世界模型五大门派，围攻光明顶

世界模型“五大门派”：谁在定义AI的下一站？

最近AI圈的热钱，似乎都涌向了一个新方向。看看这几条密集的新闻：

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

• 春节后，图灵奖得主杨立昆的新公司 AMI 拿了 10.3 亿美元融资，创下欧洲 AI 公司种子轮纪录；
• AMI 拿钱几周前，李飞飞创办的 World Labs 也宣布了 10 亿美元融资；
• 本周早些时候，极佳视界获得数十亿元融资，估值超百亿；
• 昨天，阿里巴巴发布了世界模型「快乐生蚝」HappyOyster；
• 今天，群核科技在港交所敲钟。

这些看似分散的事件，实则指向同一个核心赛道：世界模型。

杨立昆曾有个引发热议的观点：「大语言模型在通往超级智能的路上是条死胡同。」这话乍听像是全盘否定，但加上“实现AGI”这个前提，细想却点出了一个关键瓶颈：ChatGPT能写代码能解题，却未必理解物理世界的基本规律。让它描述“苹果落地”，它能说得头头是道；但追问苹果为何落地，它可能只是在复述训练文本，而非真正“理解”重力。

问题的根源在于数据维度：大语言模型啃的是二维、离散的互联网文本，而真实世界是三维、连续且充满物理规则的。要让AI真正智能，就必须让它学会“理解”而不仅仅是“描述”这个世界。这，正是世界模型成为顶级实验室和资本下一个攻坚高地的原因。

不过，“世界模型”这个词眼下像个筐，大家往里装的东西却各不相同。有的在搞视频预测，有的在建3D场景，有的在搭仿真平台，还有的从神经科学找灵感……路线纷繁，共识未成。

Meta的研究科学家Zhuokai Zhao在社交平台上梳理了当前世界模型研究的“五大门派”，为我们提供了一份清晰的路线图。

这五条技术路径究竟有何不同？各自又押注着怎样的未来？下文将结合多方资料，为你逐一拆解。

JEPA 派：杨立昆的“抽象预测”哲学

JEPA，全称“联合嵌入预测架构”，是杨立昆力推的新AI范式。其核心思想颇具哲学意味：让AI像人类一样，通过“观察”来学习世界运行的抽象规律，而不是死记硬背每一个像素或单词。换句话说，AI无需记住每片树叶的位置，只需要理解“风会吹落树叶”这个因果规律。

在杨立昆看来，像Sora这类逐帧预测视频像素的模型，物理上就不可能完美——在一个充满随机性的世界里，精确预测每一片树叶的飘落轨迹是不现实的。JEPA的解法是“升维思考”：放弃在像素层面较劲，转而在一个抽象的“表征空间”里进行预测。

具体来说，先用编码器将视频转换成高维的数学表示（潜在空间），然后在这个抽象空间里预测“接下来会发生什么”。例如，预测“球会从桌上滚落”这一符合物理规律的事件结果，而非生成球滚落的每一帧具体画面。

这条路线的代表作是V-JEPA 2。这个拥有12亿参数的模型，基于100万小时无标签视频进行预训练。其惊人之处在于数据效率：仅需62小时的机器人实际操作数据，就能实现“零样本”动作规划。在陌生环境中操作陌生物体，成功率可达65-80%。相比之下，传统机器人学习方法往往需要数千小时的示范数据。

杨立昆的理念很明确：如果学到的“表征”足够好，就无需为每个新任务从头训练。当然，理想落地需要时间。创立AMI后，这位图灵奖得主也坦言，其商业化产品可能还需数年才能面世。但这并不妨碍资本反赌长线，AMI首轮超10亿美元的融资，几乎汇聚了所有你知道的业界与跨界巨头。

空间智能派：李飞飞的“三维重建”路线

如果说JEPA派关注“时间”维度的预测，那么李飞飞创立的World Labs，则选择了攻克“空间”维度。这两条路线的分歧，从底层逻辑就已注定。

JEPA认为智能的核心是在抽象层面进行因果推理，因此不执着于像素细节。而李飞飞团队的出发点不同：真正的智能需要对三维世界有“显式”的理解，包括几何结构、深度信息和物体间的空间关系。

打个比方：JEPA想教会AI“球会从桌上滚下去”这个规律；World Labs则想教会AI“桌子有多高、球在桌面什么位置、地板距离桌面多远”。前者关心事件逻辑，后者关心空间结构。

这种差异直接体现在产品上。World Labs于2025年11月发布的首款产品Marble，输入文字、图片、视频甚至粗糙的3D草图，输出的不是一个视频，而是一个可编辑、可导航、可导出的完整3D世界。用户可以旋转视角、移动物体、改变光照，并将结果导出为高斯溅射、三角网格或视频格式，直接用于游戏引擎或影视制作。

这里有个关键的技术细节：许多视频生成模型画面精美，但本质是逐帧“编故事”，帧与帧之间缺乏统一的3D结构支撑。而Marble生成的3D场景具备“空间一致性”，底层维护着一个真实的空间表示，因此视角转换后，世界依然稳固。

团队的基因决定了技术路线。联合创始人Ben Mildenhall是NeRF（神经辐射场）的发明者，另一位联创Christoph Lassner是3D图形专家。这使World Labs从一开始就走上了“显式3D重建”的道路。

2026年2月，World Labs完成10亿美元融资，投资方包括NVIDIA、AMD和Autodesk。Marble也已面向影视、游戏等商业场景开放。当然，它也有局限：生成的3D世界在连续探索后可能出现视觉变形或“幻觉”。这与JEPA路线形成对比：World Labs擅长重建空间的“样子”，但对空间中“会发生什么”的物理理解尚在初期。李飞飞将最终目标定义为“空间智能”，即AI不仅能看懂结构，还能在其中推理、规划和交互，这条路显然还很长。

学习型仿真派：DeepMind的“造梦”工厂

DeepMind的Genie 3，走的是一条更“魔法”的路线。它比“理解世界”和“重建空间”更进一步，目标是：直接制造一个足够真实、可实时交互的虚拟环境，让AI在里面“练级”。

输入“在暴风雨中的威尼斯运河划船”，它就能生成一个720p、24fps的3D环境。用户可以控制角色移动、操作物品、甚至改变天气。更关键的是，这个环境具有“对象持久性”：打碎的花瓶，碎片会留在地上，你离开再回来，它还在那里。

这对计算架构是巨大挑战。研究主管Shlomi Fruchter提到，要实现实时交互，模型需要每秒多次回溯查询一分钟前的信息。因此，Genie 3很像一个运行中的游戏引擎，但也常被误解为引擎替代品。事实上，它并没有硬编码的物理引擎，所有行为都是模型从数据中“学”出来的。这带来了灵活性，模型能自行推断物理规则；但也牺牲了精确性，其物理模拟不如传统引擎稳定。目前，其场景连贯性只能维持几分钟。

造出环境只是第一步，训练AI智能体则需要另一个工具：Dreamer。DreamerV4于2025年10月发布，是一个完全在“想象”（模型内部世界）中学习的世界模型框架。它成为首个纯靠离线数据就在《我的世界》中从零挖到钻石的AI。完成这个需要连续两万多次精确操作的任务，DreamerV4使用的数据量仅为之前顶尖模型的百分之一。

DeepMind的终极构想，是将“生成的环境”与“虚拟的智能体”结合，在虚拟但闭环的世界里训练AI。这条路线的核心假设是：即便像素级生成不等于物理理解，但只要环境足够真实多样，在其中练就的智能体就有可能泛化到现实。这是一个大胆且尚未被验证的赌注。

“卖水卖铲”派：英伟达的基建野心

前面各派追逐技术理想，但都绕不开一个现实：训练世界模型需要海量数据和算力。谁来提供这些基础设施？英伟达的Cosmos平台给出了答案：你们负责造梦，我来提供造梦的工具链。

Cosmos是一个系统工程。其数据处理管线Cosmos Curator，能在14天内处理2000万小时视频，将传统需要数年的流程极度压缩。视觉Tokenizer则将视频帧高效切分为可计算的表征，压缩率比业界方案高8倍，兼容多种视频格式。

最核心的是三个预训练模型家族：预测未来状态的Cosmos Predict、迁移仿真到真实的Cosmos Transfer、以及规划推理的Cosmos Reason。这些模型均免费开放，开发者可直接下载使用。

自2025年1月发布以来，Cosmos迭代迅速。小鹏用它做自动驾驶仿真，Figure AI等机器人公司用它生成训练数据。这背后仍是英伟达的经典策略：用免费开放的软件生态，锁定硬件护城河。使用Cosmos训练世界模型，最终离不开英伟达的芯片与CUDA生态。

黄仁勋在CES上的断言点明了其野心：世界基础模型之于物理AI，犹如大语言模型之于生成式AI。他押注的是，无论哪条技术路线最终胜出，开发者手中拿着的，最好都是英伟达的“铲子”。

主动推断派：来自神经科学的“异端”

并非所有玩家都遵循深度学习的主流范式。Verses公司代表的“主动推断”派，就是一个来自神经科学的“异端”。其首席科学家卡尔·弗里斯顿是“自由能原理”的提出者，该理论认为：所有生命体的行为，本质都在做同一件事——不断生成对外部世界的预测，并通过行动来减少预测与现实之间的误差。

这与主流AI的“强化学习”（追求奖励最大化）逻辑截然不同。主动推断追求的是“意外最小化”。简化来说，一个是“逐利”，一个是“避险”。

一个形象的比喻：强化学习像被胡萝卜引导前进的驴；主动推断则像在陌生城市探索的旅人，不断修正内心地图，让对下一个路口的预期更准确。前者由外部目标驱动，后者由内在的好奇与确定性需求驱动。

基于此，Verses开发了AXIOM框架。其首要特点是“对象中心化”：将世界建模为离散对象及其关系的集合，而非一个高维向量。这更接近人类认知——我们看到的是“椅子在桌子旁”，而非像素矩阵。

其次是采用“贝叶斯推理”：用概率分布表示信念，通过消息传递更新，而非梯度下降。这使得系统能坦然承认“不确定”。例如，仓库机器人遇到陌生物体时，知道自己“不认识它”，而不是强行将其归类并执行可能错误的操作。

去年6月，Verses在雅达利游戏的基准测试中，以远少于DeepMind DreamerV3的数据量，用1/8的步数完成了任务。更激进的是，AXIOM无需预训练，机械臂更换工具后能实时重新规划。其商业化产品Genius瞄准金融、机器人等领域，用于对不确定性建模。

正如AI批评家Gary Marcus所言，许多机器学习研究者对在模型中引入先验结构抱有“暴力的厌恶”，但Verses没有这个包袱。毕竟，生物智能经过数十亿年进化，其机制远非梯度下降可以概括。尽管短期内难以成为主流，但若世界模型真的需要更接近生物原理，这一派或许会后来居上。

写在最后

五条技术路线，从不同维度回应着同一个根本问题：世界模型究竟是什么，又该如何构建？它们并非彼此排斥，更像是在拼凑同一幅宏大拼图的不同部分。

世界模型在当下的爆发并非偶然。背后有几股推力：大语言模型遭遇瓶颈，边际收益递减，幻觉、推理与多模态理解仍是硬伤，资本需要新叙事；具身智能崛起，机器人、自动驾驶等领域亟需AI与物理世界交互，纯文本模型力有不逮；此外，高质量物理交互数据稀缺昂贵，在仿真中生成无限数据，被视作终极解决方案。

杨立昆曾断言，五年后无人会再用今天这样的大语言模型。此言虽显夸张，但对趋势的洞察不无道理：AI已“读万卷书”，接下来需“行万&里路”。而世界模型，正致力于成为它的眼睛、大脑与四肢。

至于五大门派谁将胜出，答案或许并不唯一。长远来看，融合与杂交可能是必然出路。毕竟，真正的智能，从来不止一种形态。