下一帧可以是算出来的，但不是发生过的
一个具体的分歧
同样一句话，在门店里会有两种理解。
「摄像头看到的下一帧，现在可以算出来了。」——听起来像是监控变强了。
但「算出来的下一帧」和「拍到的下一帧」是两回事。前者是模型按概率画的，后者是传感器记的。前者可以很逼真，逼真到你以为那是证据。
这条线如果划不清，后面所有关于「AI 看店」的讨论都会走偏。
这个技术到底在做什么
有一类模型专门学「状态怎么变」：给它当前画面和一个动作，它输出下一帧画面。学成之后，你可以在模型里连续推演很多步，不必真的去动现场。
2026 年 10 月 Hacker News 上一个叫 tinyworldformer 的项目，把这件事压到了单片机上：世界模型只有 26k 到 131k 参数，权重用 int8，每帧算 2 到 8 百万次乘加；旁边的决策网络更小，9k 到 16k 参数。两个网络都跑在一颗 RP2350 的同一个核上，另一颗核管屏幕和 USB。项目在四款小游戏上测「精确帧率」——预测帧每一格都对的比例，高的接近 100%，第一人称迷宫那款是 83.6%，加一圈计算升到 85.9%，再加一圈反而降到 84.7%。
三个结论对门店有参考价值：
- 这类模型不需要大算力。几十 KB 级参数就能表达一个规则明确的环境。
- 准确率不是单调的。多算几圈会更准，但过了某个点会变差。
- 帧里没有的东西，模型学不到。那款 83.6% 的游戏是第一人称视角，视野外的状态不在画面里，所以整帧对不上的次数明显更多。
门店里真能用的三个地方
一、给识别模型造训练样本。
这是最实在的用法。门店识别模型最怕的是「没见过的样子」：换了灯管、换了包装、联名款上架、层板反光、摄像头被人碰歪了两度。真去凑这些场景要等，等一个季度也未必凑齐。
在模型里把这些变化推演出来，可以低成本地扩样本。前提是推演出来的画面要贴近自家门店的真实分布——拿别家超市的生成图训练，到了自己的便利店里照样错。
二、给方案做压力推演。
新店装修前想知道摄像头装哪、几路够用、高峰期会不会漏，可以先用门店的三维或平面模型推一遍动线和遮挡，再决定点位。这类推演不怕错，错了改参数重跑。
三、评估「如果」的代价。
把某个动作放进模型里演一遍，看后面几步变成什么样。比如调整称重台朝向、把高单价商品移到收银动线旁，先看模型怎么说，再去现场小范围试。
三件事的共同点：结果不需要拿出去对质。
不能用的地方，比能用的更重要
举证。 顾客与门店起争议、员工与门店起争议、保险理赔，需要的是原始录像和可校验的时间戳。模型生成的画面在这里没有证据资格，也不应该有。
防损定性。 「模型认为这个人接下来会拿走商品」是预测，不是事实。用预测去拦人，是另一码事，法律和商誉上的风险都不小。
盘点计数。 需要数清楚多少件的地方，误差必须可计量、可复核。生成式的推演给不出这个保证。
长时段回溯。 推演的误差会一步步累积，前面错一格，后面全歪。短步数推演有参考价值，几十步之后基本只剩形状。
还有一条容易被忽略：项目在统计准确率时把随机事件之后那一帧直接排除了——开球方向、敌人重生位置这类本来就只能采样。门店里的「随机事件」是什么？是顾客。顾客下一步往哪走、拿哪个商品、会不会放回去，本质上不可预测。任何声称能预测单个顾客行为的方案，都值得追问它是怎么测的。
采购时的五个问题
- 这套东西是用来生成还是用来记录？两者在系统里必须是两条链路，不能混。
- 推演的输入是什么？只用画面，还是也接了 POS、称重、门磁这些信号？只靠画面的推演，状态往往不全。
- 在什么数据上验证的？自家门店的录像，还是公开数据集？换店、换季节还成立吗？
- 推演多少步之后开始不可信？要一个具体步数，不要「基本可靠」。
- 生成出来的画面，在系统里有没有明确标记？如果下游分不清哪张是拍的、哪张是算的，这套系统迟早出事。
一句话
世界模型把「试一试」的成本降到了算力级别，这对门店是好事：造样本、推点位、评估改动，都可以先在模型里过一遍。但它输出的是可能性，不是发生过。门店真正离不开的，仍然是那条能拿出来的原始记录。