李飞飞 World Labs 热潮之后，一文看懂“空间智能”硬核全栈

视频生成卷到 2D 天花板”的热度刚降温，李飞飞 World Labs 又带着 Marble 平台把舆论拉进 3D 世界。一周过去，当时刷屏的 Demo 已经沉淀为 arXiv 上 90 页、300 篇文献的综述——《3D and 4D World Modeling: A Survey》。

我们把时间线拉回来看：Marble 的“空间智能”究竟只是炫酷 GIF，还是自动驾驶、机器人、XR 与数字孪生的下一座基建？

今天分享一篇最新3D、4D世界模型技术最新全面系统性综述

• 2D 视频生成卷到头了，但真实物理世界天生是 3D+时间维度的。
• 自动驾驶、机器人、XR、数字孪生都需要几何一致、可交互、长时序的时空场景。
• 缺乏统一术语 & 碎片化严重：同样叫“world model”，有人指视频生成，有人指预测器，有人指闭环仿真器。

• 本综述首次系统梳理 3D/4D 原生表示（RGB-D、Occupancy Grid、LiDAR Point Cloud）的世界模型，给出明确定义、分层分类法、数据集与评测指标，并开源持续维护。

01 分层分类法

3D/4D World Model = 在原生三维或四维表示上，生成（Generative）或预测（Predictive）几何合理、语义可控、时空一致的场景，以支持感知-决策-仿真全链路任务。

02 各模态深度拆解

2.1 VideoGen——把视频生成做成“时空编剧”

• Data Engine：MagicDrive、DiVE、DreamForge 等用 BEV/HD-Map 做几何约束，生成多视角长视频，解决长尾数据稀缺。
• Action Interpreter：GAIA-1/2、DriveWM、Vista 把“转向+速度”映射到未来帧，实现动作-结果可微分仿真。
• Neural Simulator：DriveArena、DreamForge 在闭环里交替“生成-决策”，替代传统游戏引擎渲染管线。

关键挑战：长时序一致性（InfinityDrive）、多视角几何对齐（DiST-4D）、稀疏标注下的可控性（MaskGWM）。

2.2 OccGen——把世界变成“可交互的乐高”

• Scene Representor：SSD、SemCity 用扩散模型把稀疏 occupancy 补全为稠密语义体素，提升感知鲁棒性。
• Occupancy Forecaster：OccWorld、OccSora、T3Former 以 ego-action 为条件，预测未来 3s 的 4D occupancy，误差 < 30 cm。
• Autoregressive Simulator：DynamicCity、UniScene 支持“布局→时序体素→多传感数据”一条龙，实现可编辑的大型开放世界。

关键挑战：细粒度动态物体（自行车、行人）补全、长时序误差累积、与下游规划器端到端联合训练。

2.3 LiDARGen——直接“点云编剧”

• Data Engine：R2DM、LiDM、WeatherGen 用扩散/流匹配生成逼真点云，解决恶劣天气、稀有场景数据不足。
• Action Forecaster：Copilot4D、ViDAR 把“历史点云 + 未来轨迹”映射到未来点云，实现点云级别的动作推演。
• Autoregressive Simulator：LiDARCrafter、LidarDM 支持4D 点云序列闭环生成，可直接喂给下游检测/规划网络做训练。

关键挑战：保持扫描线结构、处理点云稀疏性、跨模态与图像语义对齐。

03 统一评测体系——不再“各玩各的”

1. Generation Quality：FID/FVD、FRD/FPD、Consistency、Controllability、Human Preference
2. Forecasting Quality：IoU@1s/2s/3s、Chamfer Distance、Temporal Consistency
3. Planning-Centric：Open-Loop L2/碰撞率、Closed-Loop PDMS/ADS
4. Reconstruction Quality：PSNR/SSIM/LPIPS、Novel-View IoU
5. Downstream：3D Det mAP、BEV 分割 mIoU、VQA Top-1

https://arxiv.org/pdf/2509.07996
3D and 4D World Modeling: A Survey
https://github.com/worldbench/survey

公众号后台回复“数据集”获取100+深度学习各方向资源整理