世界模型与智能体协议：从预测"下一个词"走向预测"下一个状态"，构建智能体标识、认证、路由等新协议

世界模型与智能体协议：从预测"下一个词"走向预测"下一个状态"，构建智能体标识、认证、路由等新协议

作者机构：淞基科技（上海）有限公司、淞基信息通信研究院、淞基未来信息网研究部、淞基新一代信息技术网研究部

日期：2026年11月

1. 摘要

以大语言模型为代表的人工智能系统，其核心训练目标始终是"预测下一个词"。这一目标在互联网文本尺度上取得了空前的成功，却也让模型被困在"词法界面"之内：模型能生成流畅的语句，却难以在真实行动之前对"世界的下一个状态"进行可靠预演。本文提出一个统一视角——大语言模型是世界模型的一个退化特例，世界模型是对"采取某动作后世界下一状态如何变化"的建模，二者之间的连续谱系（多词预测、未来摘要、下一隐状态、JEPA）恰恰刻画了从"下一个词"走向"下一个状态"的路径。沿着这一路径，智能体从"会说话的模型"进化为"能行动、能规划、能协作的主体"。当智能体数量从单体走向网络化、规模化协作时，一个根本性缺口浮出水面：我们缺少一套面向"状态与行动"的智能体协议层。本文系统梳理并论证了智能体标识（Identity）、认证（Authentication）、授权（Authorization）、路由（Routing）等新协议的必要性、技术路径与标准化现状，提出了一个分层协议栈框架，并讨论了数据悬崖、架构、隐私、责任与治理等开放问题。本文认为，下一个十年的基础设施之争，将从"算力与参数"转向"状态表征与协议标准"。

关键词：世界模型；智能体协议；智能体标识；认证；路由；去中心化标识符；状态预测

2. 一、引言：范式跃迁的坐标

2.1 1.1 从"生成"到"行动"：人工智能的两次转向

过去十年，人工智能的叙事围绕"生成"展开：从生成下一个词、下一段代码、下一帧图像，到生成一段视频。生成的目标函数统摄了语言模型、视觉模型与视频模型。然而，"生成"本身不蕴含"行动"——模型可以把一段对话续写得滴水不漏，却无法回答"如果我按下这个按钮，世界会变成什么样"。

与之相对，控制论与强化学习中有一个古老而清晰的概念：世界模型。它不预测下一个符号，而是预测"在当前状态下采取某个动作后，下一个状态会如何变化"。Ha 与 Schmidhuber（2018）将其形式化为（状态、动作、转移函数、初始分布）四元组；LeCun（2022）在《迈向自主机器智能》中进一步论证，仅靠自回归词元预测无法产生规划所需的具身结构化表征，并提出在隐空间而非词元空间预测的 JEPA 架构。这两条线索，一个来自"词"的顶端，一个来自"世界"的底端，在 2025—2026 年加速合流。

为什么是"现在"发生合流？三个时点条件同时成熟：其一，规模已经到顶——互联网文本这一"免费午餐"基本被开采殆尽，继续堆参数的边际收益递减，行业被迫寻找新的训练信号，而"状态"与"行动"恰好是未被开采的富矿；其二，应用已经跨界——智能体开始真正接管生产环节（自动驾驶、机器人、供应链履约、金融交易），这些场景不接受"说着像样但算不准"，只接受"状态推演可信"；其三，标准开始萌芽——MCP、A2A 等协议的出现，标志着行业第一次尝试为"智能体协作"建立公共语言，而身份与信任层仍是空白，等待被填补。三个条件的叠加，使"从词走向状态、从单体走向网络"成为当下最紧迫、也最可行的方向。

2.2 1.2 一个统一的视角：LLM 是世界模型的退化特例

关于 LLM 与世界模型的关系，学界长期存在"非此即彼"的对立叙事。本文采纳并展开一个更具解释力的视角：LLM 是世界模型的一个特例，世界模型是 LLM 的严格推广。设状态空间为所有有限词元序列，唯一的"动作"是选择下一个词元，转移函数为确定性的"追加"，那么一个自回归 LLM 就完整地嵌入世界模型的形式化框架。这意味着，"世界模型不是要取代 LLM，而是 LLM 向更大状态空间、更细粒度动作、更真实因果的推广"。

这一视角的关键推论是：从 NTP（下一个词预测）到 JEPA 之间存在一条连续谱系——多词预测（MTP）、未来摘要预测、下一隐状态预测（Next-Latent）、再到动作条件化的隐空间预测（JEPA）。每一步都只是放松 LLM 的一项约束，而中间步骤（MTP 至 Next-Latent）恰好保住了 LLM 的两大实用优势——互联网级自监督数据与适配词元预测的 Transformer 架构。真正的"数据悬崖"出现在最后一步 JEPA：它需要带动作标签的、来自仪器化环境的成对（观测、动作、下一观测）数据，其规模比互联网文本低数个数量级。

2.3 1.3 智能体：从"会说话"到"能协作"

世界模型赋予了智能体"预演"的能力，而真正的智能体还需要"行动"与"协作"。当系统从单一模型升级为"能够自主调用工具、代表用户履约、并与其他智能体协作"的主体网络时，一个此前被模型能力光环遮蔽的缺口暴露出来：我们无法可靠地回答三个基本问题——"对面是谁"、"它被允许做什么"、"它是否值得信任"。这正是本文的核心命题：随着智能体从"预测下一个状态"走向"在多智能体网络中行动下一个状态"，我们必须为智能体构建一套与当年 TCP/IP、DNS、PKI 之于互联网同级别的"身份—认证—授权—路由"协议层。

本章以下各节将依次展开：第二章深入"世界模型与状态预测"的理论与产业进展；第三章论证为什么智能体网络需要新协议；第四章至第六章分别讨论智能体标识、认证与路由；第七章给出分层协议栈框架；第八章讨论开放问题；第九章给出结论。

3. 二、世界模型的本质：预测"下一个状态"

3.1 2.1 形式化定义：一个状态，一次预演

世界模型的形式化定义是一个四元组 (S, A, T, ρ₀)：S 是状态空间，A 是动作空间，T: S×A→��(S) 是转移函数，ρ₀ 是初始状态分布。规划的机制是：在真实行动之前，反复查询 T，在"想象"中推演一条轨迹（s₀, a₀, s₁, a₁, …）。这正是"脑内沙盘"的数学表述——心理学家称之为心智模型，强化学习研究者称之为世界模型，而它捕捉的是一种更普遍的能力：在行动之前预演后果。

据此我们可以给出一个工作定义：世界模型是对物理世界状态转换过程的压缩建模，其构建受有限计算资源约束。在计算约束下，一个通用的世界模型具有三个特性：全模态（不局限于文本或视觉，能对所有感知模态建模并形成统一潜在表征）、多维异步（现实传感器以不同频率采样，模型须处理非对齐的多维时序）、以及状态可推演性（模型输出可在想象中被反复回溯与演化）。

3.2 2.2 LLM 如何嵌入世界模型框架

将 LLM 嵌入世界模型框架的映射是直接的。设词表 V 为有限词元集合：状态空间 S = V*（所有有限词元序列，即当前上下文）；动作空间 A = V（唯一的动作是选择下一个词元）；转移函数 T(s, a) = δ_{s·a}（确定性追加）；而 LLM 提供策略 π_θ: V* → ��(V)。由此，LLM 同时扮演了"世界模拟器"与"智能体"两个角色，这是 LLM 特例的定义性特征。

LLM 与世界模型相比施加了五项约束：状态表征仅为离散词元序列；动作粒度为"每步一个微词元"；状态持久化需从上下文每次重新推导；训练监督来自对原始文本的下一个词预测；网络架构为与离散词元协同演化的 Transformer。这五项约束中，最后两项彼此耦合，解释了 LLM 为何能规模化：NTP 对文本无需标签、传感器或仪器化环境，只需互联网文本；Transformer 架构与这一目标共同演化，配适度极高。它们不是缺陷，而是约束；而"沿谱系上行"正是逐项放松这些约束。

3.3 2.3 机制的证据：世界模型在激活中，而非词元中

一个强有力的经验证据来自机制可解释性：仅以词元序列训练的模型，其隐藏激活中确实涌现出丰富的世界状态表征。OthelloGPT 仅凭落子词元训练，其激活即以超过 99% 的准确率线性编码整个棋盘状态；下棋语言模型复现了这一点；Llama-2 在其激活中线性编码了地理空间与日历时间。这些结果表明：世界模型存在于激活之中，词元只是界面，而非表征。LeCun"LLM 预测词元而非状态，因此无法规划"的批评，混淆了界面与表征——它适用于词元接口，而非内部表征。

3.4 2.4 连续谱系：从 NTP 到 JEPA 的五个站点

从 NTP 到 JEPA，谱系上至少可标出五个站点，每一步放松一项约束：

1. NTP（下一个词预测）：预测单个下一词元。代表：GPT-4o、Claude、Llama、Gemini、DeepSeek-V3。

2. MTP（多词预测）：通过 k 个独立头同时预测接下来 k 个词元。Gloeckle 等（2024）证明可显著提升推理与代码性能（MBPP 上提升约 15%，并被 DeepSeek-V3 采用）。这一步骤几乎零成本——同样的数据、同样的架构，仅增加 k−1 个输出头。

3. 未来摘要预测：训练辅助头预测长期未来的压缩表征（词袋或逆 LM 嵌入），在 3B–8B 规模提升数学与推理能力。数据仍为互联网文本，架构不变。

4. 下一隐状态预测（Next-Latent）：Transformer 预测自身的下一隐状态，完全脱离词元空间，可提升规划性能与推理速度（最高约 3.3 倍）。关键洞察是：这一步仍可用互联网级语料训练，监督信号来自模型自身的隐状态，但架构配适度开始削弱。

5. JEPA（动作条件化隐空间预测）：LeCun 的 JEPA 在隐空间预测未来观测的状态，并以外部智能体动作作为条件。训练需要来自仪器化环境的成对序列，数据规模比文本低数个数量级；且"Transformer 能否推广到真正连续的动作条件化动力学"仍是开放问题。V-JEPA 2 通过把视频帧过渡当作隐式动作来近似——这是一种绕道。

数据问题与架构问题是本谱系的两大开放前沿。前三个站点（NTP、MTP、未来摘要）都使用互联网文本；甚至 Next-Latent 也可用互联网级语料，只是改变预测目标。真正的数据悬崖在最后一步：JEPA 需要仪器化环境数据（约 10⁹ 量级），而文本是约 10¹³ 词元量级——相差约四个数量级。在架构上，Vision Transformer 与 V-JEPA 2 都以"重新离散化"（把连续输入切成 patch 当作词元）来绕道，说明 Transformer 的强项仍与离散词元假设耦合；真正的连续状态预测或许需要一个新的架构原语，正如 2017 年之前的 NLP 等待 Transformer 一样。

3.5 2.5 产业进展：世界模型从论文走向工程

产业界在 2025—2026 年密集发力。Google 于 2025 年 8 月发布 Genie 3，作为通用型世界模型，支持用户以文本提示实时生成可交互、可自由探索的动态世界（约每秒 24 帧、720p 交互式环境），被视作"首个支持实时交互的世界模型"。Meta 持续推进 V-JEPA 2 系列视频世界模型。NVIDIA 的 Cosmos 面向具身智能与物理仿真。国内方面，阿里、腾讯先后发布各自的世界模型（如 HY-World 2.0 等），围绕"预测下一个状态而非下一个词"重构底层范式。产业共识正在形成：世界模型是自动驾驶、具身智能、机器人、工业仿真等"行动类"应用的基础底座，其价值不在于"说得像"，而在于"算得准"——即在状态空间中推演出可信的下一步。

3.6 2.6 世界模型的行业落地及其协议需求

在讨论行业之前，需再次强调世界模型与 LLM 的关系：世界模型并不必然"取代" LLM，更准确的关系是互补——LLM 提供语言界面的常识与泛化，世界模型提供状态空间的因果与预演，真正的智能体需要二者的融合。在这一前提下，世界模型的价值最终要在"行动类"行业兑现，而每个行业都会把模型能力之外的需求暴露给协议层：

• 自动驾驶与具身智能：世界模型用于在"脑内沙盘"中生成暴雨、暴雪、异型障碍等极端场景，进行不冒风险的反复试错。这一场景天然要求"状态—动作—下一状态"的高频闭环，且驾驶主体（车端智能体）与路侧、云端、其他车辆之间的协作，需要低时延、高可信的身份与路由协议。

• 机器人操作与工业仿真：世界模型预测机械臂动作后的物理状态（接触、力反馈、碰撞），是闭环控制的前提。多机器人协同作业时，"哪个机器人执行哪一步"由路由层决定，而"它是否有权操作该产线设备"由授权层决定。

• 供应链与物流履约：世界模型推演供需、运力与库存的联动状态，支撑断链预警与弹性调度。当供应链从"人下单"变为"智能体下单、智能体议价、智能体履约"时，每一笔自动交易都需要可审计、可追责的身份与授权。

• 金融交易与风控：世界模型推演市场状态演化，但交易决策必须锚定"代表谁"的合法主体，信任评分与审计闭环在此成为合规底线。

这些行业的共同点在于：世界模型解决"预测得准不准"，协议层解决"行动得可信不可信"。前者是能力的上限，后者是责任的下限。缺少任何一层，智能体都难以真正进入高风险、高价值的生产场景。因此，世界模型的工程化落地，必然同步拉动智能体协议层的建设——这是二者在产业逻辑上的内在耦合，也是本文把"模型"与"协议"放在同一主题下讨论的根本原因。

4. 三、为什么需要新协议：智能体网络化的信任缺口

4.1 3.1 智能体的三个基本问题

当一个智能体代表用户去调用支付接口、访问数据库、向另一个智能体委派任务时，任何接收方都需要回答三个问题：哪个智能体在与我对话？它被允许做什么？它是否值得信任？ 这三个问题分别对应标识（Identity）、授权（Authorization）与信任（Trust）。在人类互联网中，这三个问题由账号体系、OAuth 授权与 PKI 证书体系解决；而在智能体网络中，主体不是人，而是"自主行动的软件实体"，传统的以人为中心的身份模型并不适用——因为智能体可以批量创建、动态迁移、随时销毁，且其"代表谁"的关系（是代表某个用户、某家公司，还是代表另一个智能体）需要在每次交互中被可靠地锚定。

4.2 3.2 从单体到网络的规模跃迁

2024—2026 年，智能体应用从"单模型 + 单工具"演进为"多智能体 + 多协议"的网络形态。模型上下文协议（MCP）让模型以标准化方式连接外部工具与数据源，解决了"M×N 适配"问题；智能体到智能体协议（A2A）让不同厂商、不同框架构建的智能体得以跨平台协作。学界与工程界提出了包括 MCP、ACP（智能体通信协议）、A2A、ANP（智能体网络协议）在内的多种互操作协议。这些协议解决了"怎么通信"的问题，但普遍把"身份可信"作为隐含前提——而这恰恰是最危险的假设。没有可靠的智能体身份与认证，任何基于能力声明的协作都可能是"披着合法外衣的冒充"。

4.3 3.3 新协议的边界：标识、认证、授权与路由

本节先引入一个统摄性的经济视角——"信任税"与"完整性缺口"。在无身份、无认证的智能体协作中，每个接收方都必须为"核实对方是谁、能否信任"付出额外成本；若这套核实无法自动化，成本会随协作规模线性乃至指数上升，形成压制智能体网络化的"信任税"。与之相对，若身份与信任基础设施缺失，系统会掉入"完整性缺口"——无法证明一条行动链上每个环节都真实、未被篡改、可追责。世界模型把"预测"做得越准，智能体的自主行动越频繁，信任税与完整性缺口的代价就越高。这正是新协议的经济必然性。

在此视角下，本文聚焦的"新协议"，不是再发明一种"LLM 调用工具"的协议，而是构建面向状态的智能体网络基础设施，具体包括四类能力：

• 标识（Identity）：为每个智能体赋予密码学上可验证、可持久、可全球唯一的身份标识，并让该身份携带"能力声明"。

• 认证（Authentication）：在每次交互前验证对方确系其声称的身份，抵抗冒充、重放与私钥泄露。

• 授权（Authorization）：约束一个智能体"被允许做什么"，以最小权限原则限缩能力边界。

• 路由（Routing）：基于能力发现与信任评估，将任务路由到合适的智能体，并支撑规模化编排。

这四类能力合在一起，构成"智能体的网络层"。本章之后，第四章到第六章分别深入标识、认证、路由。

5. 四、智能体标识：让"谁在行动"可验证

5.1 4.1 密码学身份：标识即密钥派生

一个健壮的智能体身份应以密码学为基础。以 OpenA2A AIP（Agent Identity Protocol，智能体身份协议）为代表的标准方案规定：每个智能体必须持有 Ed25519 密钥对，其标识符由公钥的 SHA-256 摘要派生（例如 `aim_7f3a9c2e`）。这样，身份与密钥绑定，验证身份即验证"持有对应私钥"。为应对后量子时代，方案还支持混合 Ed25519 与 ML-DSA-65 的密钥对与签名：经典验证方校验 Ed25519 分量，量子感知验证方校验两者——这是把"抗量子"作为身份协议的默认属性，而非事后补丁。

5.2 4.2 去中心化标识符：DID 的登场

在联邦级部署中，智能体以符合 W3C DID Core 规范的去中心化标识符（DID）作为身份。以 `did:opena2a` 方法为例，其语法为 `did:opena2a:<type>:<id>`，type 可为 agent、authority、publisher、mcp_server、a2a_agent、skill、ai_tool 或 llm。DID 文档承载公钥、能力引用与服务端点，使"身份—公钥—服务地址"三元组可由任何验证方解析与校验。W3C DID 标准为自持、可验证、跨组织的智能体身份提供了基础；DID v1.1 于 2026 年 3 月达到候选推荐（Candidate Recommendation）状态。值得注意的是，DID 的采纳在通用身份市场仍受限（例如 Block 于 2024 年末放弃其 Web5 DID 计划），但在智能体这一"从零搭建身份体系"的新场景中，DID 反而成为最自然的选型——因为智能体没有历史身份包袱，且天然需要去中心化、可编程的身份语义。

5.3 4.3 身份的三级部署形态

智能体身份协议通常定义三级合规形态，对应不同部署拓扑：

• L1 本地身份：由 SDK/CLI 在本地创建与管理身份，无需服务器，适合个人开发者。需要 Ed25519 密钥、本地身份文件、本地审计日志与能力声明。

• L2 托管身份：由身份提供商（IdP）管理身份，增加挑战—响应验证、信任评分与集中审计，适合组织。

• L3 联邦身份：身份可跨组织验证，增加 DID 解析、可验证凭据与跨平台信任，适合生态级部署。

5.4 4.4 能力声明：身份不只是"你是谁"

身份还需要回答"你被允许做什么"。在命名空间—动作（namespace:action）语法下，能力被声明为结构化字符串，例如 `file:read`、`db:write`、`api:call`、`system:exec`、`payment:process`、`data:pii_access`。A2A 协议中的 Agent Card（智能体卡片）即是一个描述智能体身份、能力、技能、服务端点与认证要求的 JSON 元数据文档，可被签名（RFC 8785 规范化 + RFC 7515 JWS）以校验真伪与防篡改。能力声明是"授权"的输入，而关键纪律是：声明本身绝不能作为授权的唯一依据——它必须与认证、信任评分、策略引擎共同构成授权决策，否则"声明我有权限"就会被滥用以实现能力升级攻击。

5.5 4.5 智能体身份与人类主体的绑定

智能体身份解决了"谁在行动"，但责任最终要落到"代表谁"。一个完整的安全模型必须区分两类身份：智能体身份（软件实体的密码学身份）与人类主体身份（被智能体代表的自然人/法人）。二者通过"委托链"绑定：智能体持有从已验证主体处继承的、受限的授权凭证，其每一次越权行动都可沿委托链追溯回真实主体。欧盟 eIDAS 2.0 自 2024 年 5 月生效，要求各成员国于 2026 年 12 月前向公民提供经认证的欧洲数字身份钱包，这正是"已验证主体基础设施"的代表；智能体委托框架可以与这类钱包绑定，从而把智能体的行为追责到真实主体。缺失这一绑定，会出现"智能体无主"的责任真空——出了事故，找不到负责人，问责机制整体失效。因此，智能体标识的成熟形态，必须是"密码学身份 + 能力声明 + 主体委托链"的三位一体。

6. 五、智能体认证：让"确系其人"可验证

6.1 5.1 挑战—响应：认证的核心原语

认证的核心原语是挑战—响应。典型流程为：依赖方从身份提供商处请求一个随机 32 字节挑战及其过期时间；依赖方要求智能体用私钥签名该挑战；智能体返回 Ed25519 签名与公钥；依赖方验证签名对挑战与公钥有效、公钥与注册身份匹配、挑战未过期（五分钟窗口）、nonce 未重用。这一流程把"持有私钥"作为身份证据，抵抗重放攻击，并天然支持跨协议的验证。

6.2 5.2 协议特定的认证流

认证必须嵌入具体的通信协议。在 MCP 场景中：MCP 客户端连接 MCP 服务器时，服务器请求挑战，客户端以智能体密钥签名，服务器向身份提供商校验签名、核对客户端能力与所需 MCP 工具，然后接受或拒绝连接。在 A2A 场景中：智能体 A 向智能体 B 委派任务时，A 在 A2A 消息中携带签名断言，B 验证 A 的身份与信任评分，核对 A 的能力包含 `agent:delegate`，再决定接受或拒绝委派。这种"协议内嵌认证"避免了认证与通信两层之间被绕过的缝隙。

6.3 5.3 机器对机器认证：从 API Key 到 JWT

面向程序化访问，智能体认证需要一整套凭证体系：API Key（SHA-256 哈希后存储、base64 传输）、JWT 载体令牌（HMAC-SHA256 签名、一小时 TTL、携带 subject/organization/issuer/audience/expiry/iat/scope 声明）、以及作用域限定的 SDK 令牌。硬件级密钥可经 WebAuthn 承载，从而把"私钥"物理地隔离于智能体进程之外。这为"凭证最小化暴露"提供了路径：智能体进程只握有受限的运行期凭证，而长期私钥被隔离在可信执行环境或硬件认证器中。

6.4 5.4 信任评分：超越二元认证

二元认证（通过/不通过）不足以支撑高风险协作。更完善的方案引入多因子行为信任评分——一个由可独立验证信号计算的复合分数。以 OpenA2A AIP 为例，其九因子算法包括：验证状态（权重 25%）、可用性与正常运行时间（15%）、动作成功率（15%）、安全告警（15%）、合规性（10%）、执行隔离（10%）、运营历史与年龄（5%）、漂移检测（3%）、用户反馈（2%）。复合分数映射到五个离散信任层级（0=Blocked 到 4=Elevated），并随行为持续更新、记录变更历史。核心纪律是：信任评分输入必须可独立验证、由服务端计算，智能体绝不能自我上报信任分数——否则信任评分本身就成为被攻击面。信任评分还可表达为 W3C 可验证凭据，实现跨平台可移植；并与"溯源信任"（代码如何构建与扫描）组合成生态级信任。

7. 六、智能体路由：让"该找谁"可解析

7.1 6.1 从能力发现到能力路由

当智能体网络规模达到成百上千时，任务不能依赖硬编码的调用关系，而必须通过能力发现与能力路由动态完成。A2A 的 Agent Card、MCP 的工具清单、DID 文档中的服务端点，都是能力发现的载体。路由引擎读取任务的语义需求，在"能力—信任—成本—时延"的多维约束下选择最合适的智能体。一个可演进的框架是：任务进入 → 解析能力声明 → 匹配候选集 → 按信任评分与策略过滤 → 路由决策 → 审计留痕。

7.2 6.2 身份—路由解耦：让逻辑身份与物理位置分离

传统网络中，标识与路由地址耦合（IP 地址既是身份又是位置），导致移动性与多宿主困难。智能体网络应借鉴"标识—位置分离"的思想：智能体的持久逻辑身份（DID/自证伪名）与其瞬态物理路由状态（IP 地址、端点）解耦。智能体使用其当前的、瞬态的地址仅作为传输定位符，并通过密码学原语绑定到一个自证伪名（如 EID）。这样，智能体可以动态迁移、水平扩容、多端点并行，而其身份保持稳定——这是支撑"智能体即服务"规模化部署的路由前提。

7.3 6.3 基于 DID 的服务发现

基于 DID 的服务发现机制允许：客户端解析智能体的 DID 文档，读取其服务端点（如 MCP Server、A2A Agent、身份提供商），依据服务类型与能力声明决定调用对象。这一机制把"发现"从中心化注册表解放出来，支持跨组织、跨云、跨域的联邦路由。对于"信任加权路由"，可以将路由决策与信任评分结合：高风险操作只路由到高信任层级（Elevated）的智能体；被降级的智能体自动被排除出敏感任务候选集——这构成"路由即治理"的闭环。

7.4 6.4 编排与路由的分工

路由不等于编排。路由解决"任务该发给谁"，编排解决"多个智能体如何协同完成一个复杂目标"。成熟的协议栈应把两者分层：编排器负责任务分解、依赖管理、结果汇总；路由层负责在每步选择可达、可信、能力匹配的执行者。二者通过标准化的任务描述与状态回传衔接——这正是"状态"语义在协议层的体现：任务被建模为可跟踪的状态机，而非一次性请求。

7.5 6.5 多维路由与成本—时延感知

现实世界的路由决策从来不是单目标优化。一个生产级路由引擎必须在多条约束之间权衡：能力匹配（谁确实能做）、信任层级（谁被允许做高敏感操作）、成本（调用谁的算力与 API 最经济）、时延（谁能最快响应）、以及可用性（谁当前在线、健康）。当候选智能体规模扩大时，路由引擎需要把"能力索引 + 信任过滤 + 成本排序"流水线化：先按能力声明快速缩窄候选集，再按信任层级剔除不达标者，最后在余下候选中按成本与时延目标函数择优。这一过程还须是可解释的——每一次路由决策都应能回答"为什么选它"，从而支撑审计与人工复核。当智能体数量达到成百上千时，路由层本身会成为需要分布式化的基础设施：能力索引分片、信任缓存、就近端点解析，构成一个"智能体网络的 DNS 与负载均衡"。

7.6 6.6 路由即治理：信任与路由的闭环

把信任评分接入路由决策，就形成"路由即治理"的闭环：高敏感任务只路由给高信任层级智能体；被降级的智能体自动退出敏感候选集；信任评分随行为实时更新，进而反向影响未来的路由。这一闭环使"治理"从被动的事后追责，变为主动的、运行期持续生效的机制。它与审计日志配合，构成"行为—信任—路由"的自我调节回路：智能体表现越好，获得越多的敏感任务；表现越差，越被边缘化。这正是智能体网络从"静态可信名单"走向"动态自组织信任"的关键——它让信任不再是开通时的一次性审查，而是整个生命周期的持续评估。

8. 七、分层协议栈框架：面向"状态与行动"的智能体网络层

综合第二至第六章，本文提出一个面向智能体网络的分层协议栈框架，作为"从预测下一个状态到行动下一个状态"的基础设施蓝图：

这张协议栈的核心理念有三：其一，身份是地基，所有上层的授权、路由、信任都以可验证身份为前提；其二，状态是贯穿，从任务描述到回传都以可跟踪状态为核心对象，而非一次性的文本往返；其三，治理是闭环，信任评分、审计日志、透明度机制让"智能体的行为"持续影响"智能体被赋予的信任"，从而在规模化协作中维持可信。

一个值得强调的类比是：这套协议栈之于"智能体互联网"，正如 TCP/IP + DNS + PKI 之于"人类互联网"。没有 TCP/IP，机器无法互联；没有 DNS，我们无法"找到"目标；没有 PKI，我们无法"信任"目标。同理，没有身份—认证—授权—路由协议，智能体虽然"能说话"，却"不知道在和谁说话、谁可以做什么、该信任谁"。当前 A2A 解决了"通信语言"，MCP 解决了"工具接入"，但身份与信任层仍是最大的未定空白——这正是标准化机会所在。

9. 八、开放问题与挑战

9.1 8.1 数据悬崖与架构原语

如第二章所述，从 LLM 走向真正的动作条件化世界模型，最大的瓶颈不是算力而是数据：互联网文本约 10¹³ 词元量级，而仪器化环境（机器人、自动驾驶、工业仿真）的动作标注数据仅约 10⁹ 量级，相差约四个数量级。同时，Transformer 与离散词元协同演化的优势在连续状态预测中削弱，可能需要一个"与连续序列预测同样匹配"的新架构原语。本文判断，数据与架构必须协同突破：更好的连续状态架构能从自监督信号中更高效地学习，从而降低对动作标注数据的依赖。

9.2 8.2 隐私、责任与可治理性

智能体身份与认证带来新的治理难题：当智能体代表用户行动时，谁对后果负责？当智能体身份可被批量创建与销毁，如何防止身份滥用？隐私层面，能力声明与信任评分若包含敏感信号（如 PII 访问记录），需要在协作可信与数据最小化之间取得平衡。责任层面，欧盟 eIDAS 2.0 等法规要求的"经认证的数字身份钱包"（2026 年 12 月截止）为"人类主体验证"提供了基础设施，智能体的委托框架需要与这类"已验证主体"绑定，从而把智能体的行为追责到真实主体。

9.3 8.3 标准化与互操作的碎片化

当前智能体协议处于"群雄并起"阶段：MCP、A2A、ACP、ANP、Coral、各类 DID 方法与身份草案并存，互操作碎片化风险显著。IETF 已出现多项智能体身份与通信草案，但远未收敛为公认标准。本文认为，互操作的收敛不会由单一厂商主导，而更可能发生在"共识层"——即身份、认证、授权、路由这些"与人无关、与状态相关"的基础设施层率先标准化，而上层能力语义由各生态自由竞争。

9.4 8.4 安全威胁模型

智能体协议面临独特的安全威胁：能力升级（通过声明虚报能力）、信任评分操纵（若输入可被自我上报）、重放攻击（若 nonce 管理不当）、私钥泄露（若凭证未隔离）、以及"伪多智能体"攻击（同一实体伪装多个身份以规避治理）。对策应内置而非附加：密钥物理隔离（WebAuthn/HSM）、能力声明与授权解耦、服务端计算的信任评分、追加式审计日志与透明日志、以及持续的行为漂移检测。

9.5 8.5 状态预测的幻觉与可解释性

LLM 的"幻觉"问题在词元空间已经棘手，在状态空间则更为危险：一个预测错误的"下一个状态"，可能被智能体当作真实世界的前提去采取行动，进而产生现实后果。世界模型的状态预测必须与置信度绑定——当模型对某个状态转移不确定时，协议层应拒绝或降级该行动，而不是默认采纳。这就要求状态表征携带不确定性标记，并把"不确定—保守行动—人工复核"写进路由与授权策略。同时，状态推演需要可解释：审计系统应能回溯"为什么智能体认为世界处于状态 S"，以判断其决策的合理性。可解释性不是可选的锦上添花，而是高风险场景（金融、医疗、工业）中智能体被采信的前提。它也是世界模型与传统 LLM 在工程部署上的一个根本差异——词元可以"说得像"，状态必须"算得对且说得清"。

10. 九、结论

本文从"预测下一个词"与"预测下一个状态"的范式张力出发，论证了三层递进的判断：

第一，世界模型是 LLM 的推广而非替代。 LLM 是世界模型的退化特例，二者之间存在从 NTP 到 JEPA 的连续谱系；沿谱系上行是一个"逐步放松约束"的渐进过程，而非范式断裂。真正的瓶颈（数据悬崖与架构原语）集中在 JEPA 端，需要数据与架构的协同突破。

第二，智能体的价值在于行动与协作，而这依赖状态表征与协议层。 当智能体从单体走向网络化协作，标识、认证、授权、路由构成不可回避的信任基础设施。基于密码学身份（Ed25519/DID）、挑战—响应认证、信任评分与能力路由的新协议，正在填补这一空白。

第三，标准化是下一个十年的战略制高点。 智能体协议的收敛将发生在身份—认证—授权—路由这一"状态与行动"基础设施层。谁在这一层建立事实标准，谁就掌握了智能体互联网的"协议主权"。

本文建议，面向未来的智能体网络建设应优先投入三件事：一是身份基础设施，为每个智能体提供可验证、可治理的密码学身份；二是信任与审计闭环，让智能体的行为持续塑造其被赋予的信任；三是开放互操作，在共识层率先标准化，在上层保持生态竞争。唯有如此，智能体才能从"能预测下一个词"走向"可信地行动下一个状态"，人类也才能在由无数智能体共同编织的"世界"中，依然清楚"谁在行动、为何可信"。

11. 数据来源

1. Dubois, P. *From Tokens to States: LLMs as a Special Case of World Models and the Continuous Path Beyond*. arXiv:2606.28127, 2026.

2. Ha, D. & Schmidhuber, J. *World Models*. arXiv:1803.10122, 2018.

3. LeCun, Y. *A Path Towards Autonomous Machine Intelligence*. 2022.

4. Gloeckle, F. et al. *Better & Faster Large Language Models via Multi-Token Prediction*. arXiv:2404.19737, 2024.

5. Mahajan, D. et al. *Beyond Multi-Token Prediction: Pretraining LLMs with Future Summaries*. arXiv:2510.14751, 2026.

6. Teoh, J. et al. *Next-Latent Prediction Transformers Learn Compact World Models*. arXiv:2511.05963, 2026.

7. Li, K. et al. *Emergent World Representations*. 2022; Nanda, N. et al. *Emergent Linear Representations in World Models of Self-Supervised Sequence Models*. 2023.

8. Gurnee, W. & Tegmark, M. *Language Models Represent Space and Time*. arXiv:2310.02207, 2024.

9. Google, *Genie 3: A Universal World Model*, 2025.

10. Meta AI, *V-JEPA 2: Self-Supervised Video Models Enable Understanding, Prediction, and Planning*, 2025.

11. Agent2Agent (A2A) Protocol: Open Standard for Agent Interoperability. Specification v0.2.0.

12. Anthropic, *Model Context Protocol (MCP)*, 2024.

13. IETF, *OpenA2A Agent Identity Protocol (AIP)*, draft-fane-opena2a-aip-01, 2026.

14. IETF, *Agent Identity Protocol (AIP): Decentralized Identity and Delegation for AI Agents*, draft-singla-agent-identity-protocol-03.

15. IETF, *A DID-based Framework for Service Discovery, Authentication, and Authorization of MCP Agents*, draft-xu-mcp-agent-did-framework-00.

16. IETF, *Internet Agent Communication Protocol - EID*, draft-gebauer-iacp-eid-00, 2026.

17. Coral Protocol: *Open Infrastructure Connecting The Internet of Agents*. arXiv:2505.00749.

18. A Survey of Agent Interoperability Protocols: MCP, ACP, A2A, and ANP. arXiv:2505.02279.

19. W3C, *Decentralized Identifiers (DIDs) 1.0/1.1*.

20. Regulation (EU) 2024/1183 (eIDAS 2.0), European Digital Identity Wallet.

21. 腾讯云技术百科《世界模型》；东方财富证券《世界模型行业专题研究》（2026-10）；36氪《世界模型概念入门》。

说明：本文涉及产业与标准化信息（Genie 3、V-JEPA 2、DID、eIDAS 等）基于上述公开资料整理，属于"已查证/一方发布"范畴；涉及趋势判断与架构展望的部分属于本文作者的观点性分析。数据口径与来源已尽量标注，具体以各原始文献与标准文档为准。

12. 免责声明

本文由淞基科技（上海）有限公司、淞基信息通信研究院、淞基未来信息网研究部、淞基新一代信息技术网研究部联合撰写，旨在开展技术研究与行业交流，不构成任何投资、商业决策、法律或监管意见。文中涉及的世界模型、智能体协议、身份认证与路由等技术内容，基于截至 2026 年 11 月公开可得的资料与作者研究判断，相关产品、标准与协议仍处于快速演进之中，具体技术参数与标准状态以各官方文档与最新发布为准。本文所述观点仅代表撰写机构的研究立场，不构成对任何厂商、产品、协议或标准的背书。引用他人研究成果处已尽量注明来源；若存在疏漏或涉及侵权，请权利方及时联系更正。作者与撰写机构不对因使用本文内容而产生的任何直接或间接后果承担责任。

版权声明：本文版权归撰写机构所有。未经书面许可，不得对本文进行全文转载、改编或用于商业用途；学术引用请注明出处。