追逐通用人工智能，世界模型多头并进

本条来自 虎嗅（Business / 中文商业），聚焦 technology。 “桌上的玻璃杯被碰落后，会发生什么？”将这一问题抛给ChatGPT、DeepSeek之类的聊天机器人，AI会对你侃侃而谈“重力势能”“瞬间速度”“弹性变形”“应力波”等概念，不写个七八百字的专业分析不罢休。但如果回答者是个五六岁小孩，他会朴素地告知“杯子碎了”。AI与小孩之间的反差很有意思。我们知道，聊天机器...... 本文来自微信公众号： 世界科学 ，作者：编译 蒋笃绘 “桌上的玻璃杯被碰落后，会发生什么？” 将这一问题抛给ChatGPT、DeepSeek之类的聊天机器人，AI会对你侃侃而谈“重力势能”“瞬间速度”“弹性变形”“应力波”等概念，不写个七八百字的专业分析不罢休。但如果回答者是个五六岁小孩，他会朴素地告知“杯子碎了”。 AI与小孩之间的反差很有意思。我们知道，聊天机器人的核心是大语言模型(LLM)，大语言模型则依托海量文本训练而成，其唯一目标，或者说“本能”，就是预测文本序列里的下一个词汇。 相比之下，人类接受的来自真实世界的“训练素材”以及反馈世界的本能截然不同。亲眼目睹水杯掉落是任何一款大语言模型都无法拥有的真实体验，这种体验缺失可能从根本上局限了AI的能力——也是一部分科学家最关心的问题。 要将人工智能推向下一阶段，真正需要的或许不是越发庞大的LLM，而是世界模型，即能通过观察世界进行学习从而模拟现实中行为后果的系统。 “世界模型”的渊源与意义 世界模型已迅速成为AI研究的前沿，也凭借其在自主机器人领域的应用前景，收获产业界和资本的高度关注。世界模型路线最吸引人之处在于，它似乎为通用人工智能(AGI)提供了可行路径。 我们理想中的AGI就是拥有比肩人类的智能，能像人类一样，在任意领域、任意任务上都表现出灵活的问题解决能力。但不得不说，关于世界模型和AGI，目前我们还分不清行业宣传与技术实质。 首先，“世界模型”一词的定义弹性极大，甚至令不少研究者困扰。 美国圣菲研究所的计算机科学家梅兰妮·米切尔(Melanie Mitchell)表示，这个词已成某种符号，能指向“现有AI系统的一切短板”。可学界尚不清楚世界模型究竟应该对世界完成哪些建模，更无从得知“关于物理现实的内部表征能否实现理想中的泛化智能(generalisable intelligence)”，也就是像五六岁孩童凭直觉理解玻璃杯被碰落后发生什么那样的智能。 想要理解世界模型之于AI领域的意义，不妨先追溯此概念在认知科学中的渊源。 人工智能研究者普遍将其源头锁定于1943年：心理学家肯尼斯·克雷克(Kenneth Craik)提出，人类心智“承载着外部现实及其自身可能行动的小型模型”，这让我们得以推演各种备选方案，在事情发生前预判应对方式。 此后数十年间，克雷克的理论不断演进，其中最引人注目的是预测加工理论。该理论认为，人的感知乃至意识本身，都依赖于大脑持续生成对外部世界的预测，并根据传入的感官数据更新预测。 用麻省理工学院认知科学家兼AI专家乔什·特南鲍姆(Josh Tenenbaum)的话说，智能就是在脑中构建世界模型，以此模拟各种结果，规避代价高昂的现实错误。克雷克也早有总结：智能就是我们的想法替我们去死。 不难理解上述理念为何如此吸引AI研究者。现阶段的大语言模型已展现惊人能力，甚至给人一种AI能像人一样理解事物的印象；可语言终究只是关于现实的描述，而非现实本身，即便是最强的大语言模型，在缺乏真实体验的情况下，也很难真正“理解”现实世界的物理现象。 正如米切尔教授所言，一旦涉及空间概念或现实物理场景推演，比如面对用户上传的地图和相关提问，LLM往往错漏百出。2024年的一项研究表明，使用纽约出租车路线规划的逐向导航数据训练语言模型后，系统虽然能给出从A地到B地的合理路线，可一旦提出绕行要求，其表现会很糟糕。 根源在于，大语言模型只掌握对行程的文字描述，不具备像人类那样推演不同场景的心智地图。导航只是其中一例，任何需要模拟物理世界的场景，比如叠衣服，都足以令LLM暴露短板。 特南鲍姆表示，大语言模型本就不是为叠衣服之类的日常任务设计的，这也是大家对世界模型等替代方案感兴趣的原因。 “世界模型是未来智能系统的基石” 法国计算机科学家杨立昆可能是当下最具影响力的世界模型倡导者。这位2018年图灵奖得主此前在Meta公司长期担任基础AI研究首席科学家。2022年，他撰写篇论文首次提出重要观点：若想构建能在现实世界进行推理、规划并行动的智能系统，世界模型是一切的基础。 “我无法想象，智能体系统若不能提前预知自身行动的后果，还能否算作真正的智能体。而赋予AI以预判能力的关键在于，让系统通过观察世界并以此学习世界的运行规律。” ——杨立昆 从理念倡导到商业落地的进程非常迅速。2024年4月，李飞飞创办World Labs公司，并在几个月后完成2.3亿美元融资，致力于研发具备“空间智能”的人工智能。2025年12月，杨立昆离开Meta，创立AMI实验室，并于2026年融资超10亿美元，旨在构建世界模型系统。眼下，谷歌DeepMind等头部AI企业都在积极推进世界模型开发。 之所以有资本扎堆涌入，首要原因是世界模型有望彻底革新机器人技术。不过目前行业尚处早期，现有原型的应用场景十分有限。以World Labs打造的Marble系统和DeepMind推出的Genie 3为例。 前者可根据文本提示生成空间一致、逻辑连贯的三维场景，后者则能搭建令人信服的交互式虚拟环境，比如“暮色里的雪山”，供用户于场景中自由漫游数分钟，甚至触发下雨等事件。 然而，尽管两家企业都称自家产品为世界模型，但我们必须清楚，Marble本质上仍只是3D视频生成器，Genie 3则为视频游戏模拟器——只不过模拟环境里的智能体能行动、观察结果并从中学习。 一个真正的世界模型是怎样的？ 一个真正的世界模型应当是嵌于智能体内部的某种机制，使其能在采取行动前，预判决策后果，做好前瞻与规划。 DeepMind在2025年9月发布的Dreamer 4系统正以此为目标前进。Dreamer 4“观看”过海量关于人类用户玩电子游戏《我的世界》(Minecraft)的录像，并基于录像数据的训练，在内部构建起一个关于游戏环境的世界模型。此模型具有预测能力，能反复“想象”各类行为的后果，持续优化系统决策。 Dreamer 4项目主导者达尼亚尔·哈夫纳(Danijar Hafner)表示，Dreamer 4相比Genie 3的最大区别在于，它不再只是单纯的世界模型，而是一套内置世界模型的智能体，有能力预测行动后果，并在世界模型中不断地虚拟试错从而优化行动决策。 演示工作已证明，Dreamer 4能在《我的世界》游戏里自行摸索出如何开采钻石，事先无需任何示范！要知道，复杂的采钻石任务涉及数千种不同行动，包括收集资源、打造工具、探索地形……用哈夫纳的话说，系统必须理解所处环境并具备泛化能力，因为每一轮游戏都始于一个随机生成的新世界。 “这些成果意义重大。以Dreamer 4为代表的世界模型技术未来有望赋能自主机器人，开展叠衣服、码放餐具之类的家务。我相信它将彻底解决机器人领域的核心难题。当下欠缺的只是落地执行的条件，即数据、算力、规模化部署，但我们已掌握核心框架，剩下的就是规模扩展与细节打磨。” ——达尼亚尔·哈夫纳 DeepMind过往成果斐然，公司CEO德米斯·哈萨比斯(Demis Hassabis)与AlphaFold项目负责人约翰·江珀(John M.Jumper)此前凭借蛋白质折叠研究斩获诺贝尔奖。质疑其技术路线正确与否是需要勇气的。然而，即便Dreamer 4证明内嵌世界模型的智能体可以完成推理规划，仍有一个深层问题悬而未决： 这类系统究竟需要学习世界的哪些方面？或者说，建模需要细化到何种程度？ 此问题已成为整个领域的一条关键分界线，并催生出两大截然不同的技术路线。 忠实重构每一颗像素vs提炼世界的抽象表征 当下多数策略力求“像素级重构”，即尽可能忠实于训练数据，尽可能准确地重构“做出这个行动后，世界会变成什么样”。 但杨立昆认为这条路走偏了，至少算不上最优，其论据基于人类认知的一项基本特征：当我们在脑中推演世界时，并不会精细到每一个像素。比如想象玻璃杯落地碎裂，我们不预判每一块玻璃碎片、每一滴水珠的精准位置。人类运行的是高度压缩的世界模型，只抓取关键信息。 杨立昆倡导另一条路线，他称之为“联合嵌入预测架构”(JEPA)。在JEPA框架下，世界模型主打“压缩式抽象”，只提炼那些对推理、规划、行动有意义的抽象表征。 布朗大学专家兰德尔·巴莱斯特里埃罗(Randall Balestriero)曾与杨立昆合作开发基于JEPA的世界模型，用他的话说，生成式模型致力于重构像素，而JEPA则在潜在空间里学习，仅预测有用部分，过滤无关细节，聚焦于对智能体有意义的内容。 “缺少抽象提炼能力，人工智能终将局限于单一狭窄任务。” ——兰德尔·巴莱斯特里埃罗 杨立昆及其投资方押注JEPA路线能更快落地现实应用，主要原因是其所需的训练数据更少。迄今为止，相关技术的最完整公开演示来自2025年6月Meta公司发布的V-JEPA 2。 该系统以视频为训练素材，训练时会预先遮蔽视频连续帧中的部分空间区域，例如画面里滚动的皮球；模型无须还原像素，而是反复预测被遮蔽内容的抽象表征，从而学习、构建一套描述物体运动规律的精简内部模型。杨立昆团队的实验证明：V-JEPA 2系统无须复刻细节，就能建模物理世界的因果结构。 当然，这不代表联合嵌入预测架构一定优于生成式世界模型，V-JEPA 2也仍未清晰证明：其抽象表征具有足够丰富的意义，丰富到足以支撑一个在开放环境中运行的智能体进行推理和规划。 “最大的未知在于，我们该如何知道，提炼出的抽象信息确实有用？当前有大量研究都围绕此问题展开——捕捉哪些信息？如何编码关于世界的丰富信息，使其对后续规划真正有用？” ——兰德尔·巴莱斯特里埃罗 哈夫纳则不认同“压缩现实表征是更优解”的理念。在他看来，JEPA路线的确前景广阔，但对于世界的表征，真该如此极致压缩吗？“归根结底，大家要的是AI表征世界的强大能力；我们的Dreamer 4虽力求从像素层面学习世界的规律，不以抽象表征为训练目标，但它能在抽象空间完成预测。” 从时间抽象到元认知 以更为宏大的视角来看，当下开发中的各类世界模型，无论是通过高保真地重建世界来学习和预测，还是选择提炼抽象特征的建模方式，究竟能否引领我们真正实现AGI？问题答案仍遥不可及。 当然，客观来讲，“通用人工智能”本身也是个充满弹性的概念，行业对“世界模型通往AGI”的预期跨度极大。最激进的观点认为，对物理现实的习得式模拟，将成为通用推理智能体的根基。哈夫纳表示：系统如果能表征世界运行的规则，就已经无限接近通用人工智能了。因为那意味着理解能力，而理解正是智能的核心构成。 杨立昆的观点相对保守，认为世界模型只是完整智能系统的关键组成部分而非全部。 一个值得深入探讨的问题是：正在开发中的世界模型，能多大程度上接近人类智能？问题的答案将揭示我们还欠缺哪些要素。 哈夫纳指出，首要缺陷是时间抽象(temporal abstraction)，即智能体不仅要能预判“下一毫秒会发生什么”，还要推演“事态持续展开后会发生什么”，毕竟人类的推演可不是“在亚秒级尺度上逐帧模拟一切”。 特南鲍姆的主张则更进一步：人类脑中的世界模型绝不只是预测工具，其内涵丰富得多。人类的推理依托多层因果抽象和基于假设的推演，还包含对他人思维的建模；多重能力结合，方可灵活地跨场景重组知识。特南鲍姆强调的行业难题在于——只靠扩大世界模型规模，能否复刻人类那般丰富的认知？“我的判断是很难做到。” 米切尔持类似观点，不过其视角更宽泛。她相信世界模型可以带给AI切实的提升，也非常重视“压缩的、可模拟的世界表征”的关键意义，但关于理想中的智能，关于所谓的AGI，“还有众多维度不可或缺”。 米切尔强调了当前AI的另一大局限：缺乏元认知(metacognition)，即“系统对于自己的认知缺少认知”，不知道自己知道什么、不知道什么，不确定自己对自己做出的预测有多不确定。 “世界模型能否弥补元认知短板？显然，这取决于模型的具体架构。但我担心，行业会把世界模型当成万能标签，用来填补现有AI与通用人工智能之间所有的差距。” ——梅兰妮·米切尔 上述种种都指向同一个判断：当前构想的世界模型，或许是打造人类级AI的必要条件，但绝非充分条件。可以确定，世界模型将极大赋能机器人、科学模拟，但没人能保证，它们可以重现人类认知里的世界模型运作逻辑，更遑论完整实现人类水平的智能。 正如特南鲍姆所言，很多人存在重大误解，认为智能是单一的，人脑里的世界模型是单一的，事实上，人类会根据场景、任务、目标，切换调用多种不同模型。 资料来源： Could a new approach to AI finally deliver artificial general intelligence?

“桌上的玻璃杯被碰落后，会发生什么？”将这一问题抛给ChatGPT、DeepSeek之类的聊天机器人，AI会对你侃侃而谈“重力势能”“瞬间速度”“弹性变形”“应力波”等概念，不写个七八百字的专业分析不罢休

• “桌上的玻璃杯被碰落后，会发生什么？”将这一问题抛给ChatGPT、DeepSeek之类的聊天机器人，AI会对你侃侃而谈“重力势能”“瞬间速度”“弹性变形”“应力波”等概念，不写个七八百字的专业分析不罢休