世界模型五大流派：从抽象预测到神经科学，AI如何突破物理世界认知

事件概述

随着大语言模型在理解物理规律方面遭遇瓶颈，"世界模型"（World Models）成为AI领域的新焦点。Meta研究科学家Zhuokai Zhao将当前探索路径归纳为五大门派，分别代表不同的技术哲学与实现方案。这些路线旨在让AI像人类一样理解三维、连续且充满物理规律的现实世界，而非仅处理文本或像素。

核心信息：五大技术路线详解

1. JEPA派：杨立昆的「抽象哲学」

• 代表机构：AMI（由图灵奖得主杨立昆创立）
• 核心思想：提出联合嵌入预测架构（JEPA），主张AI不应死记硬背像素细节，而应在抽象的"表征空间"中学习因果规律。例如，预测"球会滚下桌子"这一结果，而非逐帧预测球的运动轨迹。
• 关键成果：代表作V-JEPA 2拥有12亿参数，仅需62小时机器人数据即可实现零样本规划，在陌生环境处理陌生物体的成功率高达65%-80%，数据效率远超传统方法。
• 现状：AMI已获超10亿美元融资（欧洲AI公司种子轮纪录），但商业化产品预计仍需数年。

2. 空间智能派：李飞飞的「建筑师」路线

• 代表机构：World Labs
• 核心目标：专注于对三维世界进行显式理解和空间重建，生成可编辑、可导航的3D场景。
• 产品形态：Marble产品可根据文字、图片或草图生成具备"空间一致性"的3D世界，支持导出至Unreal Engine或Unity等游戏引擎。
• 团队背景：核心团队包含NeRF发明者Ben Mildenhall等3D图形专家。
• 进展与挑战：公司于2026年2月完成10亿美元融资（投资方含NVIDIA、AMD）。目前生成的3D场景在长距离移动后可能出现视觉变形（幻觉），对动态物理理解尚显薄弱。

3. 学习型仿真派：DeepMind的「造梦师」

• 代表机构：DeepMind (Google)
• 核心能力：Genie 3能根据指令生成可实时交互的3D环境，并具备"对象持久性"（如打碎的花瓶碎片会保留）。
• 训练突破：配套DreamerV4框架无需真实环境交互，仅用百分之一的数据量，便成为首个纯靠离线数据在《我的世界》中挖到钻石的AI。
• 风险点：物理模拟不如传统引擎精确，连贯性目前仅能维持几分钟。其核心赌注在于：足够真实的生成环境能否让智能体泛化到现实世界，这仍是一个未被完全证明的假设。

4. 卖水卖铲子：英伟达的基建供应商角色

• 代表平台：Cosmos
• 定位：为世界模型训练提供全栈工具，包括数据处理管线、视觉Tokenizer和预训练模型家族。
• 性能数据：数据处理管线可在14天内处理2000万小时视频（传统CPU方案需3年以上）；Tokenizer压缩率比业界方案高8倍。
• 商业策略：通过免费开放软件（如Cosmos Predict/Transfer/Reason）锁定硬件生态，确保无论哪条技术路线胜出，最终都依赖英伟达的算力平台（H系列、Jetson等）。

5. 主动推断派：来自神经科学的「异端」

• 理论基础：基于卡尔·弗里斯顿（Karl Friston）的"自由能原理"，追求"减少意外"而非强化学习的"奖励最大化"。
• 代表框架：AXIOM（由Verses开发）
• 技术特点：采用对象中心化和贝叶斯推理，更接近人类认知。无需预训练即可实时适应新情况，在基准测试中表现优于DeepMind的DreamerV3。
• 应用前景：产品Genius已应用于金融、机器人等领域。虽然短期内难成主流，但其基于生物智能原理的设计被看好。

值得关注

• 融合趋势：五大路线并非非此即彼，更像是同一块拼图的不同碎片。长期来看，真正的智能可能需要融合抽象推理、显式3D建模、高效仿真及生物智能原理。
• 行业驱动力：具身智能（人形机器人、自动驾驶）的崛起急需AI与物理世界交互，而世界模型被视为解决高质量物理交互数据稀缺的终极解法。
• 资本动向：杨立昆和李飞飞的公司近期均获得巨额融资，显示资本对世界模型赛道的强烈信心。