这是一个预先构造的预测—执行例子，不从照片测量摩擦系数或推力。画面给出两种动作各自的预测，再展示实际执行轻推后的反馈：偏差要求模型从观察到的新位置继续。轻推与强推不是让学生凭图片猜的正确答案，而是两项可比较、可接受反馈的行动条件。 N42 留下了“会续播是否等于会预测动作后果”的问题。现在桌上有一只杯子，目标是让它到达安全区域。我们先提出轻推与强推两个动作，再分别预测杯子会停在哪里。画面中的淡色轮廓是两个尚未发生的未来，不是环境已经确认的位置。

只有执行其中一个动作以后，才获得这次环境返回的状态。例子里，轻推后的杯子停得比预测更远，但没有停在安全区。这个差别值得保留：它告诉我们当前预测在这里有误，也改变了下一步该从哪里出发。若仍从脑中预测的位置规划，就会让后续计划建立在一个已经被观察否定的起点上。一次误差还会改变后面遇到的状态，使更长预测偏离熟悉范围；因此单步误差小也不能替代长程与闭环检验。

“预测中的杯子已经在安全区，为什么不能直接宣布成功？”因为目标约束的是实际杯子。预测帮助我们比较候选，执行后的观察才检验这次动作做成了什么。描述一次成功、相信一次成功与确认一次成功，是不同的信息状态。

把生成接到决策上，需要比“给出一个像样的未来”更具体的接口：从当前状态出发，动作条件不同，预测后果应怎样不同？按照目标选定一个动作以后，实际结果能否支持这个预测？获得新观察以后，又怎样修正状态判断与后续选择？世界模型在这里成为选择的依据，而不是一段未来视频的播放器。

这里采用课程中的工作定义：世界模型为与预测或行动有关的状态变化提供模型。它可以预测图像、潜在表示或任务所需的量，不必统一输出完整视频；能预测未来、能帮助规划、能迁移到现实，也各需相应证据。

“预测一有误，是不是就要立刻重新训练整个模型？”不一定。先按新观察更新当前状态并重新规划，就能纠正一部分误差；是否更新模型参数或策略，是另一项决定。有些误差来自状态未看清，有些来自模型没有学到这个动作或表面的动态，不能把所有偏差都解释成同一个问题。

课堂中的杯子位置由预先设定的规则演示，用来区分预测与反馈，不是机器人实验成绩。真正的行动主张需要让反馈来自独立环境；用同一个生成器再生成一幅“任务成功”的图，不能检验它先前的预测。下一页把门槛再说清：一段可播放的未来，怎样才具备可操作环境应有的持续性与动作响应？