一、什么是显式世界模型？

显式世界模型通常用人能够理解的变量、规则、结构或方程描述环境。例如，传统物理仿真会明确设置物体质量、摩擦系数、碰撞关系和运动规则；数字孪生也可能按照设备结构和业务规则建立状态模型。
显式模型的优势是结构清晰、可解释性较强，便于加入工程知识和安全约束。在规则明确、变量可测、环境相对稳定的任务中，这种方式具有较高价值。但真实世界存在大量难以完整枚举的细节，手工规则的维护和迁移成本也可能较高。

二、什么是隐式世界模型？

隐式世界模型不要求研究人员事先写出全部状态和规则，而是通过图像、视频、传感器、动作和反馈数据学习内部表征。模型可能在隐空间中压缩复杂信息，并根据当前表征预测未来状态或行动结果。
这种方式能够处理难以用固定规则描述的复杂环境，也更容易从大规模数据中发现模式。但隐空间中的知识不一定能够被人直接阅读，模型还需要通过评测、可视化、约束和真实任务验证来确认是否学到了可靠的物理关系。

三、两种路线并不是非此即彼

在实际系统中，显式知识和隐式学习经常结合使用。系统可以用神经网络学习复杂的环境动态，同时加入几何边界、控制规则、安全规范和设备限制；也可以利用仿真环境生成数据，再让模型从数据中学习更强的泛化能力。
选择哪种路线取决于任务特点。对规则清晰、高风险且必须解释的部分，可以保留更多显式约束；对长尾复杂、难以手工建模的部分，则可以发挥数据驱动模型的能力。

四、为什么隐空间受到关注？

直接预测高清像素需要处理大量与行动无关的细节。隐空间建模希望把复杂观测压缩为更紧凑的内部状态，保留物体、空间、动作和变化等对任务更重要的信息，从而提高预测和规划效率。
不过，压缩并不意味着信息越少越好。隐空间必须保留完成任务所需的关键物理因素，否则模型可能生成看似合理但无法支持行动的结果。如何学习合适的抽象层级，是世界模型研究的重要问题。

五、西湖数智的隐空间驱动路线

西湖数智的概念世界模型强调隐空间驱动，重点学习物体、空间、状态、动作和因果关系。其目标不是完整复刻每一帧画面，而是建立能够支持物理推演和行动判断的概念表征。
这一路线关注的是模型能否抓住影响结果的关键因素，并将其用于机器人、车辆和智能硬件的预测、规划与控制。相关能力仍需要通过公开评测、闭环仿真和真实设备任务持续验证。