đại diện tiêu biểu: học hàm biểu diễn, hàm động lực học ẩn, head dự đoán (giá trị + policy), hoàn toàn không tái tạo quan sát, sử dụng MCTS để lập kế hoạch trên model ẩn đã học. Không cần nạp luật chơi, nó vẫn đạt trình độ ngang ngửa AlphaZero trong cờ vây, cờ vua, shogi, đồng thời thiết lập đỉnh cao SOTA mới trên các game Atari. Value Equivalence Principle và Proper Value Equivalence đã cung cấp lý thuyết giải thích tính hiệu quả của hệ thống mô hình này.

Hàng loạt công trình phái sinh lần lượt xuất hiện. Sampled MuZero xử lý không gian hành động liên tục quy mô lớn bằng cách lấy mẫu hành động thay vì liệt kê. Stochastic MuZero bổ sung "chance nodes", cho phép bộ lập kế hoạch xử lý tính ngẫu nhiên thực sự (đổ xúc xắc, xáo bài). Gumbel MuZero khắc phục một lỗi nhỏ tinh tế, đảm bảo rằng ngay cả khi số lần mô phỏng rất ít, việc lập kế hoạch vẫn có thể mang lại sự cải thiện policy. MuZero Unplugged kết hợp việc học online hiệu quả với offline RL hoàn toàn, sử dụng model mới nhất để phân tích lại dữ liệu log lịch sử.

Trên phương diện hiệu quả sử dụng mẫu tiên phong, EfficientZero bổ sung consistency loss tự giám sát, buộc trạng thái ẩn tiếp theo tưởng tượng phải khớp với mã hóa của trạng thái tiếp theo trong thực tế, trở thành thuật toán đầu tiên vượt qua hiệu suất trung vị của con người trên benchmark Atari 100k (khoảng hai giờ chơi game); EfficientZero V2 tổng quát hóa hướng đi này sang điều khiển liên tục, vượt trội hơn DreamerV3 trên nhiều nhiệm vụ dưới ngân sách dữ liệu khắt khe. UniZero thay thế động lực học ẩn tuần hoàn của MuZero bằng Transformer trên không gian ẩn dùng chung, cho phép tìm kiếm theo cây tận dụng được lịch sử rất dài thay vì chỉ dựa vào một trạng thái nén duy nhất. Nó mang tính chất chẩn đoán nhiều hơn là chạy đua về tính cạnh tranh: không vượt qua MuZero gốc trên Atari 100k (human-normalized mean 0,39 so với 0,56), nhưng cải thiện hiệu suất rõ rệt trên các nhiệm vụ POMDP đòi hỏi cao về memory; đồng thời có thể dùng cùng một model để huấn luyện trên nhiều tựa game Atari. Điều này phơi bày một hạn chế có thật của mô thức kinh điển: value-equivalent cho chúng ta biết nên dự đoán cái gì, nhưng không quy định model có thể tận dụng bao nhiêu lịch sử quá khứ.

Để tạo sự đối chiếu, hai phương pháp model-based tái tạo quan sát nổi tiếng đã làm rõ những gì mà giải pháp value-equivalent đã từ bỏ. SimPLe học một bộ dự đoán video action-conditioned cho các game Atari, huấn luyện policy ngay bên trong mô hình, khởi xướng benchmark Atari 100k, nhưng sức mạnh tính toán lại bị tiêu hao ở cấp độ pixel. MBPO sử dụng một ensemble động lực học đã học để thực hiện các rollout phân nhánh ngắn, đồng thời đưa ra ranh giới lý thuyết: rollout của model không thể kéo quá dài, nếu không sai số tích lũy sẽ chiếm ưu thế. MBPO xử lý model bias từ một góc độ khác: rút ngắn rollout thay vì thay đổi mục tiêu dự đoán. Bảng III tóm tắt nhóm này.

Giải pháp value-equivalent từ bỏ hoàn toàn việc dựng hình ảnh để đổi lấy hiệu quả lập kế hoạch; trong khi nhóm tiếp theo lại đưa ra lựa chọn ngược lại: tái thiết trọn vẹn thế giới, nhưng coi thế giới như một chuỗi token để dự đoán.

Bảng III: Các World model dạng value-equivalent và hướng tới lập kế hoạch; SimPLe, MBPO được dùng làm đối chiếu đại diện cho các phương pháp tái tạo quan sát. HNS = Atari 100k human-normalized score. MCTS = Tìm kiếm cây Monte Carlo.

C. World model dạng autoregressive-token / Transformer

Nhóm này ví von thế giới như một ngôn ngữ: các quan sát được nén thành một chuỗi token rời rạc thông qua vector-quantized autoencoder; Transformer lấy các token lịch sử và hành động làm điều kiện để dự đoán nhóm token tiếp theo (thường đồng thời dự đoán cả phần thưởng và tín hiệu kết thúc lượt chơi). Hướng tiếp cận này chính là việc chuyển dịch tư duy LLM sang chuỗi kinh nghiệm. Một khi model có thể viết tiếp "câu chuyện" của trò chơi, agent có thể được huấn luyện hoàn toàn trên các rollout token tưởng tượng.

Góc nhìn trực quan ：Đầu tiên là học một bảng chữ cái cô đọng từ ảnh chụp màn hình, biến mỗi frame thành một lượng nhỏ "từ ngữ thị giác". Sau đó huấn luyện một model tương tự GPT, khi được cung cấp hành động của người chơi, nó sẽ viết tiếp câu chuyện của trò chơi theo từng từ một. Agent sẽ luyện tập ngay trong những câu chuyện được sinh ra này, do đó nhu cầu dữ liệu chơi game thực tế là rất thấp.

Mô thức này có hai nguồn gốc. Trajectory Transformer và Decision Transformer là những cái tên đi đầu trong việc tái định hình nhiệm vụ điều khiển thành bài toán dự đoán chuỗi token, thống nhất trạng thái, hành động và phần thưởng vào một chuỗi duy nhất. Theo hướng World model, IRIS sử dụng VQ-VAE để chuyển đổi từng frame thành các token rời rạc, dự đoán autoregressive token của frame tiếp theo và huấn luyện policy hoàn toàn trong không gian tưởng tượng; chỉ cần khoảng hai giờ kinh nghiệm là đã đạt hiệu suất vượt tầm con người trên nhiều game Atari. ‑IRIS chỉ thực hiện tokenization cho những biến đổi giữa các frame, giúp tốc độ tăng thêm một bậc độ lớn. TWM đưa trạng thái, hành động, phần thưởng dưới dạng các token độc lập vào Transformer-XL để thu nhận memory tầm xa; STORM kết hợp categorical latent kiểu DreamerV2 với backbone GPT, sau vài giờ huấn luyện trên một GPU duy nhất đã đạt kỷ lục điểm số Atari 100k mới trong số các phương pháp không dùng nhìn trước. TransDreamer là cầu nối rõ ràng giữa nhóm RSSM và hướng đi này, thay thế lõi tuần hoàn của Dreamer bằng cơ chế attention.

Hai nhóm thí nghiệm đã phân định rõ nhóm này rốt cuộc đã học được những gì. Othello-GPT là bằng chứng thực nghiệm được trích dẫn nhiều nhất, chứng minh rằng chỉ cần dựa vào dự đoán next-token là World model đã có thể xuất hiện: Transformer chỉ được huấn luyện để dự đoán các nước cờ hợp lệ của cờ Othello, chưa từng được cung cấp luật chơi hay hình ảnh bàn cờ, nhưng bên trong model lại nảy sinh biểu diễn trạng thái bàn cờ; các probe có thể đọc được trạng thái này, và quan trọng hơn, khi can thiệp chỉnh sửa biểu diễn nội tại đó, các dự đoán nước cờ tiếp theo sẽ thay đổi y như thể bàn cờ thực sự bị biến đổi. Điều này chứng minh rằng bản thân hành vi dự đoán có thể thúc đẩy sự xuất hiện của cấu trúc nội tại.

Kết hợp với nghiên cứu của Vafa và cộng sự: model dự đoán quỹ đạo gần như hoàn hảo, nhưng lại không tái hiện được cơ chế cơ học bên dưới; hai nhóm nghiên cứu này cùng nhau tạo nên bối cảnh tranh luận của lĩnh vực này: dự đoán next-token đôi khi có thể tái hiện cấu trúc tầng dưới tạo ra thế giới, nhưng chúng ta vẫn chưa thể xác định rõ khi nào điều đó sẽ xảy ra.

Ở góc độ kỹ thuật, độ chi tiết của tokenization đã tự trở thành một đề tài nghiên cứu. DeltaTok đẩy ý tưởng này lên mức cực hạn: phần lớn nội dung của các frame video liên tiếp hoàn toàn không thay đổi, vì thế không còn mã hóa từng frame thành một lưới patch token nữa, mà chỉ mã hóa phần chênh lệch đặc trưng foundation-model của video giữa hai frame, xuất ra một "delta token" liên tục duy nhất. Video được tinh giản từ một lưới token không-thời gian thành mỗi frame một token; so với lưới đặc trưng từng patch ở độ phân giải..., chi phí sức mạnh tính toán giảm rõ rệt. Model DeltaWorld với lượng tham số... được xây dựng dựa trên nó, so với World model tạo sinh quy mô Cosmos, đã giảm chi phí FLOPs khoảng... Hệ thống này chỉ lấy các frame lịch sử và truy vấn nhiễu làm điều kiện, thuộc loại bộ dự đoán thụ động chứ không phải World model có action-conditioning. Chúng tôi giới thiệu nó nhằm làm rõ rằng một phần lớn sức mạnh tính toán của nhóm này bị tiêu hao vào việc mã hóa lại các nội dung không thay đổi; khi số lượng token trên mỗi frame giảm đi, context window cố định có thể hồi tưởng được lịch sử dài hơn, biến việc lựa chọn nén trực tiếp thành một cơ chế memory.

Đóng góp quan trọng nhất của nhóm này chính là unsupervised controllability. Google DeepMind Genie được huấn luyện trên khoảng 30.000 giờ video game không gán nhãn từ internet, không cần nhãn hành động mà vẫn học được một tập hợp latent actions rời rạc, cho phép người dùng có thể "nhấn phím tương tác" trong thế giới được tạo ra từ bất kỳ hình ảnh nào. Phương án token này cũng có thể mở rộng sang các lĩnh vực thực tế: Wayve GAIA‑1 thực hiện tokenization cho video lái xe, dự đoán token tiếp theo tương tự như LLM; Microsoft WHAM đồng thời tokenization cả các khung hình lẫn input từ bộ điều khiển. Các engine token real‑time mã nguồn mở như MineWorld đã chứng minh rằng, trong tác vụ World model tương tác, nhờ vào parallel decoding, nó hoàn toàn có thể cạnh tranh sòng phẳng với các diffusion model. Bảng IV tổng kết nhóm này.

Ưu điểm của nó là khả năng mở rộng (scalable), tương thích tự nhiên với toolchain của LLM; nhược điểm cố hữu đến từ việc quantization làm mất đi các chi tiết thị giác tinh tế, và đây chính là điểm nghẽn mà nhóm diffusion cần giải quyết.

Bảng IV: Các World model autoregressive‑token / Transformer. Genie được liệt kê ở đây và sẽ tiếp tục được thảo luận trong phần V‑D về lĩnh vực game; GAIA‑1 và WHAM sử dụng cùng cơ chế, được đưa vào Bảng IX và X về lĩnh vực ứng dụng. UniZero là biến thể tiềm ẩn dựa trên Transformer của MuZero, được thảo luận trong nhóm value‑equivalent ở phần IV‑B, bảng này liệt kê các thông tin cốt lõi.

D. Các World model diffusion và generative‑frame

Nhóm token nén thế giới thành các mã rời rạc; còn nhóm diffusion render từng pixel khung hình tương lai thông qua quá trình khử nhiễu lặp, với điều kiện đầu vào là các khung hình lịch sử và hành động của agent. Những model này có thể đóng vai trò như các neural game engine đạt độ chân thực photorealistic: không cần viết code game thủ công, mà mạng nơ-ron sẽ tự tạo ra từng khung hình. Khả năng tương tác dựa vào action‑conditioning kết hợp với autoregressive rollout: mỗi khi tạo ra một khung hình, nó sẽ được phản hồi ngược lại làm context cho khung hình tiếp theo.

Góc nhìn trực quan : Giống như một nghệ sĩ đã xem hàng chục nghìn giờ chơi game, không dựa vào quy tắc lập trình nào, mỗi khi bạn di chuyển hoặc nổ súng, họ sẽ vẽ từng khung hình tiếp theo nên xuất hiện. Khó khăn lớn nhất của hướng đi này là drift: những sai số nhỏ ở mỗi khung hình sẽ tích tụ qua các rollout dài, khiến hình ảnh thế giới dần bị biến dạng hoặc "quên" mất các vật thể ngoài khung hình. Rất nhiều công trình nghiên cứu theo hướng này tập trung vào việc triệt tiêu drift.

Có hai nhánh phát triển phụ. Hướng tới mục tiêu điều khiển, diffusion tạo ra đồng thời nhiều quỹ đạo hoàn chỉnh trong một lần, tránh sai số tích lũy do rollout từng bước gây ra. Diffuser và Decision Diffuser tiên phong trong việc lập kế hoạch diffusion ở cấp độ quỹ đạo; DWM dự đoán trọn vẹn nhiều bước tương lai cùng lúc, giúp cải thiện hiệu năng khoảng trên các tác vụ offline RL so với model đơn bước; PolyGRAD sử dụng gradient phân phối hành động của policy để định hướng khử nhiễu, tạo ra toàn bộ quỹ đạo on‑policy trong một lần, giúp các trạng thái và hành động tổng hợp duy trì sự phù hợp với phân phối của policy; DIAMOND huấn luyện trực tiếp diffusion World model trong không gian pixel để dự đoán khung hình, chứng minh rằng các chi tiết thị giác bị model token bỏ qua có vai trò tối quan trọng đối với việc điều khiển; nó đạt điểm HNS trung bình kỷ lục mới trên benchmark Atari 100k theo paradigm huấn luyện World model, đồng thời có thể hoạt động như một engine CS:GO có thể chơi được.

Hướng tới mục tiêu tạo sinh tương tác, đích đến là xây dựng các simulator có thể chơi được. GameNGen là một cột mốc: diffusion model được cải tiến từ Stable Diffusion, chạy mô phỏng game DOOM trên một TPU đơn lẻ; độ chính xác của con người khi phân biệt game thật và phim ngắn được tạo ra chỉ tiệm cận mức ngẫu nhiên; kỹ thuật then chốt của nó là thực hiện noise augmentation trên các khung hình context trong giai đoạn huấn luyện, dạy cho model tự sửa lỗi drift của chính mình. Oasis mang diffusion model Minecraft có thể chơi được đến với đông đảo người dùng trên trình duyệt, sử dụng Diffusion Transformer kết hợp với kỹ thuật huấn luyện Diffusion Forcing. Kỹ thuật này thiết lập mức nhiễu độc lập cho từng khung hình, hợp nhất autoregressive rollout và diffusion toàn chuỗi vào cùng một model, giải quyết trực tiếp độ ổn định của rollout dài. Matrix xử lý việc tạo chuỗi với horizon vô hạn, sử dụng phương án sliding‑window denoising để tạo ra các video có thể mở rộng vô hạn và kiểm soát được trong cả game lẫn các bối cảnh thế giới thực. GameGen‑X có thể tạo và điều khiển video game open-domain trên hơn 150 tựa game. Genie 2 và Genie 3 là các foundation World model tương tác chủ lực của Google DeepMind; Genie 3 có thể duy trì thế giới điều hướng được ở độ phân giải (720,\text{p}), giữ vững tính nhất quán của khung hình trong thời lượng nhiều phút.

Hai hướng nghiên cứu sâu hơn giúp giải quyết các failure mode vốn làm hạn chế tương tác dài. Để chống lại hiện tượng lãng quên, WorldMem trang bị cho diffusion World model một memory bank khung hình lịch sử tường minh, đánh chỉ mục dựa trên camera pose và mốc thời gian, tận dụng memory‑attention mechanism để thực hiện truy xuất; khi góc nhìn chuyển đi rồi quay trở lại, cảnh quan vẫn duy trì được tính nhất quán. Để khắc phục sự bất nhất quán về hình học, Geometry Forcing căn chỉnh biểu diễn nội bộ của diffusion model với các đặc trưng của foundation model hình học (mạng được pre-train để khôi phục cấu trúc 3D từ ảnh thông thường), mang lại cho bộ tạo sinh cấu trúc nội bộ có khả năng nhận thức 3D, cải thiện đáng kể chất lượng thị giác và tính nhất quán 3D khi chuyển động camera và có action‑conditioning.

Nằm sâu dưới tất cả những điều này là một vấn đề ở cấp độ huấn luyện, có thể giải thích hiện tượng drift chính xác hơn khái niệm "tích lũy sai số": khi huấn luyện, model dự đoán khung hình tiếp theo từ các khung hình lịch sử chân thực; nhưng trong giai đoạn suy luận tạo sinh, nó lại phải tiếp tục dự đoán từ chính những khung hình do nó tạo ra vốn đã có sai số nhỏ; nó chưa từng được luyện tập trên các mẫu lỗi do chính mình sinh ra. Sự lệch pha này được gọi là exposure bias . Self Forcing trực tiếp giải quyết vấn đề này: ngay từ giai đoạn huấn luyện, nó đã cho model thực hiện rollout trên chính các mẫu do nó tạo ra, đồng thời dựa vào bộ nhớ đệm để giảm bớt chi phí tính toán. Trong điều kiện model, độ phân giải, trên phần cứng một GPU H100 duy nhất, từ mức, độ trễ ban đầu đã được nâng lên, độ trễ, trong khi điểm VBench vẫn giữ nguyên. Self Forcing hướng đến text‑to‑video, không nhận đầu vào là hành động nên bản thân nó không thuộc World model; chúng tôi giới thiệu nó vì đây là kỹ thuật then chốt đằng sau các hệ thống real‑time có action‑conditioning sau này, đồng thời xác định exposure bias chính là căn nguyên của drift. Nhìn nhận lại, cả noise augmentation của GameNGen lẫn mức nhiễu từng khung hình của Diffusion Forcing đều đang giải quyết một phần sự lệch pha tương tự này.

Matrix‑Game 3.0 kết hợp hiểu biết sâu sắc này với cơ chế memory để đạt SOTA kép về tốc độ và tính nhất quán lâu dài: model đạt độ phân giải (720,\text{p}) cao nhất, các chuỗi dài hàng phút duy trì được memory consistency; sử dụng residual prediction, cố tình tiêm lại các khung hình tạo sinh không hoàn hảo trong lúc huấn luyện, đồng thời kết hợp với camera‑aware retrieval. RELIC đặt ra bộ ba yêu cầu bắt buộc phải thỏa mãn đồng thời: real‑time long‑horizon streaming, consistent spatial memory, và precise controllability; trực tiếp xem attention context là memory: thông tin lịch sử được nén thành các token spatially downsampled, mỗi token được gắn nhãn hành động tương đối và camera pose tuyệt đối, lưu trữ trong KV cache; khi người xem quay lại vị trí đã từng đi qua, attention mechanism có thể truy xuất ngầm nội dung tương ứng; model chạy trên phần cứng bốn GPU H100, ở độ phân giải đạt được, hỗ trợ rollout tối đa giây.

Bảng V tổng kết nhóm này. Ưu điểm là độ trung thực thị giác vô song cùng khả năng chơi được; nhược điểm là drift, chi phí tính toán cho real‑time inference khổng lồ, và hình ảnh đẹp mắt không đồng nghĩa với việc hình ảnh tuân thủ các quy luật vật lý (Phần IV‑F).

Bảng V: Các World model diffusion và generative‑frame. Nửa trên hướng tới điều khiển/RL (dự đoán quỹ đạo, hoặc huấn luyện agent trong không gian tưởng tượng); nửa dưới hướng tới tạo sinh tương tác (neural game engine), cùng các kỹ thuật huấn luyện hỗ trợ nó. FPS là giá trị được bài báo công bố trên phần cứng chỉ định.

E. JEPA và joint‑embedding predictive architectures

Nhóm diffusion và nhóm token đều dự đoán tương lai trong không gian pixel hoặc pixel token. Nhóm JEPA do LeCun đề xuất cho rằng bản thân mục tiêu dự đoán này là sai lầm: các quan sát nhiều chiều chứa lượng lớn chi tiết không liên quan và về bản chất là không thể dự đoán; một World model tốt nên dự đoán các biểu diễn trừu tượng của tương lai chứ không phải pixel. Joint‑embedding predictive architectures sử dụng hai bộ encoder để xử lý riêng biệt đầu vào và các quan sát tương lai/đã qua xử lý che; huấn luyện predictor sao cho đầu ra của predictor khớp với đầu ra của target encoder trong không gian đặc trưng, hoàn toàn không sử dụng pixel decoder .

Góc nhìn trực quan : Bạn không thể dự đoán vị trí chính xác của từng chiếc lá trong gió, nhưng bạn có thể dự đoán "xe phía trước sắp giảm tốc độ". JEPA học cách dự đoán ý nghĩa của sự kiện tiếp theo thay vì diện mạo hình ảnh của nó, giống như một kỳ thủ suy tính thế trận chiến lược trên bàn cờ trong đầu, chứ không phải chi tiết vân gỗ của quân cờ. Rủi ro chính của kỹ thuật này là collapse: model đi đường tắt, ánh xạ gần như toàn bộ đầu vào về cùng một vector, khiến việc dự đoán trở nên dễ dàng nhưng hoàn toàn vô dụng; giải pháp là dựa vào asymmetric target encoder và regularization được tinh chỉnh cẩn thận để tránh vấn đề này.

I‑JEPA là hiện thực hóa cụ thể đầu tiên: dự đoán biểu diễn đặc trưng của các vùng bị che từ phần nhìn thấy được của hình ảnh; vượt trội hơn các phương pháp tái tạo pixel trên các tác vụ ngữ nghĩa, đồng thời hiệu quả tính toán cao hơn. V‑JEPA mở rộng tư duy này sang video, thực hiện masked spatio‑temporal feature prediction để học chuyển động và diện mạo, đạt hiệu quả cao hơn hẳn so với các model tạo video cấp pixel. V‑JEPA 2 mở rộng quy mô lên cấp độ hàng tỷ tham số, dữ liệu huấn luyện vượt quá một triệu giờ video từ internet, mang lại một model hiểu video đa năng; biến thể quan trọng nhất là V‑JEPA 2‑AC, được post‑training trên chưa đầy 62 giờ video robot không gán nhãn để thu được một World model tiềm ẩn có action‑conditioning, hiện thực hóa khả năng lập kế hoạch robot zero‑shot: khi được cung cấp một ảnh mục tiêu, nó sẽ rollout các hành động ứng viên trong không gian tiềm ẩn, chấm điểm để chọn ra kết quả tưởng tượng khớp nhất với biểu diễn tiềm ẩn mục tiêu, rồi thực thi hành động tương ứng. Đã được triển khai thử nghiệm trên robot Franka ở hai phòng thí nghiệm khác nhau mà không cần dữ liệu chuyên biệt của môi trường, không cần tín hiệu phần thưởng. Đây là một World‑Action Model tự giám sát mang tính chuẩn mực.

Trong giai đoạn 2025‑2026, sự phát triển của nhóm này đã chuyển từ các mẹo thực nghiệm sang nền tảng lý thuyết. LeJEPA loại bỏ các mẹo ngăn chặn collapse trước đây (stop‑gradients, teacher‑student asymmetry, hand‑tuned schedules) để chuyển sang một mục tiêu mang tính nguyên tắc. Nó suy ngược từ mục tiêu của tác vụ downstream: nếu mục đích của embedding là hỗ trợ dự đoán downstream, thì có thể suy ra phân phối embedding giúp tối thiểu hóa rủi ro downstream chính là isotropic Gaussian distribution. SIGReg đẩy embedding về phân phối này với chi phí thấp: thay vì so sánh toàn bộ đám mây phân phối đa chiều, nó chiếu embedding lên một lượng lớn các đường thẳng ngẫu nhiên một chiều, so sánh từng hình chiếu với hình chiếu của Gaussian distribution; chỉ tiêu tốn thời gian và bộ nhớ tuyến tính. Kết quả là chỉ cần giữ lại duy nhất một siêu tham số đánh đổi, mã nguồn chỉ khoảng 50 dòng; được kiểm chứng trên hơn mười dataset và hơn 60 kiến trúc; sử dụng ViT‑H/14 lớn pre‑train trên ImageNet1k, độ chính xác linear probe đạt được (đóng băng encoder, chỉ huấn luyện một linear classifier đơn giản, điểm số này đo lường chất lượng biểu diễn chứ không phải huấn luyện thêm).

Góc nhìn trực quan : Collapse là hiện tượng encoder ánh xạ gần như tất cả đầu vào về cùng một vector, khiến tác vụ dự đoán trở nên dễ dàng nhưng đầu ra hoàn toàn mất đi giá trị. JEPA thời kỳ đầu dựa vào các cơ chế asymmetry vốn có hiệu quả nhưng chưa giải thích được trọn vẹn để tránh collapse. LeJEPA trực tiếp quy định hình dạng mà phân phối embedding nên có (Gaussian distribution dạng cầu), rồi sử dụng trực tiếp regularization để đẩy biểu diễn về phân phối đó.

Kéo theo đó là hai bước tiến nhanh chóng. LeWM chứng minh rằng lý thuyết này có thể giúp model không còn phụ thuộc vào foundation encoder đã pre‑train: chỉ cần dựa vào dự đoán next‑embedding kết hợp với SIGReg là có thể huấn luyện end‑to‑end ổn định từ các pixel nguyên bản; trong khi trước đây DINO‑WM buộc phải đóng băng encoder pre‑train. Lượng tham số chỉ vào khoảng, huấn luyện hoàn tất trong vài giờ trên một GPU đơn lẻ; tốc độ lập kế hoạch nhanh hơn tới so với các World model dựa trên foundation model, đồng thời duy trì khả năng cạnh tranh trên các tác vụ điều khiển 2D và 3D, định hình lại sự đánh đổi giữa hiệu quả và quy mô.

Đồng thời, nhóm tác giả Klindt và cộng sự đã cung cấp bảo đảm lý thuyết về identifiability vốn còn thiếu trong mô thức JEPA. Identifiability đặt ra câu hỏi sâu sắc hơn hẳn so với việc "dự đoán có chuẩn xác hay không": model dự đoán tốt thì có đồng nghĩa với việc nó đã khôi phục lại các biến tiềm ẩn thực sự của thế giới thực (cho phép đổi tên vô hại) hay không? Họ chứng minh rằng, đối với một lớp thế giới rộng lớn thỏa mãn điều kiện các biến tiềm ẩn độc lập với nhau và tiến hóa theo các stationary transition có additive noise, chỉ cần thỏa mãn điều kiện alignment kết hợp với Gaussian regularization thì có thể khôi phục tuyến tính các biến tiềm ẩn của thế giới từ các quan sát phi tuyến; và Gaussian distribution là phân phối biến tiềm ẩn duy nhất thỏa mãn bảo đảm này. Định lý này có hai giả định cần lưu ý: các transition mang tính dừng và có additive noise; các quan sát là quan sát thụ động. Cần chú ý rằng định lý này chỉ chứng minh được sự phục hồi biểu diễn, chứ không phải động lực học có action‑conditioning; nhóm tác giả Zhang và cộng sự đã mở rộng kết luận này sang World model có action‑conditioning, đưa ra các điều kiện kết hợp để World model có kiểm soát khôi phục trạng thái tiềm ẩn và động lực học, đồng thời định lượng counterfactual prediction error: khi hành động không kích thích đủ nhiều hướng độc lập trong không gian trạng thái, thì dù có thu thập bao nhiêu dữ liệu đi nữa, nếu robot chỉ đẩy sang trái, nó cũng không thể học được điều gì sẽ xảy ra nếu đẩy lên trên. Điểm này đặc biệt then chốt đối với World‑Action Model: một model dự đoán rất tốt về tương lai được quan sát thụ động nhưng vẫn không thể học được cách hành động làm thay đổi môi trường ra sao.

Còn có một nhóm công trình liên quan xây dựng World model bên trên các đặc trưng pre‑train được đóng băng. DINO‑WM học trực tiếp động lực học có action‑conditioning trên các đặc trưng patch DINOv2 đóng băng, thực hiện lập kế hoạch zero‑shot xuất phát từ hình ảnh mục tiêu trong sáu môi trường. HWM giải quyết giới hạn về horizon của việc lập kế hoạch tiềm ẩn đơn tầng bằng cách xếp chồng hai bộ World model với thang thời gian khác nhau; đầu ra dự đoán của model horizon dài đóng vai trò là mục tiêu phụ tiềm ẩn cho model horizon ngắn; trong tác vụ gắp đặt thực tế với robot Franka, tỷ lệ thành công của lập kế hoạch đơn cấp là , trong khi giải pháp phân tầng đạt tới ; với các tác vụ thao tác đẩy mô phỏng và điều hướng mê cung, chi phí tính toán lập kế hoạch giảm tối đa . C‑JEPA thay đổi đối tượng che: không còn che các patch hình ảnh, mà che trạng thái tiềm ẩn của vật thể trong cửa sổ lịch sử, chỉ giữ lại bước thời gian đầu tiên làm identity anchor; model buộc phải suy luận trạng thái của vật thể bị che từ hành vi của các vật thể khác, gần như ép buộc model phải học sự tương tác giữa các vật thể thay vì chỉ đơn thuần học diện mạo bên ngoài. Trên tác vụ counterfactual visual reasoning, so với kiến trúc tương đương, nó đạt mức cải thiện tuyệt đối khoảng ; trên tác vụ Push‑T, hiệu năng tiệm cận với DINO‑WM dựa trên patch (so với ), nhưng chỉ sử dụng khoảng đặc trưng tiềm ẩn, tốc độ lập kế hoạch tăng . PLDM huấn luyện model động lực học tiềm ẩn không cần reconstruction trên dữ liệu offline cận tối ưu và reward‑free, chứng minh rằng nó khái quát hóa tốt hơn trên các cảnh chưa từng thấy so với model‑free RL. Để đối chiếu, Navigation World Models (NWM) cố tình lựa chọn tạo sinh cấp pixel (diffusion), dựa vào việc tạo ra các quan sát tương lai để lập kế hoạch, làm nổi bật sự khác biệt rõ nét giữa mục tiêu cấp pixel và mục tiêu cấp biểu diễn. Bảng VI tổng kết nhóm này.

Ưu điểm: hiệu quả cao, biểu diễn có thể chuyển giao, tương thích tự nhiên với việc lập kế hoạch; vấn đề mở còn tồn tại: liệu việc loại bỏ thông tin diện mạo có vô tình đánh mất thông tin cần thiết cho tác vụ downstream hay không. Đây chính là canh bạc của nhóm cuối cùng, đẩy tạo sinh pixel lên quy mô tối đa.

F. Các video‑generation foundation model đóng vai trò là simulator

Quan điểm nhận được nhiều sự chú ý và thảo luận nhất trong lĩnh vực thời gian gần đây: nếu cung cấp cho bộ tạo video đủ nhiều dữ liệu và quy mô model đủ lớn, nó sẽ tự động học được quy luật vận hành của thế giới và mặc nhiên có được một "World simulator" tổng quát. OpenAI Sora chính là đại diện tiêu biểu cho quan điểm này: một diffusion Transformer thực hiện khử nhiễu trên các spacetime‑patch trong không gian tiềm ẩn của video; mà không cần lập trình thủ công các quy tắc vật lý, model vẫn tự xuất hiện các năng lực về 3D consistency và tính bất biến của vật thể (object permanence). Tiêu đề báo cáo kỹ thuật của OpenAI chính là: Video generation models as world simulators . Hàng loạt model quy mô lớn đã nhanh chóng bám đuổi theo sau, phần lớn được quảng bá là World model: Google Veo2/3 (Veo3 bổ sung native synchronized audio); NVIDIA Cosmos - nền tảng "world foundation models" mã nguồn mở hướng tới AI vật lý; VideoPoet tự hồi quy của Google; Wan mã nguồn mở của Alibaba; Kling; WorldDreamer; Runway GWM‑1, đánh dấu việc các công ty tạo video chuyển hướng sang World model tương tác có action‑conditioning. MAGI‑1 và LWM với context dài hướng tới nhánh long‑horizon dạng streaming mà loại simulator này yêu cầu.

Phần lớn hệ sinh thái này được xây dựng trên Stable Video Diffusion - model diffusion video tiềm ẩn mã nguồn mở, xác lập ba giai đoạn paradigm phổ biến hiện nay: text‑to‑image pre-training, pre-train video trên tập dữ liệu video tuyển chọn, và fine‑tuning với video chất lượng cao; model này cũng chứng minh rằng chất lượng của video model phụ thuộc rất lớn vào khâu lọc dữ liệu: tập dữ liệu video lớn ban đầu có các cặp đoạn trích có chú thích, sau khi lọc chỉ còn lại mẫu huấn luyện. Nhiều World model lái xe và game đều được fine‑tuning phát triển từ model này.

Ranh giới nghiên cứu của năm 2026 tiếp tục tiến triển theo hai hướng. Seedance 2.0 là một bộ model tạo âm thanh và video gốc (native) thống nhất, tiếp nhận bốn loại đầu vào text, image, audio, video với nhiều multi‑reference conditioning; đầu ra, , thời lượng 4‑15 giây, phụ đề là “Advancing Video Generation for World Complexity”, chỉ rõ mục tiêu World‑modeling. Google Gemini Omni là một bộ model đa phương thức (multimodal) gốc, tiếp nhận đầu vào text, image, audio, video và xuất ra video; đặc điểm mang tính biểu tượng của nó là conversational statefulness: mỗi chỉ dẫn đều được xây dựng trên cơ sở của lượt trước, đồng thời duy trì tính nhất quán của cảnh; điều này biến việc tạo nội dung thành một editing loop tương tác, một lộ trình tương tác hoàn toàn khác biệt so với action‑conditioning, cho phép người dùng dùng ngôn ngữ để thao tác trạng thái của World model.

Hai đợt phát hành trong giai đoạn 2025‑2026 đã định hình lại quan điểm này. Sora 2 được định vị rõ ràng là một bước tiến từ bộ tạo video hướng tới World simulator. OpenAI báo cáo rằng khả năng xử lý buoyancy, rigidity, contact outcomes của nó đã được cải thiện rõ rệt, đồng thời tạo kết hợp cả synchronized audio. Thế giới thực vốn có âm thanh, do đó về mặt lý thuyết bộ mô phỏng cũng nên sở hữu năng lực âm thanh. Cosmos 3 còn tiến xa hơn một bước, bài viết này nhìn nhận nó là một model đa phương thức (multimodal) thống nhất thực sự, bao quát đồng thời language, image, video, audio, action, có thể được cấu hình cho nhiều vai trò khác nhau, trong đó bao gồm cả World‑Action policy.

G. Sự dung hợp và hội tụ giữa các họ model

Sáu họ lớn vốn thuộc về phân loại lý tưởng, các hệ thống mới nhất ngày càng dung hợp tư tưởng giữa các họ khác nhau. STORM và TransDreamer hiện thực hóa sự dung hợp giữa họ RSSM và họ token, nhúng categorical latent vào bên trong Transformer. TD‑MPC kết nối họ RSSM với họ value‑equivalent, áp dụng latent không chứa decoder và được huấn luyện hướng giá trị (value-oriented). Dreamer 4 dung hợp RSSM với diffusion, sử dụng Transformer world model áp dụng các mục tiêu theo phong cách diffusion. Diffusion Forcing kết nối mô thức tạo autoregressive và diffusion. Nền tảng Cosmos tích hợp đồng thời cả diffusion lẫn các autoregressive world‑foundation models.

Xu hướng dung hợp này cho thấy không nên coi sáu họ lớn là các phe phái cạnh tranh lẫn nhau, mà nên xem chúng là các điểm lựa chọn khác nhau trong không gian thiết kế. Không gian thiết kế này được định nghĩa chung bởi mục tiêu dự đoán (pixels, tokens, latents, value), cơ chế tạo (recurrence, autoregression, denoising, feature prediction), cũng như việc model có hỗ trợ tương tác hay không, có sở hữu action‑conditioning hay không.

Sau khi nắm vững các phương pháp mô hình hóa, phần tiếp theo sẽ giới thiệu cách chúng được triển khai trong các lĩnh vực ứng dụng khác nhau.

V. Lĩnh vực ứng dụng

Cùng sáu phương pháp mô hình hóa nhưng khi được triển khai trên sáu lĩnh vực lớn lại có hình thái hiện thực hóa chênh lệch rất lớn. Mục này sẽ tổng hợp lĩnh vực này từ góc độ ứng dụng, tập trung làm rõ các yêu cầu mà từng lĩnh vực đặt ra cho world model, cũng như việc mục đích nào trong số ba loại công dụng của world model được đề cập ở mục II‑C (planning, learning‑in‑imagination, data‑generation) đang chiếm vị thế chủ đạo.

A. RL và điều khiển

World model được khai sinh từ đây, và hiệu quả mẫu (sample efficiency) là chỉ số đánh giá cốt lõi. Trong kịch bản này, chất lượng model được đánh giá gián tiếp: với ngân sách dữ liệu cố định, người ta đánh giá hiệu năng của policy được huấn luyện bên trong model (mục VII‑A). Công dụng chủ đạo là learning‑in‑imagination (Dreamer, IRIS, DIAMOND) và planning (MuZero, TD‑MPC).

Các mục từ IV‑A đến IV‑D đã giới thiệu những hệ thống này ở cấp độ cơ chế, nên sẽ không lặp lại ở đây. Kết luận cốt lõi: trên các benchmark kinh điển như Atari (100,\text{k}) hay DMControl, các thành tựu tiên phong nằm rải rác giữa các model latent‑recurrent (DreamerV3), value‑equivalent (EfficientZero V2), token (STORM), và diffusion (DIAMOND). Không có phương pháp nào chiếm ưu thế tuyệt đối; giải pháp tối ưu phụ thuộc vào việc nút thắt hiệu năng bắt nguồn từ chi tiết thị giác, tính ngẫu nhiên rời rạc hay long‑horizon memory.

B. Robot học và World‑Action Model

Lĩnh vực robot là mảnh đất sôi động nhất cho quá trình chuyển đổi từ world model thông thường sang world‑action model, do phải chịu sự ràng buộc khắc nghiệt của thực tế: việc thu thập dữ liệu robot thực tế diễn ra chậm chạp và vô cùng tốn kém. World model có thể phát huy trọn vẹn cả ba loại vai trò: lập kế hoạch cho các chuyển động ứng viên, tạo dữ liệu huấn luyện tổng hợp (synthetic data), và huấn luyện policy trong không gian tưởng tượng. Một mô thức chủ lưu đã được hình thành: dự đoán tương lai video tương ứng với nhiệm vụ, sau đó thực thi action hướng tới tương lai được tưởng tượng ra đó.

Hiểu một cách trực quan : Nói cho robot biết cần hoàn thành một nhiệm vụ nào đó; trước tiên robot sẽ “mơ mộng giữa ban ngày” dựa trên góc nhìn hiện tại, tưởng tượng một đoạn video ngắn về việc bản thân hoàn thành nhiệm vụ đó; sau đó giải các lệnh động cơ sao cho thực tế khớp nhất có thể với đoạn video tưởng tượng. Video đóng vai trò là một giao diện phổ quát, còn language có khả năng kết hợp, vì vậy bạn chỉ cần một lượng nhỏ dữ liệu robot mới là có thể khái quát hóa (generalize) sang các vật thể mới, chỉ dẫn mới.

Mô thức video‑plan bắt nguồn từ UniPi: sử dụng text‑conditioned diffusion model để tạo task video, sau đó trích xuất action thông qua inverse‑dynamics model; inverse‑dynamics model có thể suy ngược action cần thực hiện để chuyển tiếp từ khung hình thứ nhất sang khung hình thứ hai dựa trên hai khung hình liên tiếp (mục VI‑B). Video Language Planning nhờ vào tree search để mở rộng mô thức này sang long‑horizon; VLM đề xuất và chấm điểm các bước phụ tiếp theo, còn video model dự đoán khung hình tương ứng với từng bước. AVDC không cần action label, dựa vào việc khôi phục action từ các mối quan hệ tương ứng optical‑flow dày đặc bên trong video được tạo. SuSIE áp dụng image‑editing có chi phí thấp hơn để tạo subgoal images thay vì tạo toàn bộ video. VideoAgent khép kín vòng lặp hoàn chỉnh, dựa vào phản hồi của VLM để sửa các hallucinated plans, tự lặp lại (self-iterate) dựa trên dữ liệu đã thực thi, giải quyết trực tiếp vấn đề hallucination. RoboDreamer trao cho video model năng lực mang tính kết hợp (compositional), tưởng tượng ra các tổ hợp vật thể - action chưa từng thấy trước đây. GR‑1 và GR‑2 được tiền huấn luyện trên các tác vụ video‑prediction quy mô lớn (GR‑2 sử dụng internet clips), sau khi fine-tune sẽ đồng thời dự đoán future frames và actions. Cả hai thuộc về các generative video‑language‑action models thời kỳ đầu; GR‑2 báo cáo tỷ lệ thành công trung bình trên hơn 100 nhiệm vụ là khoảng . iVideoGPT dựa vào compressive tokenization, giúp interactive video prediction đạt hiệu quả đủ cao cho model‑based RL.

Hướng nghiên cứu thứ hai tập trung vào việc thống nhất world‑action models với robot foundation world models. UniSim của Berkeley/Google là simulator tương tác thế giới thực đa năng có action‑conditioned; policy được huấn luyện hoàn toàn bên trong simulator này có thể zero‑shot transfer sang robot thực tế. WorldVLA tích hợp VLA policy và video world model vào cùng một autoregressive transformer, chứng minh rằng việc cùng mô hình hóa dynamics lẫn actions mang lại hiệu quả vượt trội hơn so với việc sử dụng riêng lẻ từng phần. Unified World Models (UWM) ghép nối video diffusion và action diffusion vào các timestep khác nhau; cùng một mạng có thể đóng vai trò là policy, forward model, inverse model, generator, đồng thời có khả năng hấp thụ action‑free video. WHALE nhắm vào hai căn bệnh kinh niên của world model: hiệu năng tổng quát hóa kém trong điều kiện distribution shift và các ước lượng độ bất định (uncertainty estimates) không đáng tin cậy; mô hình này hiện thực hóa điều đó bằng behavior conditioning và uncertainty estimation chi phí thấp. DreamGen tập trung chủ yếu vào mục đích data generation: fine-tune video world model trên robot, tưởng tượng ra các photorealistic videos về nhiệm vụ mới và khôi phục pseudo‑actions từ đó. Downstream policy (chẳng hạn như VLA foundation model mã nguồn mở đa thể thức/cross-embodiment) sẽ hoàn thành việc huấn luyện trên các “neural trajectories” này.

V‑JEPA 2‑AC là self‑supervised world‑action model chuẩn mực, dựa vào latent‑space planning để hoàn thành zero‑shot manipulation trên robot Franka. Cosmos Policy không cần tạo future video mà có thể trực tiếp xuất ra các action chunks, thông qua tối ưu hóa suy luận (inference optimization) đã giảm latency từ xuống còn . PointWorld thay đổi không gian dự đoán thay vì kiến trúc, dự đoán per‑pixel 3D displacements (point flows) dựa trên đầu vào RGBD, giúp state và action dùng chung một không gian 3D; được huấn luyện trên khoảng trajectories, 500 giờ dữ liệu, thời gian suy luận cho mỗi bước trong MPC tốn . WestWorld loại bỏ hoàn toàn video, mô hình hóa low‑level state‑action trajectories trên các robot dị thể; áp dụng Sys‑MoE, tức mạng Mixture of Experts nhận biết hệ thống (system-aware Mixture of Experts), trong đó router phân bổ đầu vào cho một số ít mạng con chuyên gia, không để toàn bộ tham số phải xử lý từng đầu vào; đồng thời đưa cấu trúc vật lý của robot vào trajectory tokens dưới dạng morphological embedding. Mô hình hoàn thành tiền huấn luyện trong 89 môi trường, giải quyết vấn đề cross‑embodiment mà phần lớn hệ thống video‑based né tránh. Hai công trình khác mở rộng ranh giới phương thức (modality): TACO xây dựng visuo‑tactile world model, dùng nó như một self‑correcting data engine, tưởng tượng visuo‑tactile futures để gán nhãn lại corrective actions; trên các tác vụ tiếp xúc dày đặc (contact-rich), mô hình mang lại mức tăng tuyệt đối so với base policy, chứng minh trực tiếp rằng world model không nhất thiết phải lấy thị giác làm trọng tâm. LPWM tái kích hoạt mô hình hóa object‑centric ở quy mô thế giới thực, không cần giám sát vẫn có thể phát hiện keypoints, boxes, masks từ video, dựa vào latent‑action module để mô hình hóa stochastic particle dynamics.

Về mặt công cụ, hai tiến triển cũng quan trọng không kém gì bản thân model. GE‑Sim 2.0 mở rộng Genie Envisioner thành một neural simulator hướng tới closed‑loop policy evaluation; chỉ với lượng tham số đã vươn lên dẫn đầu bảng xếp hạng (leaderboard) công khai WorldArena; trên phần cứng một card H100, hoàn thành rollout 25 khung hình trong ; bổ sung state expert để giải mã proprioceptive state từ video latents, cùng world judge để đối chiếu với task instruction nhằm chấm điểm cho rollout, xuất ra machine‑verifiable rewards. Các tác giả sử dụng nó đồng thời như một evaluator và reward‑based data filter, và coi việc triển khai RL bên trong simulator là định hướng trong tương lai.

Nút thắt action‑labeling bottleneck hiện nay đã có một giải pháp tham khảo là LAPA: áp dụng VQ‑VAE để học discrete latent actions giữa các khung hình liên tiếp của action‑free video; tiền huấn luyện policy để dự đoán các latent actions này; chỉ cần một tập labeled nhỏ là có thể giải mã chúng thành real commands. Phương pháp này là sự khái quát hóa của Genie latent actions sang lĩnh vực robot learning; báo cáo hiệu quả pretraining tăng hơn so với OpenVLA, đồng thời hiệu năng cũng vượt trội hơn OpenVLA.

Hệ thống này tồn tại một baseline thay thế đang chiếm ưu thế vượt trội. Diffusion Policy ứng dụng công cụ diffusion vào action sequences mà hoàn toàn không chứa world model; hiện đã trở thành baseline mặc định mạnh mẽ trong lĩnh vực robot thực tế, đạt mức tăng tương đối trên 12 nhiệm vụ so với các phương pháp trước đó. OpenVLA là VLA mã nguồn mở có lượng tham số , được huấn luyện dựa trên demonstrations, ánh xạ trực tiếp observations sang actions mà hoàn toàn không thực hiện future prediction; trên 29 nhiệm vụ, chỉ số tuyệt đối tăng điểm so với RT‑2‑X có . Cả hai công trình đều dựa vào dataset Open X‑Embodiment; dataset này quy tụ dữ liệu robot (robot data) dị thể gồm 527 kỹ năng từ 22 robot thuộc 21 tổ chức, và hầu như toàn bộ các hệ thống trong mục này đều sử dụng dataset đó để huấn luyện hoặc evaluation.

World‑action model phải chứng minh được giá trị của bản thân, hiệu năng cần phải vượt qua các baseline không cần dự đoán future kể trên thì mới có thể bù đắp lại chi phí (overhead) mà việc dự đoán future mang lại; mục VIII‑C sẽ thảo luận lại chủ đề này.

Lộ trình thứ ba của giới công nghiệp là kiểm chứng luận điểm world‑action trên quy mô công nghiệp cũng như trên chiều không gian data. Dyna‑2 của Dyna Robotics là thành quả được trình bày định lượng đầy đủ nhất tính đến thời điểm hiện tại. Ở cấp độ kiến trúc, nó thuộc loại video‑diffusion world‑action model; video và actions được tokenize riêng biệt, sử dụng hai transformer streams có cross‑attending; action stream được cố ý thiết kế nông hơn, chỉ dung hợp với video stream ở các tầng nông; huấn luyện bằng flow‑matching, trong đó video loss và action loss dùng chung mạng backbone (trục chính). Đặc điểm nổi bật nhất của nó là dataset huấn luyện: hơn một triệu giờ egocentric human video (tương đương khoảng 170 năm thời gian trải nghiệm lúc thức), kết hợp với 3D handpose tracks, cung cấp wrist poses và continuous grasp signal để thay thế robot action labels. Được huấn luyện trên các tập con lồng nhau gồm giờ, các tác giả báo cáo scaling laws về human‑to‑robot transfer đầu tiên: hold‑out prediction error giảm mượt mà theo luật lũy thừa cùng số giờ, công thức được viết là ; quan trọng hơn cả, sự gia tăng hiệu năng này có thể vượt qua embodiment gap để chuyển giao (transfer) sang robot data.

Cần phân biệt hai nhóm kết quả đo lường khác nhau: luật lũy thừa (power law) được khớp dựa trên bốn tập con đối với hold‑out prediction error; các chỉ số hiệu năng tác vụ downstream (mean‑normalized performance của 14 nhiệm vụ dọc theo ) đến từ một lần chạy duy nhất, không cung cấp random seeds và error bars. Trong đó, với nhiệm vụ mở hộp khóa vặn chìa, tỷ lệ thành công trên các dataset quy mô nhỏ hơn luôn bằng , chỉ khi đạt quy mô một triệu giờ mới đạt tỷ lệ thành công ; đây là một trường hợp gây ấn tượng mạnh, nhưng đồng thời cũng là hiện tượng gián đoạn không thể dự đoán được bằng các scaling laws mượt mà. Điểm liên quan mật thiết nhất đến luận điểm của bài tổng quan này: các tác giả báo cáo rằng video co‑training là phương án duy nhất giúp hiệu năng có thể tiếp tục tăng lên khi quy mô action data mở rộng. Bằng chứng này cho thấy world model không phải là giàn giáo có thể vứt bỏ sau khi đã xây dựng xong policy.

Rhoda áp dụng cùng tư duy video‑first, nhưng thiết kế vòng lặp điều khiển lại khác biệt. Direct Video‑Action (DVA) model đóng vai trò là policy, chuyển đổi dự đoán của pretrained causal video model thành actions trong một real‑time closed‑loop; đầu vào bao gồm robot video có history dài, proprioception (cảm nhận bản thể của robot: joint angles, gripper width, forces, tương ứng với cảm giác bản thể của con người khi nhắm mắt vẫn biết tay mình ở đâu) cùng với language. Có hai thiết kế đáng chú ý: Thứ nhất, model có thể lưu trữ visual context lên tới hàng trăm frames; trong khi VLA thông thường chỉ nhìn thấy vài frames; động lực của tác giả xuất phát từ hiện tượng visual aliasing: hai thời điểm trong nhiệm vụ có hình ảnh gần như y hệt nhau, nhưng lại nằm ở các giai đoạn khác nhau của quy trình nhiệm vụ, và chỉ có memory mới có thể loại bỏ sự nhập nhằng này. Đây chính là vấn đề long‑horizon memory thường gặp trong generative world model, tại đây đã được chuyển hóa thành một yêu cầu kỹ thuật bắt buộc ở tầng điều khiển. Thứ hai, việc dự đoán và action được tách rời (decouple) lẫn nhau: sau khi video model cung cấp future, bài toán còn lại nhằm suy luận ra action cần thiết để tạo ra future đó có quy mô đủ nhỏ, chỉ cần khoảng mười giờ dữ liệu là có thể huấn luyện inverse‑dynamics model. Để duy trì vòng lặp đóng real‑time, các tác giả áp dụng leapfrog inference: dự đoán về phía trước một khoảng thời lượng đủ dài, để một lần dự đoán duy nhất có thể bù đắp được latency tính toán của lượt tiếp theo.

Cả Dyna‑2 và Rhoda đều chưa trải qua công bố bình duyệt (peer‑review publication), cả hai chỉ đưa ra các chỉ số định lượng do chính họ lựa chọn; ví dụ, Rhoda chỉ mô tả pretraining corpus là web‑scale mà không công bố quy mô cụ thể. Bài viết này trích dẫn cả hai như những industry technical reports chứ không xem là các kết luận thực nghiệm đã được kiểm chứng; lý do trích dẫn chúng là vì chúng chứng minh rõ ràng rằng mô thức pretrain‑to‑imagine, fine‑tune‑to‑act đã chuyển đổi từ research demonstration thành một định hướng kỹ thuật được giới công nghiệp đặt cược.

Bảng VIII: World models và world‑action models cho robot. Acts đánh dấu các hệ thống có khả năng xuất ra actions (world‑action models); các ký hiệu (P)/(I)/(D) ở cuối đánh dấu công dụng chính: P(lanning), I(magination training), D(ata generation). IDM = inverse‑dynamics model.

C. Autonomous‑Driving World Models

Các driving world model dự đoán traffic scene tiến triển như thế nào dưới điều kiện của ego‑vehicle action, phục vụ ba mục đích chính: simulation (tái hiện an toàn các kịch bản nguy hiểm hiếm gặp), data generation (tổng hợp footage đa dạng kèm nhãn gán) và planning (hình dung và chấm điểm các maneuver ứng viên). Đặc trưng nổi bật của lĩnh vực này là không gian dự đoán vô cùng phong phú: multi‑camera pixels, BEV latents, 3D semantic occupancy, LiDAR point clouds.

MILE thuộc nhóm model camera‑only thời kỳ đầu, đồng thời học BEV latent world model và driving policy, được huấn luyện dựa trên offline video; đạt mức cải thiện so với CARLA SOTA trước đó trong các kịch bản thị trấn mới. GAIA‑1 của Wayve mở rộng mô hình autoregressive‑token + diffusion‑decoder thành driving simulator quy mô tham số, có thể đạt được controllability thông qua text và actions. GAIA‑2 được nâng cấp thành controllable multi‑camera latent‑diffusion model, hỗ trợ structured conditioning (ego dynamics, agents, thời tiết, quốc gia). DriveDreamer và DriveDreamer‑2 của GigaAI đưa vào HD‑map/box grounding, bổ sung LLM front-end để chuyển đổi các yêu cầu bằng ngôn ngữ tự nhiên (“a car cuts in”) thành generated clips. ADriver‑I kết hợp multimodal LLM và diffusion generator vào một vòng lặp vision‑action duy nhất, đồng thời dự đoán next frame và xuất tín hiệu control. Drive‑WM có thể kết nối với end‑to‑planner, hình dung nhiều kịch bản tương lai (futures) cho các maneuver ứng viên rồi chọn phương án có độ an toàn cao nhất, tức “drive into several futures and choose”. GenAD và Vista thúc đẩy các driving world model quy mô lớn, có khả năng khái quát hóa (generalizable) và được huấn luyện trên web‑data; Vista đồng thời có thể đóng vai trò như một training‑free reward model.

Dòng GAIA không ngừng mở rộng quy mô, và quan trọng hơn là thay đổi mục đích sử dụng. GAIA‑3 là latent‑diffusion world model quy mô tham số, với khối lượng tính toán gấp năm lần GAIA‑2 và lượng dữ liệu huấn luyện gấp khoảng mười lần, trải dài trên chín quốc gia thuộc ba châu lục. Nó đặt mô hình “world on rails” vào trung tâm của generative simulation: thực hiện re‑simulate các logged drive thực tế, chỉnh sửa ego trajectory, trong khi toàn bộ các agent còn lại được cố định hoàn toàn theo hành vi đã ghi lại trong thực tế. Điều này cho phép generator trả lời các câu hỏi phản thực nghiệm (counterfactual): “Nếu chúng ta chuyển hướng, điều gì sẽ xảy ra?”, trong khi diễn biến tương lai được ghi lại có thể cung cấp ground‑truth cho những phần cảnh quan không bị ego‑vehicle tác động. GAIA‑4 mở rộng sang tạo sinh kết hợp camera + radar; báo cáo cho thấy độ trung thực của thế giới được ghi nhận đã tăng lên sau khi huấn luyện chuyên biệt cho tác vụ world‑on‑rails.

Bằng chứng rõ ràng nhất cho thấy world model đa dụng trở thành hạ tầng dùng chung đến từ Waymo World Model: được post‑training trên nền tảng Genie 3 để tạo ra driving simulator, chuyển đổi tri thức 2D video thành các LiDAR output phù hợp với bộ sensor của chính Waymo; có thể kiểm soát driving actions, scene layout và ngôn ngữ. Luận điểm cốt lõi của chiến lược này là: nhờ tri thức thế giới pretrained tổng quát, hệ thống có thể tái hiện các sự kiện đuôi dài (long-tail), chẳng hạn như lốc xoáy hay voi xuất hiện trên đường — những tình huống mà việc tích lũy quãng đường di chuyển của đội xe thực tế không bao giờ thu thập đủ. Công trình này chỉ đưa ra phần trình diễn năng lực (capability demonstration) chứ không công bố các chỉ số đánh giá cấp độ model (model‑level metrics).

OmniDreams bổ khuyết thiết lập an toàn vòng lặp kín (closed-loop) còn thiếu nói trên: được xây dựng dựa trên kiến trúc Cosmos diffusion, mid‑trained trên [...] giờ dữ liệu driving; autoregressively tạo ra action‑conditioned multi‑camera real‑time video, kết hợp chặt chẽ với driving policy; kết quả sơ bộ cho thấy world‑action model thu được sau post‑training đạt hiệu năng vượt trội so với policy dựa trên VLA làm đối chứng, trong khi số lượng tham số chỉ bằng khoảng một phần năm.

Vượt ra ngoài cấp độ pixel, OccWorld tiến hành dự đoán trong không gian 3D semantic occupancy, dự đoán đồng thời occupied voxels và ego motion. Copilot4D áp dụng unsupervised LiDAR point‑cloud world model dựa trên discrete diffusion; khoảng cách Chamfer (chỉ số sai số point cloud tiêu chuẩn) tại [...] giảm khoảng [...]. WoVoGen sử dụng 4D world volume tường minh nhằm đảm bảo tính nhất quán giữa các multi‑camera views. DriveWorld định nghĩa lại world model thành 4D self‑supervised pre‑training objective, nâng cao hiệu năng detection, mapping, tracking và planning. Một nhánh độc lập mang tên “neural digital twin” tái tạo sensor data có thể chỉnh sửa và có tính phản ứng phục vụ thử nghiệm closed‑loop: UniSim của Waabi, cùng neural world simulator do Tesla công bố, được dùng để huấn luyện chung cho FSD và Optimus.

Bảng IX: Autonomous‑Driving world models, phân nhóm theo không gian dự đoán: bảng trên là model pixel/BEV; bảng dưới là model 3D‑occupancy, LiDAR, 4D, neural‑rendering. Đánh dấu Acts cho các model đồng thời xuất driving actions/plans. BEV = bird’s‑eye view; MV = multi‑view camera; FID = Fréchet Inception Distance và FVD = Fréchet Video Distance, cả hai chỉ số này có giá trị càng thấp càng tốt.

D. Games, Interactive Environments, and Human‑Action Models

Trong lĩnh vực game, neural network thay thế game engine truyền thống: dự đoán next frame dựa trên past frames và player actions; “engine” chuyển từ mã code viết tay sang học được từ dữ liệu. Lĩnh vực này đã tạo ra những bản demo ấn tượng nhất theo hướng này, đồng thời khai sinh các trường hợp điển hình của human‑action model. Các nghiên cứu ban đầu về action‑conditioned frame‑prediction trên Atari và recurrent environment simulators đã đặt nền móng cho hướng đi này. Ba hướng mũi nhọn liên tục xuất hiện: real‑time interactivity, open‑domain generation xuyên suốt nhiều tựa game, và modeling chính dòng chảy hành động của con người (human‑action stream).

Genie của DeepMind được huấn luyện trên unlabeled internet gameplay video, học discrete latent actions mà không cần action label, cho phép người dùng bấm phím tương tác trong một world được tạo từ bất kỳ hình ảnh nào. Genie 2 mở rộng sang việc tạo playable 3D worlds từ một ảnh duy nhất. Genie 3 hiện thực hóa các world real‑time, promptable và duy trì tính nhất quán hàng phút (minutes‑coherent). Về hướng diffusion, GameNGen (DOOM), DIAMOND (Atari, CS:GO), Oasis (Minecraft chạy trên trình duyệt) đã hiện thực hóa các playable neural engines. MineWorld, Matrix‑Game, GameFactory, Hunyuan‑GameCraft, PlayGen, MarioVGG hướng tới open‑domain generation, controllability cùng khả năng tái lập.

Giai đoạn 2025‑2026 chứng kiến ba bước tiến mới thúc đẩy lĩnh vực này từ nhiều chiều hướng khác nhau. Tốc độ và tính nhất quán lâu dài: Matrix‑Game 3.0 đạt [...] ở độ phân giải 720p, duy trì memory consistency cho chuỗi dài hàng phút; RELIC đạt [...], dựa vào spatial memory có thể truy xuất để hỗ trợ rollout dài tới [...]. Ở cấp độ định nghĩa action: bên cạnh các tín hiệu bàn phím và chuột thông thường, Hunyuan‑GameCraft‑2 còn hỗ trợ các chỉ dẫn ngôn ngữ tự do như “open the door”, “trigger an explosion”; được xây dựng dựa trên image‑to‑video mixture‑of‑experts model với quy mô tham số [...], đi kèm InterBench để thực hiện evaluation. Điều này đại diện cho sự thay đổi thực sự trong giao diện tương tác: phạm vi kiểm soát không còn giới hạn ở điều hướng mà mở rộng sang chỉnh sửa world ở cấp độ ngữ nghĩa; so với memory và tốc độ, hướng đi này khó hơn nhiều vì model cần suy luận xem sự kiện được mô tả có ý nghĩa gì đối với scene mà nó hư cấu ra. Về hướng sản phẩm hóa: Google Project Genie đóng gói Genie 3 thành consumer prototype, có thể tạo ra các navigable worlds từ prompt/ảnh với thời lượng tạo tối đa 60 giây; các bản cập nhật sau đó đã tích hợp dữ liệu hình ảnh Street View gần hai mươi năm qua để neo world được tạo vào các vị trí địa lý có thực.

Tuy nhiên, thành quả quan trọng nhất đối với luận điểm của bài viết này là SIMA 2, công trình đã khép lại tiền đề của toàn bộ mô hình. Một embodied agent dựa trên Gemini, khởi động từ human demonstrations, sau đó chuyển sang self‑directed play; Gemini tự đề xuất tasks, ước lượng rewards và hiện thực hóa việc tự nâng cao năng lực ngay bên trong các world do Genie 3 tạo ra. So với SIMA 1, success rate gần như tăng gấp đôi, thu hẹp khoảng cách với human performance; hoàn thành 26 trong số 50 nhóm task trong các nhiệm vụ MineDojo được giữ lại (hold‑out), trong khi SIMA 1 chỉ hoàn thành 2 nhiệm vụ. Các tác giả coi đây là một ví dụ hoạt động bước đầu chứ chưa phải là kết quả khái quát; thí nghiệm tự nâng cao năng lực vẫn giới hạn ở navigation. Song đây là bằng chứng đầu tiên được biết đến chứng minh rằng: một agent có thể tự nâng cao năng lực ngay bên trong một world do một model khác tưởng tượng ra. Nếu kết luận này có thể khái quát hóa, giá trị thực tế của world model sẽ không còn dừng lại ở việc hiển thị hình ảnh cho con người xem, mà là dùng để huấn luyện các agent.

Lĩnh vực này đóng góp cho bài tổng quan thuật ngữ Microsoft Muse/WHAM, tức World and Human Action Model, được công bố trên tạp chí Nature . Model được huấn luyện trên hơn một tỷ cặp image‑action (tương đương khoảng 7 năm thời gian chơi game của con người) từ tựa game Bleeding Edge. WHAM tokenize đồng thời frames và controller inputs để thực hiện modeling liên hợp; nó vừa có thể tạo visuals dựa trên actions đã cho, vừa có thể tạo ra plausible human actions, hoặc tạo đồng thời cả hai. Do đó, nó thuộc dạng world‑action model tường minh, nhằm mục đích phục vụ sáng tạo ý tưởng trong game thay vì chạy theo điểm số benchmark. Phiên bản kế nhiệm real‑time của nó là WHAMM, dựa trên cơ chế MaskGIT‑style parallel decoding, có thể chạy bản neural Quake II hoàn toàn có thể chơi được ngay trên trình duyệt.

Bảng X: Game and interactive‑environment world models, bao gồm human‑action models. Nhãn Human‑act. đánh dấu các hệ thống đồng thời model/generate luồng hành động của agent (world‑action models). FPS là giá trị được báo cáo trong bài báo. Kiến trúc của dòng Genie chỉ được mô tả trong các blog posts, bài viết này phân loại nó vào AR latent diffusion, nhất quán với Hình 2.

E. General‑Purpose Simulation and Spatial Intelligence

Một lĩnh vực đang phát triển nhanh chóng xem world model như một hạ tầng dùng chung. Các video‑foundation models như Sora, Cosmos, Veo được định vị là các universal simulators phục vụ các tác vụ physical‑AI ở hạ nguồn; các hệ thống tương tác như Genie 3, Runway GWM‑1 đóng vai trò là môi trường training‑and‑evaluation đa dụng cho embodied agents. Một nhánh khác tập trung vào spatial intelligence: World Labs (do Lý Phi Phi sáng lập) đề xuất rằng world model cần xây dựng các 3D worlds bền vững (persistent), có thể khám phá, thay vì chỉ xuất ra các sequential frames, đồng thời định nghĩa spatial understanding là “AI’s next frontier”. Một con đường khác hướng tới hạ tầng dùng chung đến từ Pandora: một language‑steerable world model, trong đó “state” là video, còn “actions” là các câu lệnh văn bản tự do phát ra tại bất kỳ thời điểm nào.

Lý Phi Phi sau đó đã đề xuất functional taxonomy, chia world model thành renderers (xuất observations), simulators (xuất physically faithful state) và planners (xuất actions). Phân loại này hoàn toàn tương ứng 1-1 với hệ thống trong bài viết: renderers tương ứng với model pixel‑target; simulators bổ sung physically‑faithful state; planners tương ứng với world‑action model (Mục VI). Tầm nhìn vĩ đại của mô hình này là một world‑foundation model có thể tái sử dụng, nơi bất kỳ agent nào cũng có thể gửi query tới; đây là phiên bản hiện thực hóa về mặt kỹ thuật gần nhất từ trước đến nay đối với simulator nội tại của Craik.

F. Language, Code, and Agentic World Models

Tất cả các lĩnh vực phía trước đều gắn liền với camera. Nhưng định nghĩa về world model đưa ra ở Mục II‑B hoàn toàn không đề cập đến pixels. World model đơn thuần là một mô hình đã học dùng để dự đoán environment phản hồi lại actions như thế nào. Khi environment là chương trình, trang web hoặc text game, state tự nhiên không phải là hình ảnh mà là symbolic description, và model tự nhiên tương ứng chính là LLM.

Hiểu một cách trực quan : Lập trình viên không cần tưởng tượng ra hình ảnh mà vẫn có thể dự đoán trước điều gì sẽ xảy ra với một dòng code; anh ấy simulate trạng thái chương trình ngay trong đầu. Code world model thực hiện chính xác điều này; hướng tư duy này có thể mở rộng cho mọi environment dễ mô tả bằng văn bản hơn là biểu diễn qua hình ảnh.

WorldCoder thể hiện phương án symbolic một cách tường minh: sau khi tương tác với environment, agent viết ra một Python program để giải thích các hiện tượng quan sát được, rồi dựa trên program đó để tiến hành planning. Vì model chính là code nên nó mang đặc tính có thể kiểm tra được; chỉ cần sửa code là có thể chuyển giao sang task liên quan mà không cần retrain. Báo cáo cho thấy sample‑efficiency vượt trội so với các deep‑RL baselines. CWM của Meta mở rộng hướng tư duy này lên open‑weights LLM quy mô tham số [...]; không chỉ huấn luyện trên mã nguồn tĩnh mà còn huấn luyện trên các observation‑action execution traces, ghi lại những gì thực sự diễn ra sau khi agent thực thi lệnh trong trình thông dịch Python và sandbox container. Nhờ đó, nó có thể simulate từng bước kết quả thực thi code chứ không chỉ học văn bản mã code đơn thuần. Meta báo cáo pass@1 trên SWE‑bench Verified đạt [...], một kết quả ấn tượng đối với model ở quy mô này; định vị của nó chính là một world model: cho trước state (bộ nhớ trình thông dịch) và action (thực thi một dòng code), dự đoán state tiếp theo.

Cùng theo hướng tư duy đó, các WMA web agents dự đoán ở cấp độ ngôn ngữ tự nhiên xem trang web sẽ thay đổi như thế nào sau khi nhấp chuột, rồi mới thực hiện thao tác.

Qwen‑AgentWorld tiếp tục mở rộng nhánh này hơn nữa, đến mức nó không còn phù hợp để chỉ giới thiệu vắn tắt trong phần phụ lục. Trong khi CWM học cách thực thi code, Qwen‑AgentWorld mô phỏng toàn bộ agentic environments, bao quát bảy domain lớn: tool‑calling dựa trên giao diện chuẩn MCP, search, terminal, software‑engineering, Android, web và operating‑systems. Model được huấn luyện trên hơn mười triệu trajectory tương tác environment thực tế; cung cấp hai phiên bản quy mô MoE: tổng tham số [...], tham số kích hoạt [...]; tổng tham số [...], tham số kích hoạt [...], trong đó phiên bản [...] được phát hành mã nguồn mở. Cơ chế của nó rất đáng chú ý trong taxonomy của bài viết này: model không xuất ra state vector hay frame, mà dựa vào quá trình suy luận chain‑of‑thought dài để dùng ngôn ngữ suy luận xem environment sẽ trả về kết quả gì tiếp theo. Đối chiếu với phổ đồ ở Hình 6, đây là một mục tiêu dự đoán nằm ngoài các trục tọa độ: mô tả natural‑language về state tiếp theo, không trừu tượng hơn biểu diễn latent mà cũng chẳng cụ thể hơn, thuộc về một loại hoàn toàn khác — sở hữu tính kết hợp (composability), có thể kiểm tra được, và còn có thể diễn đạt uncertainty của chính mình bằng câu chữ.

Nếu có thể simulate đầy đủ terminal và các trang web để hỗ trợ planning, ý nghĩa thực tế của nó sẽ vô cùng to lớn: các agent có thể rehearse trước khi thực hiện những hành động không thể đảo ngược (xóa file, gửi biểu mẫu, khởi tạo thanh toán).

Nhánh nghiên cứu này mang lại hai bài học quan trọng cho mạch thảo luận chính của bài viết. Thứ nhất, nó bổ sung một loại mục tiêu dự đoán mới không nằm trong taxonomy sáu họ lớn ở Hình 2: program là bản mô tả symbolic có cấu trúc về dynamics chứ không phải một chuỗi vector số; không giống như các mục tiêu dự đoán khác, nó có thể được thực thi và kiểm chứng chính xác. Thứ hai, nó sở hữu một failure profile riêng biệt. Các pixel world models thường bị hallucinate các quy luật vật lý (physics); trong khi các code world models lại dễ viết ra những program tự nhất quán về mặt logic nội tại nhưng lại mô tả sai lệch về environment. Ít nhất thì dạng failure này dễ phát hiện hơn: chạy program và so sánh kết quả dự đoán với hiện tượng thực tế. Liệu trong tương lai, mô hình symbolic và mô hình generative có thể hội tụ, nơi LLM đưa ra cấu trúc còn các generative models cung cấp chi tiết cảm nhận (perceptual details) hay không? Đây chính là một trong những câu hỏi mở thú vị nhất của lĩnh vực này.

Trải dài trên toàn bộ sáu domain lớn, một xu hướng lặp đi lặp lại rất rõ ràng: tiến hóa từ model chỉ thuần túy đưa ra dự đoán sang model đồng thời xuất ra các action. Phần tiếp theo sẽ tổng hợp và giới thiệu sự chuyển đổi từ world model thông thường sang world‑action model.

VI. TỪ DỰ ĐOÁN ĐẾN HÀNH ĐỘNG: CÁC WORLD‑ACTION MODEL

Các phần IV và V đều đã đánh dấu rõ liệu từng hệ thống chỉ thuần túy đưa ra dự đoán hay đồng thời xuất ra các action. Phần này sẽ tổng hợp và làm rõ: làm thế nào một pure predictive world model có thể chuyển đổi thành một world‑action model có khả năng xuất ra các tín hiệu điều khiển.

A. Nhìn lại ba mục đích sử dụng

Điểm lại ba nhóm mục đích sử dụng của world model đã nêu ở phần II‑C.

1. Lập kế hoạch : Vào decision‑time, thực hiện rollout các chuỗi action ứng viên (action sequences) bên trong model, chấm điểm các kết quả (outcomes) tưởng tượng và thực thi chuỗi tối ưu nhất. Algorithm 1 mô tả MPC loop tổng quát mà PlaNet, TD‑MPC, DINO‑WM, V‑JEPA 2‑AC đều tuân theo. Sự khác biệt giữa các hệ thống chỉ nằm ở chỗ rollout diễn ra trên compact latent hay abstract representation, và hàm mục tiêu (objective) sử dụng reward hay khoảng cách khớp mục tiêu (goal‑matching distance).
2. Learning in imagination : Vào training‑time, huấn luyện policy trên các trajectory do model tạo ra, giúp giảm đáng kể nhu cầu tương tác thực tế. Dreamer là đại diện tiêu biểu cho mô hình này.
3. Data generation : Sử dụng model ngoại tuyến (offline) để sinh ra lượng lớn dữ liệu huấn luyện có độ chân thực cao (high‑fidelity training data), mở rộng cho real dataset quy mô nhỏ. Lĩnh vực robotics và tự hành (driving) thường xuyên sử dụng mô thức này nhất.

B. Cách trích xuất action

Các pure video / world model chỉ dự đoán observation mà không xuất ra action. Để khiến model thực thi hành động, cần áp dụng một trong bốn cơ chế dưới đây.

(i) Inverse dynamics : Một model độc lập suy luận ra action cần thiết để chuyển từ một khung hình dự đoán sang khung hình tiếp theo (UniPi); hoặc dựa vào các tương ứng optical‑flow dày đặc để khôi phục các action từ góc độ hình học (AVDC). (ii) Latent actions : Model không giám sát (unsupervised model) phát hiện các discrete action code từ video không kèm action (action‑free video), và policy có thể thiết lập các code này (Genie). (iii) Joint heads : Cùng một network đồng thời dự đoán future observation và action, chia sẻ representation (GR‑1/GR‑2, WorldVLA, UWM); nhờ đó dynamics modeling và action selection có thể bổ trợ lẫn nhau. (iv) Actions as latent frames : Nối thêm các action và value token vào chuỗi denoising của chính video model, hoàn toàn không cần thêm action head mới, không cần sửa đổi architecture (Cosmos Policy); phương án này đã trở thành xu hướng chủ lưu vào năm 2026.

Có hai tối ưu hóa ở tầng kỹ thuật mang ý nghĩa thực tiễn rõ rệt. Rhoda chứng minh rằng, một khi video model đã đưa ra future, inverse‑dynamics model tương ứng với cơ chế (i) chỉ cần khoảng mười giờ dữ liệu là có thể hoàn tất huấn luyện. LAPA mở rộng cơ chế (ii) từ game sang lĩnh vực robotics, học latent actions từ video action‑free, và dựa vào một tập gán nhãn nhỏ (labeled set) để giải mã thành các lệnh thực tế (real commands).

C. Công thức Pretrained‑to‑Imagine, Fine‑Tuned‑to‑Act

Pipeline hai giai đoạn chiếm ưu thế chủ lưu trong giai đoạn 2025‑2026 đã kế thừa mô thức pretrain-then-fine-tune từ lĩnh vực LLM.

• **Stage 1 (imagine)**: Pretrain một video/world model quy mô lớn theo hướng action‑agnostic trên tập video quy mô internet (internet‑scale video), nhằm nội hóa kiến thức sâu rộng về visual và physical dynamics.
• **Stage 2 (act)**: Dựa trên các tập dữ liệu biểu diễn có gán nhãn action (action‑labeled demonstrations) quy mô nhỏ để fine-tune cùng một model đó, giúp model đồng thời xuất ra các action (thường được mã hóa dưới dạng latent frames); vào test‑time, model dựa vào việc sinh và chấm điểm các candidate future để tiến hành planning.

Cosmos‑based policy của NVIDIA, V‑JEPA 2‑AC, GR‑2, Runway GWM‑1, Dyna‑2 và Rhoda đều áp dụng mô thức này. Canh bạc cốt lõi của mô thức này là: phần tri thức tổng quát đắt giá được lưu giữ bên trong imagination model, chỉ cần xếp thêm một lớp action grounding tinh gọn lên phía trên. Điều này hoàn toàn đồng nhất với logic nền tảng tạo nên thành công của các foundation model trong lĩnh vực ngôn ngữ (language) và thị giác (vision).

Cho đến gần đây, mô thức này vẫn chủ yếu dựa vào các tập biểu diễn mẫu (demonstrations), thiếu bằng chứng định lượng chứng minh rằng Stage 1 tuân theo quy luật lợi suất dữ liệu có thể dự đoán trước. Scaling laws về human‑to‑robot transfer được báo cáo bởi Dyna‑2 là bằng chứng trực tiếp đầu tiên, và kết quả khá lạc quan: hiệu năng thực hiện nhiệm vụ của robot (robot task performance) tăng đơn điệu theo số giờ video góc nhìn thứ nhất của con người (egocentric human video); trong khi việc thu thập egocentric human video dễ dàng hơn rất nhiều so với robot tele‑operation. Nếu số mũ này có thể tái lập được, nó sẽ mang lại ý nghĩa chiến lược to lớn: chuyển hóa bài toán dữ liệu nan giải trong robotics (robot demonstrations) thành một nguồn tài nguyên vốn đã có sẵn với số lượng khổng lồ (egocentric video).

Đồng thời cần lưu ý hai điểm: giá trị exponent được báo cáo rất nhỏ, do đó mức tăng hiệu năng tuyệt đối diễn ra chậm; bằng chứng này đến từ báo cáo kỹ thuật của một vendor đơn lẻ, chưa qua replication độc lập.

Một kết quả tiêu cực đã khiến toàn bộ vấn đề trở nên phức tạp hơn. Hầu hết các hệ thống nêu trên đều nhầm lẫn giữa hai khái niệm khác nhau: world model với vai trò là nguồn representation trong training‑time; và world model với vai trò là imagination engine trong test‑time, sinh ra future trước mỗi bước action. Fast‑WAM đã tách rời (decouple) hai yếu tố này: giữ lại video co‑training nhưng loại bỏ hoàn toàn việc sinh future ở giai đoạn inference. Hiệu năng của nó trên LIBERO vẫn duy trì tính cạnh tranh（）, trên RoboTwin 2.0 đạt , và latency được cải thiện hơn bốn lần, đạt . Thí nghiệm ablation chứng minh rằng việc loại bỏ video co‑training gây suy giảm hiệu năng lớn hơn nhiều so với việc loại bỏ test‑time imagination.

Ở đây tồn tại hai điều kiện giới hạn: bằng chứng này đến từ thực nghiệm ablation nội bộ của bài báo, không phải so sánh cross-system; các chỉ số tuyệt đối của Fast‑WAM vẫn thấp hơn một số hệ thống giữ lại test‑time generation, chẳng hạn như Cosmos Policy trên LIBERO hay MotuBrain trên RoboTwin 2.0. Bản thân latency không thể dùng làm ranh giới phân định giữa hai cách thiết kế, bởi DSWAM đạt , MotuBrain đạt , trong khi cả hai vẫn thực hiện sinh video.

Biến số thực sự mà Fast‑WAM cô lập được chính là mức độ đóng góp của test‑time imagination , chứ không phải tốc độ. Kết quả này có thể viết lại trực giác vốn đã ăn sâu trong lĩnh vực này. Dòng mô hình Dyna từng chỉ ra rằng lợi ích của world model đến từ planning bên trong imagination; từ PlaNet cho đến V‑JEPA 2‑AC đều được diễn giải theo logic đó. Fast‑WAM đưa ra một giả thuyết khác: lợi ích lớn nhất của các video‑pretrained policy hiện đại đến từ training objective xuất sắc là “dự đoán tương lai (future)”; một khi representation đã được học xong, việc rollout model về phía trước vào decision time chỉ là một hành vi tùy chọn tốn kém nhiều chi phí, chứ không phải điều kiện bắt buộc.

Tuy nhiên, các phản chứng mạnh mẽ cũng tồn tại song song. HWM trong tác vụ Franka pick‑and‑place thực tế có tỷ lệ thành công của single‑level planning là , trong khi hierarchical planning đạt ; toàn bộ hiệu năng này đều đến từ test‑time planning. Toàn bộ kết quả zero‑shot của V‑JEPA 2‑AC, DINO‑WM, vòng lặp điều khiển PointWorld, hay việc Drive‑WM chấm điểm các candidate maneuver đều phụ thuộc hoàn toàn vào test‑time rollout.

Cả hai nhóm kết quả cùng chỉ về một ranh giới thay vì một bên chiến thắng rõ ràng: khi task chỉ có thể được chỉ định vào test‑time thông qua goal, hoặc khi cần đến các subgoal đa tầng (multi‑level subgoals), ta bắt buộc phải chạy imagination; còn ở những kịch bản mà policy được huấn luyện trước có thể bao quát toàn bộ phân phối hành vi (behavior distribution), ta có thể bỏ qua imagination. Việc xác định khi nào bắt buộc phải thực sự chạy imagination thay vì chỉ dựa vào dự đoán trong quá trình training là một trong những open problem quan trọng nhất mà bài tổng quan này đặt ra.

Vậy hiệu năng của hệ thống này rốt cuộc ra sao, và chúng ta dựa vào đâu để đánh giá? Phần tiếp theo sẽ giới thiệu các benchmark và evaluation protocol.

VII. CÁC BENCHMARK VÀ ĐÁNH GIÁ

Evaluation cho world model rất khó khăn, và định nghĩa thế nào là “tốt” phụ thuộc vào mục đích sử dụng của model. Phần này chia các metric thành ba nhóm lớn; không tồn tại một giá trị đơn lẻ nào có thể đánh giá toàn diện một model.

A. Các benchmark về Sample‑Efficiency cho RL và Control

Khi world model được dùng cho kịch bản control, phương thức đánh giá gián tiếp thường được áp dụng: đánh giá hiệu năng của policy được huấn luyện bên trong model dưới một mức ngân sách dữ liệu (data budget) cố định. Atari (100,\text{k}) là benchmark kinh điển về sample‑efficiency; cho phép agent thực thi steps (khoảng hai giờ chơi), bao phủ 26 tựa game Atari, với chỉ số đánh giá là human‑normalized score (HNS). DMControl dựa trên physics engine MuJoCo, là benchmark tiêu chuẩn cho continuous control với đầu vào dạng pixel. Crafter dựa vào cây 22 achievement để đánh giá năng lực tổng hợp, sử dụng trung bình nhân (geometric mean) để tính điểm. MineRL và MineDojo hướng đến Minecraft, dùng để kiểm thử năng lực mở dài hạn (long‑horizon open‑ended competence). RLBench và Meta‑World dành cho các tác vụ thao tác (manipulation). Procgen dựa vào các level được sinh theo thủ tục (procedurally generated levels) nhằm cô lập khả năng generalization.

Do nhiều benchmark chỉ chạy một số lượng run nhỏ, phương pháp luận rliable (interquartile mean, stratified bootstrap confidence intervals, performance profiles) đã trở thành giải pháp tiêu chuẩn để tổng hợp kết quả một cách đáng tin cậy.

B. Các metric cho Generative‑Video và điểm mù của chúng

Khi model sinh ra pixel, chất lượng được đánh giá dựa vào các chỉ số video. FVD đo lường khoảng cách phân phối giữa real clip và generated clip trong không gian feature của video network, đồng thời nắm bắt cả chất lượng per‑frame lẫn temporal coherence. PSNR, SSIM thuộc nhóm per‑frame reference metric; LPIPS là khoảng cách cảm nhận học được (learned perceptual distance); CLIPScore đo lường mức độ căn chỉnh khớp với text/prompt.

Tuy nhiên, tất cả các metric này đều tồn tại điểm mù (blind spot) chí mạng, đặc biệt mang tính then chốt đối với world model: chúng đo lường diện mạo bề ngoài (appearance), chứ không đo lường physical correctness, action controllability hay long‑horizon coherence . Tệ hơn nữa, đối với stochastic long‑horizon world model, vốn tồn tại nhiều future hợp lệ, một rollout hoàn toàn hợp lý chỉ vì không trùng khớp với recorded future mà các reference‑based metric sẽ chấm điểm thấp một cách sai lầm. Vấn đề này đặc biệt nghiêm trọng đối với các stochastic, long‑horizon world model.

C. Đánh giá chuyên biệt cho World Model

Một loạt benchmark mới được thiết kế chuyên biệt cho những nội dung mà các video metric nêu trên bỏ sót. Physion và Physion++ so sánh với human baseline để thực hiện physical‑outcome prediction; Physion++ yêu cầu suy luận online các thuộc tính ẩn (hidden properties như mass, friction, elasticity). Physics‑IQ chấm điểm việc tiếp diễn vật lý (physics continuation) của thế giới thực, đưa ra kết luận quan trọng nhất trong lĩnh vực: visual realism và physical understanding hầu như không có mối tương quan. WorldScore hợp nhất sinh dữ liệu 3D, 4D và video, đánh giá controllability, quality (bao gồm tính nhất quán 3D - 3D consistency) và dynamics. VBench phân tách video quality thành 16 chiều căn chỉnh theo con người; VBench‑2.0 nâng cấp từ “độ trung thực bề mặt” lên “độ trung thực bản chất”, chuyển hóa rõ ràng việc video evaluation thành world‑model evaluation. VideoPhy‑2 bổ sung các bài kiểm tra action‑centric physical‑commonsense; ngay cả model tối ưu nhất, điểm số tuân thủ đồng thời toàn bộ các ràng buộc cũng chỉ đạt .

Một nhóm ứng dụng quan trọng khác lại đảo ngược mối quan hệ này: không phải đánh giá world model, mà là dùng world model để làm công cụ đánh giá . WorldEval sử dụng latent-actions để điều khiển video world model, đóng vai trò như một proxy để xếp hạng các real robot policy mà không cần triển khai trên phần cứng thực tế; báo cáo cho thấy kết quả xếp hạng tương quan cao với real-world outcomes, đồng thời còn có thể gắn nhãn unsafe behavior. EWMBench của Genie Envisioner cũng áp dụng hướng tiếp cận tương tự. Nếu loại proxy này duy trì được tính faithfulness, nó có thể giảm đáng kể chi phí lớn nhất của robotics: tiến hành evaluation cho policy trên phần cứng thực tế.

Bảng XI: Tổng hợp control benchmarks và world-model evaluation metrics. Bảng trên là RL/control benchmarks, trong đó world model được đánh giá thông qua downstream policy; bảng dưới là generative và world-model-specific evaluation, đánh giá trực tiếp world model. Ref. = cần ground-truth future.

Hai thành tựu năm 2026 đã cải tiến evaluation methodology. LikePhys hoàn toàn bỏ qua generation quality (đây vốn là yếu tố gây nhiễu cho mọi physics benchmark dựa trên generation: model render hình ảnh rất kém, khiến bạn không thể phân biệt được là nó không hiểu physics hay chỉ đơn thuần là render chưa tốt). Đây là giải pháp training-free, tái sử dụng trực tiếp denoising objective của chính diffusion model làm điểm likelihood, đo lường mức độ hợp lý của một đoạn video theo nhận định của model. Sau đó, phương pháp so sánh độ ưu tiên likelihood của model đối với video physically valid so với video physically impossible do con người dựng lên. Trên 12 kịch bản thuộc 4 lĩnh vực physics lớn, Plausibility Preference Error (tỷ lệ model ưu tiên video bất khả thi) duy trì mức độ căn chỉnh rất tốt với human judgement. Đo lường belief bên trong model thay vì output của nó là một hướng tư duy thực sự khác biệt; việc tách biệt competence khỏi rendering skill là điều mà các benchmark trước đây chưa từng làm được.

Yu và cộng sự lại đưa ra phê bình đối với reporting practice trong lĩnh vực này, chỉ ra một hiện tượng "bệnh lý" lặp đi lặp lại: claim-evidence mismatch, khi utility claim mà bài báo đưa ra không được evaluation nâng đỡ. Họ ghi nhận ít nhất sáu khái niệm khác nhau đều được gắn mác world model: action-conditioned environment models, latent-imagination models, future-video predictors, v.v. Vì vậy, các claim giữa những bài báo khác nhau không thể so sánh trực tiếp. Họ đề xuất thang chứng cứ L0-L7 evidential ladder, trải dài từ visual plausibility cho tới policy-optimization utility; đồng thời đưa ra bảy chiều đánh giá lớn: interventional action fidelity, closed-loop rollout validity, policy-ranking agreement, model exploitability, uncertainty calibration, v.v. Bảng so sánh trong bài viết này cũng gặp phải vấn đề tương tự, cột "headline result" sẽ làm phẳng đi các khác biệt về mức độ khắt khe, do đó toàn văn sẽ ghi rõ từng chỉ số được đo lường trong điều kiện nào, đồng thời gắn nhãn các industry technical report là kết quả self-reported.

Bài học kinh nghiệm quan trọng nhất: một robust world-model evaluation vốn dĩ mang đặc trưng đa chiều. Một model có thể đứng đầu về chỉ số FVD nhưng lại thất bại trên Physics-IQ; một model có hiệu năng planning cực tốt (downstream reward rất cao) nhưng hoàn toàn không thể xuất ra rollout có thể xem được. Báo cáo bắt buộc phải nêu rõ intended use case và triển khai evaluation có mục tiêu: model control cần báo cáo hiệu năng downstream policy; model generative cần báo cáo controllability, physical consistency và long-horizon consistency, thay vì chỉ nhìn vào per-frame realism.

VIII. THẢO LUẬN VÀ KẾT LUẬN

A. Hiện trạng công nghệ (State of the Art)

Tổng hợp toàn bộ các bảng so sánh, chúng ta nên nhìn nhận SOTA theo từng domain, không tồn tại một approach đơn lẻ nào có thể chiếm ưu thế trong mọi kịch bản.

Trong lĩnh vực Sample-efficient RL (Atari (100,\text{k}), xem Hình 5), ranh giới tiên phong phân tán ở các family khác nhau. Mean human-normalized score mang tính đại diện có thể minh họa trực quan: EfficientZero đạt khoảng , DIAMOND , STORM ; DreamerV3 cũng sở hữu năng lực cạnh tranh không kém. Kết quả đại diện của EfficientZero V2 lại có trọng tâm khác: bề rộng, đạt kết quả tốt nhất ở 50 trên tổng số 66 task thuộc Atari (100,\text{k}), proprioceptive và visual continuous control. Trong lĩnh vực general control, DreamerV3 (150+ task) và TD-MPC2 (xuyên suốt nhiều embodiment, 80 task) được coi là baseline phổ biến, cả hai đều sử dụng một bộ configuration cố định. Newt tiếp tục mở rộng quy mô lên 200 task.

Ở mảng robotics (Bảng VIII), SOTA trên các bộ suite tiêu chuẩn năm 2026 thuộc về các video-pretrained world-action model. Cosmos Policy đạt trên LIBERO, MotuBrain đạt trên RoboTwin 2.0; các benchmark này hiện đã gần chạm ngưỡng bão hòa, việc bổ sung các biến thể perturbation sẽ mang lại giá trị tham khảo cao hơn khi thử nghiệm. V-JEPA 2-AC vẫn là baseline tham chiếu cho zero-shot latent planning với đầu vào là goal image; GR-2 đạt trung bình khoảng trên 100+ task, đại diện cho trình độ của video-pretraining quy mô lớn; DreamGen đại diện cho lộ trình data generation. Dyna-2 báo cáo human-to-robot scaling law đầu tiên, DreamZero nâng cao khả năng generalization lên hơn hai lần so với các VLA; cả hai đều thuộc dạng un-reviewed vendor report, việc replication độc lập là nhu cầu phương pháp luận cấp bách nhất của lĩnh vực này . Một phần SOTA trong lĩnh vực robotics đến từ các technical report của ngành công nghiệp, chứ không phải các bài báo peer-reviewed.

Ở mảng autonomous driving (Bảng IX), GAIA-3 và GAIA-4 đại diện cho ranh giới quy mô của multi-camera generation (lượng tham số , lượng dữ liệu gấp khoảng mười lần GAIA-2); quan trọng hơn là công thức counterfactual world-on-rails. OmniDreams đại diện cho hướng real-time closed-loop action-conditioned driving. GenAD và Vista đóng vai trò là open reference baseline. OccWorld và Copilot4D đại diện cho hướng tiếp cận 3D-occupancy và LiDAR prediction.

Ở mảng interactive generation (Bảng X), Genie 3 là engine tương tác theo prompt (promptable engine) đa năng, có thể duy trì sự nhất quán (coherence) ở độ phân giải 720p trong vài phút. Matrix-Game 3.0 đại diện cho SOTA kết hợp giữa speed-persistence: , 720p, cùng memory consistency kéo dài hàng phút. GameNGen, DIAMOND và Oasis là những playable engine mang tính bước ngoặt; WHAM đóng vai trò là baseline tham chiếu cho human-action model.

B. Tổng kết và các phát hiện cốt lõi

1. Cùng một tư tưởng, đa dạng hình thức hiện thực hóa . Mọi system trong bài viết này đều là những cách hiện thực hóa khác nhau từ tư tưởng "simulator nội bộ" của Craik. Sáu family lớn không phải là các phe phái cạnh tranh đối đầu, mà là những điểm lựa chọn khác nhau trên không gian thiết kế, được định nghĩa chung bởi prediction target, generative mechanism và việc có hỗ trợ tính tương tác (interactivity) hay không. Gần đây, ngày càng có nhiều system tiến hành dung hợp giữa các family khác nhau.
2. Tranh luận về prediction-target là lằn ranh chia rẽ cốt lõi của lĩnh vực này . World model nên dự đoán điều gì (pixel, latent, abstract representation, value) vẫn là câu hỏi ngỏ sâu sắc nhất, xem Hình 6. Pixel generation mang lại fidelity và playability, nhưng cái giá phải trả là sức mạnh tính toán bị tiêu hao vào những chi tiết không thể đoán trước; value-equivalent tối đa hóa hiệu quả planning, nhưng lại không thể xuất ra rollout có thể xem được; JEPA đặt cược vào representation-space prediction, chỉ nắm bắt cấu trúc hữu hiệu cần thiết cho action. Các bằng chứng hiện tại vẫn ở trạng thái hỗn hợp, và câu trả lời rất có thể phụ thuộc vào từng use case.
3. Realism không đồng nghĩa với understanding . Kết luận thực nghiệm quan trọng nhất giai đoạn 2024-2025: mối tương quan giữa visual realism và physical correctness là rất yếu. Kết luận này được xây dựng trên thế hệ system cũ, và vẫn chưa được tái lập trên các model năm 2026. Model có thể tạo ra video photorealistic, nhưng trong điều kiện out-of-distribution thì các quy luật physics cơ bản vẫn bị sai lệch. Kết luận này làm suy yếu luận điểm "chỉ cần mở rộng quy mô video là mặc nhiên nhận được world simulator miễn phí", đồng thời thúc đẩy sự phát triển của action-conditioning, explicit state và các phương pháp evaluation tốt hơn.
4. Chuyển dịch từ world model sang world-action model . Hướng đi tiên phong giai đoạn 2025-2026 là chuyển từ thuần prediction sang các system có khả năng vừa imagine vừa act, dựa trên mô hình pretrain-to-imagine, fine-tune-to-act. Lĩnh vực robotics, game (WHAM) và driving hội tụ tại điểm này. Việc liệu giai đoạn inference có nhất thiết phải chạy imagination hay không, hay chỉ dùng prediction như một training objective, hiện vẫn còn là vấn đề tranh cãi.
5. World model giải tỏa data bottleneck thông qua ba con đường : planning, learning-in-imagination và data-generation. Data-generation đạt tốc độ tăng trưởng nhanh nhất ở mảng robotics và driving – hai lĩnh vực có chi phí thu thập real data đắt đỏ nhất.
6. Human video đang trở thành scaling substrate cho embodied world model . Rào cản bấy lâu nay của mảng robotics bắt nguồn từ action-labeled robot data. Phát hiện có sức ảnh hưởng lớn nhất năm 2026 (với điều kiện có thể tái lập): các bằng chứng cho thấy hiệu năng robot task có thể nâng cao một cách có thể dự đoán được theo số giờ egocentric human video, tức là human-to-robot transfer scaling laws. Lợi ích từ video co-training vẫn tiếp tục duy trì ngay cả khi quy mô action data được mở rộng. Nếu kết luận này đứng vững, world model sẽ không chỉ đơn thuần là công cụ tận dụng hiệu quả nguồn data khan hiếm; mà trở thành một cơ chế giúp khai thác lượng abundant data khổng lồ sẵn có. Cần lưu ý rằng bằng chứng mạnh mẽ nhất hiện nay đều đến từ các single-vendor report.

C. World Models so với VLA: Lằn ranh chia rẽ trong Physical AI

Tính đến năm 2026, trong cuộc cạnh tranh của physical AI đã hình thành một lằn ranh chia rẽ cốt lõi: Hai phe đối đầu lớn, cùng với một con đường thứ ba từ chối thế nhị nguyên.

• Bên thứ nhất: Các VLA model, những controller phái sinh từ LLM, được fine-tune để xuất ra robot actions.
• Bên thứ hai: Các world model, được huấn luyện trên video, dự đoán scene sẽ biến chuyển ra sao theo robot actions; ngày càng được sử dụng đồng thời vừa làm simulator vừa làm "bộ não" của robot.

Tranh cãi này mang tính thực chất chứ không đơn thuần là chiêu trò quảng bá thương mại. Những người ủng hộ world model cho rằng model có thể nội hóa các quy luật physics, dự đoán hiệu ứng rơi, vỡ của vật thể, đồng thời tạo ra simulated experience để robot học hỏi. Những người hoài nghi lại phản bác: các world model hiện nay vẫn còn hallucinate; tính chất physics của chuỗi sinh ra không hoàn toàn chính xác; việc tiến hành training dựa trên những nội dung do model sinh ra này sẽ dẫn tới một sim-to-real gap mang tính hủy diệt; do đó không thể hoàn thành các tác vụ tiếp xúc với độ chính xác cao, chẳng hạn như cắm dây cáp vào khe cắm máy chủ.

Đồng thời, các VLA tuy thừa hưởng semantic và language understanding từ backbone, nhưng bản thân chúng vẫn rất mỏng manh: chỉ cần một thay đổi nhỏ về vị trí object, độ tin cậy trên benchmark sẽ sụt giảm nghiêm trọng; đông đảo chuyên gia nhận định chúng vẫn chưa đạt tới tiêu chuẩn production-ready. Các công ty triển khai sản phẩm robot ngoài đời thực đã đưa ra lựa chọn, một số báo cáo ưu tiên world model với lý do có thể xây dựng model từ chính domain-specific physics data do các robot đã triển khai tạo ra.

Năm 2026, hai hệ thống công nghiệp đã nâng mức đặt cược: Dyna-2 báo cáo human-to-robot scaling law dựa trên một triệu giờ egocentric video; còn Rhoda xây dựng toàn bộ control loop trên nền tảng video prediction. Luận điểm mạnh nhất của cả hai là: nguồn tài nguyên khan hiếm không phải là model class, mà là grounded data, và video chính là phương tiện lưu trữ dữ liệu chủ đạo.

Cuộc tranh luận này phụ thuộc phần lớn vào các announcement và thiếu đi những so sánh có đối chứng. Zhang và cộng sự đã tiến hành so sánh đối chứng trên các benchmark LIBERO-Plus và RoboTwin 2.0-Plus, thực hiện kiểm thử systematic visual and language perturbation đối với các VLA policy hàng đầu và các world-action model mới nhất, nhằm kiểm tra chuyên sâu tính brittleness được đồn đại của VLA. Các world-action model thể hiện độ robust khá tốt: RoboTwin 2.0-Plus đạt kết quả tối ưu , trên LIBERO-Plus thì Cosmos Policy đạt . Cần lưu ý so sánh con số này với của LIBERO không có perturbation, perturbation đã khiến chỉ số giảm 16 điểm. Kết quả này đồng thời bác bỏ những tuyên bố mạnh mẽ từ cả hai phía: điểm benchmark headline không thể duy trì sau khi có perturbation. Tuy nhiên kết luận lại thú vị hơn thế, không hề có bên nào thắng tuyệt đối: ở một số task, loại VLA này có thể đạt độ robust tương đương; sự khác biệt giữa hai bên không nằm ở trần hiệu năng mà nằm ở cost, khi VLA đòi hỏi các robot dataset đa dạng quy mô lớn và nhiều bộ training objective. Kết quả này không ủng hộ claim mạnh mẽ của bất kỳ bên nào; nó hàm ý rằng năng lực của hai model class này đang dần hội tụ, chỉ khác nhau về phân bổ chi phí; tương ứng với kết luận tại Mục IV-G, cả hai đều thuộc các điểm khác nhau trên cùng một design space, chứ không phải các loài bài trừ lẫn nhau.

Hai bộ kết quả mang lại bằng chứng then chốt tiếp theo. DreamZero báo cáo khả năng generalization về task và environment tăng hơn hai lần so với các SOTA VLA; OmniDreams báo cáo kết quả ban đầu của world-action model vượt trội hơn driving policy dựa trên VLA dùng để đối chuẩn. Ở chiều ngược lại, Fast-WAM chứng minh rằng chỉ cần giữ lại video co-training thì dù loại bỏ test-time imagination, phần lớn lợi ích vẫn được bảo toàn. Nhìn tổng thể, một hypothesis được hình thành mà chưa từng có bên nào công khai cổ vũ: phần lớn lợi ích mà world model mang lại bắt nguồn từ representation học được thông qua prediction, chứ không phải từ việc chạy simulation trong giai đoạn act.

Nếu hypothesis này có thể được tái lập ngoài LIBERO và RoboTwin, thì sự chia rẽ trong lĩnh vực này chỉ là một lỗi xếp loại sai danh mục. Một VLA trải qua video-prediction co-training và một world-action model tắt bỏ inference-time imagination gần như thuộc về cùng một system. Bất đồng thực sự không còn nằm ở model class, mà là việc prediction nên đóng vai trò là một training objective, hay đồng thời là một runtime procedure, hoặc kết hợp cả hai.

Lựa chọn khước từ thế nhị nguyên: Con đường thứ ba : Hybrid systems, ví dụ như nền tảng NVIDIA Cosmos, Cosmos 3 tích hợp toàn bộ text, image, video, audio, action vào một omnimodal model duy nhất, đồng thời thực hiện cả reasoning và simulation. Một position paper Robots Need More than VLA and World Models chỉ ra rằng trọng tâm tranh luận không nằm ở model class, bottleneck thực sự là việc thiếu cơ chế chuyển đổi lượng lớn behavior data phi cấu trúc (human motion, internet video, simulation rollouts) thành grounded robot supervision; đồng thời đề xuất bốn interfaces còn thiếu thay vì một model family mới: data interfaces tự động gắn nhãn cho behavior phi cấu trúc; embodiment interfaces chuyển hướng human motion thành robot actions; world-model interfaces cung cấp physics-grounded 3D reasoning; reward interfaces suy luận task progress từ video và language.

Bản thân paradigm world-action model cố gắng xóa bỏ sự đối lập nhị nguyên này: một hệ thống đơn lẻ vừa kế thừa tri thức rộng lớn từ quá trình pretraining quy mô lớn của VLA, vừa duy trì dynamics có thể dự đoán (predictable) và lập kế hoạch (plannable) của world model. Luận điểm cốt lõi của những người hoài nghi là: liệu prediction có thể đạt tới physical precision cần thiết cho contact-rich manipulation hay không. Đây là câu hỏi mang tính thực nghiệm (empirical), sẽ quyết định hướng đi cuối cùng của cuộc tranh luận này, đồng thời mở ra các research directions dưới đây.

D. Các thách thức mở và định hướng nghiên cứu (Open Challenges and Research Directions)

Những thách thức lặp đi lặp lại trên toàn bộ model family và mọi domain:

1. Drift : Compounding error trong các autoregressive rollout dài.
2. Hallucination and physical/causal inconsistency : Tạo ra khung hình có vẻ hợp lý (plausible) nhưng diễn biến tương lai lại sai lệch về physics.
3. Memory and 3D persistence : Các cấu trúc ngoài màn hình (off-screen) bị lãng quên.
4. Controllability : Tuân thủ trung thực các action đầu vào.
5. Compute versus real-time interactivity .
6. Honest, multi-axis evaluation .
7. An toàn : Rủi ro phát sinh sau khi world-action model đạt được quyền tự chủ (autonomy).

Nhận thức về một trong những thách thức này đã có bước tiến lớn trong những năm gần đây. Trước đây, hallucination thường bị xem là khuyết điểm về architecture, và người ta tin rằng thay thế bằng generator tốt hơn sẽ loại bỏ được nó. Nhưng Hansen và Wang đã chỉ ra: hallucination là vấn đề thuộc về data-coverage, do đó có thể dự đoán được. Họ phân biệt các mô hình hallucination khác nhau; các tín hiệu có thể dự đoán việc model sắp hallucinate trước khi rollout bắt đầu hoặc trong quá trình rollout. Điều này mang lại hai chiến lược giảm thiểu (mitigation) trực tiếp: giai đoạn training áp dụng coverage-aware sampling; hallucination predictor được dùng làm curiosity reward để định hướng data collection, đi tới các khu vực có độ bất định cao nhất của model. Góc nhìn này có ý nghĩa thực tiễn sâu sắc: nếu hallucination phụ thuộc vào coverage thay vì model capacity, thì việc mở rộng quy mô model không phải là biện pháp đúng đắn; thay vào đó nên mở rộng hoặc lọc data có định hướng. Hệ thống có thể được xây dựng để "biết khi nào không nên tin vào dream của chính mình". Kết luận này kết nối chủ đề uncertainty của PETS, WHALE với vấn đề hallucination của generative world models, là một trong những thành tựu có giá trị thực nghiệm cao nhất giữa các hướng nghiên cứu trong những năm gần đây.

Dưới đây liệt kê 7 research directions cụ thể, được sắp xếp theo mức độ quan trọng:

1. Physically grounded prediction . Realism-vs-understanding gap là scientific challenge cốt lõi của lĩnh vực này. Các hướng tiếp cận triển vọng (promising routes) bao gồm physics-informed objectives, explicit 3D/occupancy state (OccWorld), object-centric latents (LPWM, C-JEPA), và hybrid với learned/classical simulators. Mục tiêu là ngoại suy (extrapolation) trong các unseen configuration, chứ không đơn thuần là nội suy (interpolation) bên trong seen distribution. Thí nghiệm quan trọng tiếp theo: cố định training distribution, chỉ thay đổi physical parameter mà model bắt buộc phải ngoại suy, đo lường đường cong biến thiên của error theo khoảng cách tới training support trên các model family khác nhau. Trước khi đường cong này được công bố, các tranh luận trong ngành vẫn chỉ dựa vào niềm tin (conviction) thay vì đo lường thực tế (measurement).
2. Long-horizon coherence: drift, memory, and 3D persistence . Trước đây, ba yếu tố này bị xem là các vấn đề độc lập, nhưng nay được hiểu là cùng một vấn đề: rollout theo thời gian không còn duy trì được tính nhất quán (consistency) với chính nó. Gốc rễ của drift đến từ exposure bias, mà Self Forcing giải quyết trực tiếp ngay trong giai đoạn training; còn Diffusion Forcing và noise augmentation chỉ là những giải pháp khắc phục một phần. Câu hỏi mở (open question) cho hướng memory: history được lưu trữ ở đâu? External bank indexed by pose-time (WorldMem), compressed attention context (RELIC), hay camera-aware retrieval (Matrix-Game 3.0). Về hướng geometry, việc căn chỉnh feature nội bộ của generator với đặc trưng của 3D foundation model mang lại sự cải thiện rõ rệt. Một cơ chế đơn lẻ có khả năng cung cấp stable unbounded interactive rollout chính là gate-keeping problem của các playable world models.
3. Resolving the prediction-target question empirically . Câu hỏi trọng tâm (central question) xuyên suốt bài viết này hiện vẫn dựa nhiều vào conviction mà thiếu đi head-to-head controlled comparison. Dưới tiền đề encoder, data, compute budget và planner đều được cố định, chỉ thay đổi prediction target để so sánh giữa pixel, latent, representation và value. Kết quả kỳ vọng không phải là một winner duy nhất, mà là mapping giữa task property và target. Việc công bố mapping này mang lại giá trị cao hơn nhiều so với việc chỉ viết thêm một system paper mới.
4. Unified world-action models, and controllability without action labels . Việc joint training giữa dynamics và actions mang lại mutual reinforcement; Cosmos 3 đã mở rộng hướng tư duy này lên omnimodal model. Ràng buộc then chốt (binding constraint) đến từ action labels; do đó unsupervised latent actions (Genie, LAPA) đóng vai trò sống còn để khai phóng nguồn internet video và human video không có action (action-free). Những bất đồng quan điểm mở (open disagreements): một luồng ý kiến cho rằng điều còn thiếu không phải là các unified model lớn hơn, mà là các interface giúp chuyển đổi human data phi cấu trúc thành grounded robot supervision; Fast-WAM đưa ra một giả thuyết sắc bén: prediction chỉ dùng làm training objective, còn runtime thì không cần imagination. Việc xác định khi nào imagination thực sự bắt buộc phải run, thay vì chỉ phục vụ cho training, sẽ giải đáp đồng thời cả hai luồng bất đồng quan điểm này.
5. Honest evaluation, including world models as evaluators . Evaluation mặc định phải là multi-axis, hướng tới physics-action-consistency; áp dụng các phương pháp honest aggregation như rliable; nhóm tác giả Yu và cộng sự đã đề xuất thang đo khớp giữa claim và evidence. LikePhys chứng minh rằng không cần render kết quả vẫn có thể probe được model belief. Chiều ứng dụng ngược lại cũng quan trọng không kém: world model không cần phần cứng thực tế vẫn có thể rank các policy; tuy nhiên bạn phải biết khi nào thứ hạng của proxy evaluator nhất quán với kết quả trên phần cứng, và khi nào nó mất hiệu lực. Một bộ benchmark chung liên domain (shared cross-domain world-model benchmark suite) cho đến nay vẫn còn thiếu vắng. Thậm chí khó hơn cả coverage chính là calibration: biết được khi nào có thể tin cậy evaluator.
6. Real-time, efficient inference . Các playable, deployable world models cần xuất frame trong vài chục mili-giây. Yếu tố này đã chuyển từ một ghi chú kỹ thuật nhỏ (engineering footnote) thành một ràng buộc quyết định thí nghiệm nào có thể tiến hành. Interactive generation hướng tới low latency để người xem không phải chờ đợi; còn control đòi hỏi predictable deadline, bởi một late action cũng tương đương với một wrong action. Khi báo cáo latency, độ biến thiên độ trễ (latency variance) cũng quan trọng không kém.
7. Safety and reliability . Sau khi world-action model đạt được autonomy, nó sẽ kéo theo những rủi ro mới: goal misgeneralization, reward hacking nhắm vào learned model, và hallucinated rollout dẫn dắt các unsafe actions. Tuy nhiên có một kết quả đáng khích lệ: hallucination có thể dự đoán được từ cấp độ data coverage, do đó hệ thống có thể được thiết kế để biết khi nào không nên tin cậy (distrust) dream của chính mình. Các uncertainty-aware world models, guardrails, và việc thực hiện independent verification đối với các dreamed plans là điều bắt buộc đối với các đợt triển khai mang tính sống còn về an toàn (safety-critical deployment). Đặc biệt đối với rủi ro trong khuôn khổ world-action: một model duy nhất vừa sinh ra plan, vừa cung cấp tiêu chuẩn đánh giá plan đó tốt hay xấu; nếu model mắc lỗi, sẽ không có nguồn ngoại vi nào bắt được lỗi đó. Do đó, independent verification — bất kể dựa vào classical simulator, physical sanity check, hay một model khác được huấn luyện độc lập — không phải là một bước tinh chỉnh phụ (refinement) mà là yêu cầu bắt buộc. So với sáu hướng còn lại, hướng nghiên cứu này có mức độ hoàn thiện thấp nhất, nhưng tầm quan trọng lại cao nhất.

E. Kết luận

World model đã biến trực giác năm 1943 của Craik — rằng trí tuệ được xây dựng dựa trên một simulator nội bộ về thực tại — thành một engineering discipline thực thụ. Trong chưa đầy một thập kỷ, lĩnh vực này đã phát triển từ việc huấn luyện agent trong learned dream tới các internet-scale simulator, từ văn bản tạo ra playable worlds, cho đến các world-action model vừa có thể imagine vừa có thể act đồng thời. Đằng sau những biểu hiện muôn hình vạn trạng, có một trục tư duy thống nhất: world model nên dự đoán điều gì? Liệu nó có cần trực tiếp điều khiển cơ cấu chấp hành hay không? Sáu modeling family đã đưa ra những câu trả lời khác nhau cho câu hỏi đầu tiên; và sự tiến hóa hướng tới world-action model là lời giải cho câu hỏi thứ hai. Những hard problems còn tồn đọng (physical consistency, long-horizon coherence, faithful controllability, honest evaluation, safety) sẽ định đoạt đâu là canh bạc (bet) chiến thắng, cũng như việc liệu các learned world model có thể trở thành cơ sở hạ tầng nền tảng cho trí tuệ hiện thân tổng quát (general embodied intelligence) hay không.

TÀI LIỆU THAM KHẢO

Tham khảo nguyên văn

Học tương tác với AI (NotebookLM)

Ngoài đọc , bạn có thể nghe , xem và xem hoạ thông tin ở đầu bài. Bài này còn có bộ công cụ tương tác do AI tạo: Bài kiểm tra trắc nghiệm, Thẻ ghi nhớ, Sơ đồ tư duy, Bản trình bày và Báo cáo chuyên sâu.

Mở không gian học tương tác