World Models（世界模型）
World model 是讓 AI 建立「世界如何運作」的內部狀態表徵，並依持續觀察推測環境如何變化、行動可能造成什麼結果。它和只做文字生成的 LLM 不同，重點不只是回答或產生內容，而是支援預測、規劃、模擬與互動；但「具備 world model」不等於已能可靠控制真實世界。
BusinessNext 整理 WEF《2026 年十大新興技術報告》時，指出今年唯一被列入的 AI 技術是 World Models。來源把它連到數位孿生、自駕車、智慧製造、物流、自主機器人、無人機、醫療模擬與防災系統；這是媒體對 WEF／Frontiers 材料的二手整理，不是 world-model 能力的獨立 benchmark。
可重用的分層
- 觀察層：從影像、感測器、操作軌跡或其他多模態資料更新對環境的狀態估計。
- 預測層：推演不同動作、時間或外部條件下可能出現的下一狀態。
- 規劃層：把預測結果交給 agent 或控制器，選擇符合目標、成本與安全邊界的行動。
- 驗證層：先在 simulation／digital twin 或 replay 中測試，再以受限場域、人工接管與可停止機制驗證真實部署。
這個分層可避免把 world model 當成單一模型能力：模型的預測品質、模擬可信度、控制延遲、感測器覆蓋與失效處理都會影響整體結果。實體場域仍需 physical-ai-commercialization 的成本／安全／部署判準，以及 edge-ai-harness 的資料、感知、模型、致動器與現場通訊整合。
與生成式媒體及具身 AI 的關係
Google Cloud 的生成式媒體指南把 Genie 描述為可由文字與圖片提示即時生成可探索環境的 world model，主要用途是支援具身 AI 代理與互動應用原型。這顯示 world model 也可以作為資料生成、訓練或情境測試的環境層，但不能直接把生成的環境視為真實世界的完整替代品。
因此，產品或研究評估至少要分開問：
- 模型是在預測真實狀態、生成可探索環境，還是只做視覺／文字敘事？
- 模擬結果是否能轉移到真實場域，轉移誤差如何量測？
- agent 的規劃是否受 ai-native-enterprise-governance 的 owner、權限、sandbox、observability 與人工接管約束？
- 是否有 replay、counterfactual、failure case 與實體 deployment eval，而不只展示 demo？
Mobility-Embedded POIs：把場所從靜態標籤變成動態功能
Google Research 的 ME-POIs 把 world model 的觀察層從「場所名稱、類別與描述」延伸到群體活動的時間節律：以 aggregated、anonymized mobility patterns（抵達時間、停留時間與鄰近移動）和 POI text metadata 做 self-supervised 融合，產生同時表達場所 identity 與 function 的 embedding。它的三段 pipeline 是 visit alignment、spatial multiscale visit propagation，以及 text-mobility synergy；後者用 mobility vector 補上「這裡實際如何運作」的 operational context。
來源在 Los Angeles 與 Houston 的 unseen places 上評估 opening／closing hours、price level、permanent closure、visit intent 與 busyness 五項任務，報告 ME-POIs 相對 baseline 的 visit-intent、price-level 與 busyness 改善。這些數字是 Google Research 的研究結果，不是獨立重現的 benchmark；可重用的判準是：世界狀態不只要記錄「它是什麼」，還要保留「它在時間與場域中如何運作」，並用跨地區、未見地點的 eval 檢查是否只是記憶靜態標籤。
這個案例也補上 groundsource-news-to-data 的另一種資料轉換路徑：Groundsource 把非結構化新聞轉成事件資料，ME-POIs 則把文字與群體 mobility 轉成場所功能表徵。兩者都顯示，AI 要理解 physical world，關鍵不是把更多文字塞進 context，而是建立可更新、可驗證、可供下游預測使用的中間 representation；同時仍須把 aggregate population signal 與個人追蹤／個人化嚴格分開。eval-is-spec
Planetary Prediction Engine：從世界資訊到預測模型
planetary-prediction-engine（PPE）提供另一個 Earth AI 案例：它不宣稱單一模型已完整理解世界，而是把多種地理空間資料、foundation-model embeddings 與統計 covariates，經由 intelligent data selection 與自動化模型訓練轉成任務特定的預測。這比較接近 world model 的「觀察／表徵 → 預測」路徑，尚未等同於可靠的實體控制或通用模擬。
PPE 的地理泛化、data-scarce downscaling 與疫情 nowcasting 結果，提醒評估 world model 時要分開檢查：資料是否代表真實狀態、表徵是否能跨地點與時間轉移、預測是否可被外部資料驗證，以及高風險決策是否仍有領域專家與人工接管。來源報告的 benchmark 改善屬 Google Research attribution，不視為獨立部署證據。
MAPL-EMIT：從 hyperspectral sensing 到可驗證 plume map
Google Research 的 MAPL-EMIT 是 world model「觀察 → 預測」路徑的具體案例，但不是完整的通用 world model：它把 EMIT 的 hyperspectral radiance 與空間 context 轉成 methane plume 的偵測、形狀、source location 與 enhancement prediction。研究以 physics-based synthetic plumes 注入真實 EMIT scenes 訓練，並報告在特定 NASA L2B benchmark 上捕捉 84% expert-annotated plume complexes、找到約 1.5 倍 human analysts 的 plausible plumes；這些是研究來源 attribution，不是 AI Ark 的獨立 benchmark。
這個案例補充 world model 的驗收重點：偵測結果要同時保留 confidence、false-positive／false-negative、觀測覆蓋與物理單位。Earth Engine dataset 明確區分 high／medium confidence，且提醒 ppm-m enhancement 不是 kg/hr emission rate；排放通量仍需要 IME、風場與外部驗證。也就是說，從感測器輸出到政策或減排行動之間，仍必須經過 physical validation、時間聚合與人工／領域決策 gate。
對 AI Ark 的用法
- 把 world model 視為 model → simulation → control 的中介層，不把它和一般 LLM、digital twin 產品或 robot controller 混為一談。
- 追蹤來源時優先保留任務、環境、觀察頻率、預測 horizon、模擬／真實落差與失效案例；只有「能理解世界」的宣稱不構成證據。
- 在台灣製造、物流與 edge AI 候選中，檢查 world model 是否真的降低現場試錯、提升規劃品質，還是只增加一層展示用模擬。