李飛飛的“世界模型”，不過是AI界新一輪“皇帝的新衣”

來源：軒轅商業評論

撰文：王思易

編輯：張 南

設計：荊 芥

近些天，“世界模型”又成了AI研究的熱門詞。因為“AI教母”李飛飛的創業公司World Labs推出了自己的“世界模型”，供大家測試。

這家公司推出的首款商用世界模型叫Marble，可根據文字生成3D場景。除了文生3D場景以外，給Marble一張照片，它能根據照片的透視關系、光線方向和物體擺放方式，把場景自動補齊成一個3D世界。

Marble確實是能給“世界建?！钡腁I，但是又有些不對勁。

Hacker News的一名機器學習工程師指出，比起所謂的世界模型，Marble看起來更像是一個單純的3D渲染模型。

這難道不就是高斯潑濺模型嗎？我在AI行業干了這么久，到現在都還是搞不明白“世界模型”里的“世界”究竟指什么。

這里的高斯潑濺，指的是近幾年3D建模里的一類新技術。

它把一個場景表示成成千上萬個漂浮在空間中的彩色模糊小斑點，再把這些斑點“潑濺”到屏幕上，讓它們自然融合成一張圖像。

這似乎跟李飛飛所宣稱的“世界模型”——能夠理解復雜物理世界及其中物體相互關系的AI，乃至于擁有空間智能的AI，相去甚遠。

World labs 官網，空間智能（Spatial Intelligence）一詞赫然在目

要理解什么是所謂的“世界模型”，我們需先看清當前AI的最大短板：空間智能。

01

大語言模型的界限

空間智能，即感知、理解和推理三維物理世界的能力。人類嬰兒在學會說話前，就已通過抓取物體、玩積木發展出這種本能。

更直觀一點，請看這道題：

如果你拆解這個積木塊，缺失的是哪一塊？

正確答案是中下。

此類對人類而言輕而易舉的題目，卻是當今最先進AI的盲區。

讓我們看看Deepseek的表現：

它嘰里咕嚕不知道在說啥，但是最后答案選錯了。DeepSeek或許連讀懂選項的能力都沒有。

這道題之所以成為AI的照妖鏡，是因為空間推理完全繞開了語言系統。神經科學表明，人類解決此類問題時，大腦活躍的是視覺-運動區域，語言中樞幾乎不參與。

如果你自己試著解一遍這道題，你會發現思考過程完全沒有依賴語言或文本描述。事實上，空間推理題很難寫下一步一步的解題過程。它是一個非符號的、幾何化的、動態的模擬過程。

語言模型擅長處理符號和文本，但面對需要腦中構建幾何概念、進行心算式的空間旋轉，或是推演物體移動的任務時，就暴露出短板。

有研究甚至發現，從事體力或手工工作的藍領工人在某些空間任務上表現得更好，而長期伏案的白領反而容易犯難。

此類智能，顯然對于智能機器人來說是必須的。

“世界模型”研究正是試圖彌補這一短板。

所以，我們最好不要把“世界模型”按照字面上理解為一個“對世界的建?！保前阉敵煽臻g推理這道難題的未知解x。

現在我們可以清楚地看到，Marble解決不了這個問題。Marble本質上是一個高級的3D內容生成工具。但生成一個房子的3D模型，并不等于理解了這個房子的物理結構、承重原理，或者一個球在屋內滾動的軌跡。實際上，Marble所生成的世界連重力和大地都沒有，地面沒有碰撞體積，用戶可以直接穿地而出。

或許正是因為如此，在Marble自己的博客上，雖然屢屢提及“世界模型”與“導出高斯散射體、網格和視頻”，但幾乎完全沒有提到空間智能。

02

其他人都在做什么“世界模型”？

谷歌（確切說是旗下DeepMind實驗室）今年也高調發布“世界模型”，推出了名為Genie的系列模型。

今年8月份發布的Genie 3被稱為“通用交互式世界模型”，能夠根據文本提示實時生成3D環境，與李飛飛的Marble類似。

當然，兩者也有區別。Genie的核心價值不在于為創作者提供工具，而在于提供一個模擬訓練場，讓AI智能體可以在里面不斷嘗試、學習。Genie允許用戶通過文本實時改變世界事件（promptable events），比如突然下一場雨、出現一只龍等。這種可控的虛擬世界可以考驗AI的適應性：研究者可以拋出各種“意外情況”觀察智能體的反應，從而訓練出更靈活健壯的AI。

DeepMind明確表示，推出Genie系列的目標之一就是訓練通用智能體，因為在逼真的模擬世界中練習是通往空間智能的必經之路。也就是說，Genie 3本身不擁有空間智能，而是用來訓練空間智能的訓練場。

但是，目前Genie 3仍處于限量研究預覽狀態，場景持續時間受限。換言之，Genie 3還只是個封閉的測試場，并不能讓AI在里面“生活”幾小時乃至幾天自主成長。

然后，值得一提的是楊立昆（Yann LeCun），Meta首席AI科學家，于11月11日曝出計劃從Meta離職，準備創立自己的世界模型公司。

不過，楊立昆離職不是因為他發現了什么機會，而是因為他不喜歡28歲的新新資本家亞歷山大·王（Alexandr Wang）空降做他的上司。

相比李飛飛和谷歌偏向工程產品化的做法，楊立昆的“世界模型”更多是指一種理念和架構。

他多次公開表示，僅靠大語言模型堆規模無法實現AGI，必須賦予AI類似動物的常識物理和預測能力，即構建內部的世界模型。他將世界模型與自監督學習、認知架構并列為邁向通用智能的三大技術支柱。

楊立昆提出的世界模型概念，強調AI應能自主從環境中學習（而非全依賴人工標注），整合多模態感知，形成對世界的因果認知。

理想的世界模型應該具備：

表示復雜對象和事件關系的能力；

推演因果和時間依賴的能力；

融合符號和連接主義表征的能力。

楊立昆想讓AI學到人類幼兒常識：知道物體不會憑空消失、明白遮擋關系、預判“如果我推杯子它會掉下桌子”之類的基本物理直覺。這需要通過海量自監督訓練，讓AI自己從未標注的數據中學會世界規律。

具體實現上，楊立昆近年來提出了數種探索，如：可預測編碼架構（Predictive architecture）、能嵌入世界模型的認知自導引（cognitive architecture）等。

他的團隊開發過自監督預測模型（如Facebook的 I-JEPA）來訓練AI預測部分圖像，以逼近世界模型對環境預測的能力。

楊立昆可能沒有引人注目的Demo，但他忠實地走在AI研究這條路線上。

對比楊立昆，Marble選擇的是一條更聰明的路，既然真正理解世界太難，那就先把世界畫得足夠好看，這就像用4K超清濾鏡拍了一群不會演戲的演員，觀眾驚嘆于畫質卻忘了劇情邏輯不通。

我們正目睹一場經典的術語通脹：

從“圖像分析”到“計算機視覺”再到“視覺基礎模型”最后到“世界模型”；

從“文本生成”到“大語言模型”再到“推理模型”再到“代理”最后到“超級智能”。

每一次名詞升級，都伴隨著融資額、估值與PPT頁數的指數增長，卻不總是對應真實能力的同等提升。

連李飛飛這樣曾經以嚴謹著稱的學者，也開始參與這種“先把結論說出來，再慢慢往里填內容”的游戲時，我們確實有理由擔憂：有人建造真正的世界模型，而有人只是在為我們渲染海市蜃樓。

閱讀最新前沿科技趨勢報告，請訪問歐米伽研究所的“未來知識庫”

https://wx.zsxq.com/group/454854145828

未來知識庫是“ 歐米伽 未來研究所”建立的在線知識庫平臺，收藏的資料范圍包括人工智能、腦科學、互聯網、超級智能，數智大腦、能源、軍事、經濟、人類風險等等領域的前沿進展與未來趨勢。目前擁有超過8000篇重要資料。每周更新不少于100篇世界范圍最新研究資料。 歡迎掃描二維碼或訪問https://wx.zsxq.com/group/454854145828進入。