世界模型到底需不需要显式物理引擎

最近看了几篇关于基于视频的世界模型的工作，比如Hobbes、Genie还有Sora的后续分析。一个核心问题一直困扰我：这些模型学到的“物理直觉”究竟是真正的因果理解，还是仅仅拟合了视觉流形上的统计相关性？就拿物体掉落、碰撞这种场景来说，纯数据驱动的扩散模型虽然能生成好看的轨迹，但一旦出现训练集里罕见的长杆平衡、非刚体变形，就很容易崩掉。

反观像Neural-ODE或者Hamiltonian网络那样显式嵌入物理约束的做法，虽然泛化性好，但受限于预定义的方程形式，很难覆盖复杂摩擦、流体等场景。我比较倾向折中路线——用可微分物理引擎作为世界模型的“底层算子”，上层用神经网络学习残差或未建模效应。不知道大家觉得这种混合架构在实际部署（比如机器人规划）中会不会因为计算实时性而受限？或者有没有更好的先验注入方式？