五个核心问题与回答
为什么强化学习在游戏里成功，在工业里却很难复制？
算法没有变，为什么从围棋搬到工厂就失效？
游戏可以快速重置并进行百万、亿次探索，现实设备却承担磨损、安全、停产和人员风险。工业落地的首要瓶颈不是智能体不会学习，而是现实环境付不起它学习所需的试错成本。
高保真仿真不已经解决这个问题了吗？
把所有训练搬到模拟器里不就行了？
托卡马克控制案例说明，高保真仿真本身可能需要十余年工程积累，并不便宜。世界模型的机会在于从有限数据和机理中学习一个可推演的中间层，但它不能只是更快的黑箱；否则只是把试错风险藏进错误模拟。
长轨迹为什么会让世界模型失真？
单步预测很准，多步控制是否自然也会准？
不会。每一步的小误差会进入下一步输入并复合放大，报告用“100 步可能带来万倍误差”说明这一危险。工业 Agent 必须评估整条轨迹的稳定性，而不能只展示单步平均误差。
什么是因果倒置？
模型从历史数据中学到相关性，还可能错在哪里？
生产系统中的控制动作往往是对异常的反应，模型可能误以为动作导致异常。例如看到“升温时增加冷却”，错误学习为“增加冷却导致升温”。如果不通过干预、机理和反事实检查因果方向，策略优化会沿错误方向执行。
工业世界模型的产品价值是什么？
它最终是一套预测软件，还是一个 Agent 基座？
更接近可审计的仿真—决策闭环：先在低成本环境中推演，再生成受约束策略，并解释风险和适用边界。只要一个行业存在高成本试错、长链控制、历史数据和部分机理，世界模型就可能成为自动决策之前的必要基础设施。
沿着对话，回到问题如何展开
俞扬：强化学习中的智能体通过动作、观测和奖励积累样本，再从样本中学习更好的策略。它在游戏中可以反复探索，因此能够超过人类。
纪要：这套成功叙事隐含了一个免费条件：环境可以被无限复制和重置。工业世界恰好没有这个条件。
俞扬：工业场景最关键的挑战就是不允许试错。一次错误控制可能损坏设备、影响产线甚至带来安全事故。
纪要：因此，工业智能的评价标准必须把探索成本写进去。一个在模拟指标上更优、却需要大量在线试验的算法，可能没有部署价值。
俞扬：DeepMind 的托卡马克控制令人瞩目，但其背后依赖长期建设的高质量仿真。世界模型未来可能替代一部分如此昂贵的仿真设计。
纪要：案例的意义不是证明 AI 已经可以轻松控制复杂物理系统，而是反向揭示：可靠环境模型往往比策略算法更稀缺。
俞扬：小数据、长轨迹误差累积和因果倒置，是工业世界模型需要直接面对的问题。对抗式学习可以帮助提取稳定规律，但训练本身也很不稳定。
纪要：每个难点都要求不同证据：跨工况泛化、长链回放、干预测试与多随机种子稳定性。单一测试集准确率不足以支持现场授权。
俞扬：目标是构建更通用的面向工业的世界模型基座，并让模型的推演与判断能够被解释。
纪要：“通用”不意味着忽略行业机理，而是让建模、约束、验证和决策接口可以复用。工业 Agent 的壁垒由此从对话体验转向可被工程师信任的推演能力。
现场画面
