当前位置:

首页 > 硬件相关 > 视频生成≠世界模型:当AI还在生成“天上飞的猪”,物理规律仍是最大短板

视频生成≠世界模型:当AI还在生成“天上飞的猪”,物理规律仍是最大短板

世界模型概念被滥用,视频生成仅为像素级模拟,无法预测物理状态。智能体架构虽无差距,但基座模型能力与成本制约落地。AI正从语言模型向物理世界模型演进,行业亟需正本清源,突破数据、评测与技术路线等瓶颈。

本文目录

    “世界模型”这四个字,在2025年的AI行业里,热度几乎无人能及。从OpenAI的Sora点燃大家对“世界模拟”的想象,到斯坦福李飞飞团队提出世界模型的技术三分法,再到NVIDIA推出Cosmos系列大模型——大量科研机构和科技公司都扎进了这条赛道。但与此同时,概念被滥用、路线各说各话、标准严重缺失,这些乱象也一并浮现出来。

    视频生成≠世界模型:当AI还在生成“天上飞的猪”,物理规律仍是最大短板

    最近,北京智源人工智能研究院院长王仲远在接受媒体采访时,围绕世界模型的技术路线之争、智能体的落地瓶颈、AI与神经科学的跨界融合,以及国产AI的生态建设,聊了不少硬核观察。在他看来,人工智能正处在一场关键的范式变革中——从过去十年大语言模型主导的时代,逐步迈向面向物理世界的世界模型时代。而眼下整个行业最需要的,不是炒作概念,而是正本清源后的扎实探索。

    世界模型热下的冷思考:概念泛滥与路线正本清源

    过去半年,“世界模型”从一个偏学术的小众概念,迅速变成了行业里的通用热词。但问题也随之而来:概念被严重误用。不少视频生成模型、3D重建工具、多模态大模型,都给自己贴上了“世界模型”的标签。而行业对于世界模型的定义、技术路线和评测标准,始终没能形成一个共识。

    王仲远把世界模型的技术路线归纳为四类:第一类是以语言为中心的世界模型,包括大语言模型、视觉语言模型(VLM)、视觉语言行动模型(VLA),本质上是把其他模态映射到语言空间;第二类是以像素为中心的世界模型,视频生成是典型代表,核心是预测下一个画面帧——虽然不是预测下一个物理状态,但和世界模型确实相关;第三类是以三维结构为中心的世界模型,比如3D重建;第四类是以视觉表征为轴心的世界模型。

    有趣的是,目前被广泛当作世界模型代表的视频生成技术,本质上只是像素级的模拟,离真正具备物理状态预测能力的基座模型还很远。“视频生成模型可以生成一群猪在天上和飞机一起飞,因为它的训练数据里包含大量科幻电影内容,它的目标从来就不是还原真实物理世界的规律。”王仲远直言,现在所有类型的世界模型,距离真正能理解、预测、交互真实物理世界的基座模型,差距都非常大。整个行业,还处在非常早期的阶段。

    对行业来说,比技术分类更重要的,是世界模型核心范式的变革——从大语言模型时代的“下一个Token预测”,演进到世界模型时代的“下一个物理状态预测”。

    “人们看到杯子在桌边倾斜,就知道它可能掉下来摔碎。这种对真实物理世界的状态感知、规律理解、决策推演,就是未来世界模型需要具备的核心能力。”王仲远举了个例子:现在大语言模型能在高考数学里拿148分,也能回答“铁碗不能放进微波炉”这种常识。但没有任何一个机器人的大脑,能真正在物理世界里执行这些判断。这就是世界模型要解决的核心问题。

    而要达成这个目标,行业还需要突破好几道坎。数据肯定是缺乏的,尤其是真实物理世界的数据,到底需要哪种数据,大家还没找到路径。其次是评测体系缺失——现有的评测大多聚焦视频生成,根本衡量不了世界模型作为基座的核心能力。最重要的是技术路线还没收敛,行业对如何训练世界模型没有形成共识。未来三到五年,都会是世界模型持续演进的阶段。

    智能体落地:架构没有差距,瓶颈在基座与成本

    如果说世界模型是AI行业的下一代技术方向,那么智能体就是当下最火的落地赛道。从去年开始,各类终端智能体、办公智能体、科研智能体产品层出不穷。但行业普遍的体感是“概念很美好,实际不好用”,真正能达到用户预期的产品寥寥无几。

    王仲远的判断很直接:国内智能体的技术架构与国际顶尖水平并没有差距。用户觉得不好用的核心原因,从来不是架构设计,而是背后的基座模型能力、运行成本和长期记忆能力。中国在工程架构、场景应用上本来就是强项,很多时候大家觉得国产智能体体验不好,本质上是背后的基座模型还有差距,不是架构本身的问题。现在智能体已经达到了可用甚至好用的水平,尤其是在信息调研、资料整理、报告撰写这些场景,效率提升已经非常明显。

    他分享了自己的亲身体会:有一回准备一份发言稿,自己花了好几个晚上整理的内容,用智能体5分钟就生成了质量几乎没有差别的版本,甚至数据细节比自己查得还要翔实。王仲远认为,智能体在提升生产效率上,已经达到了相当高的水平。但推广还需要一定周期——如果智能体一个月要消耗几万甚至几十万元的Token,并不是每个人都负担得起;另外,很多智能体今天教的东西,过两天就忘了,没有长期记忆和持续进化的能力,用户自然会觉得不好用。

    而比产品体验更深远的影响,是智能体与AI Coding带来的产业范式变革。腾讯最近披露了“新代码大部分由AI生成”的行业现状。在王仲远看来,人类数字世界的底层本质是由代码构成的,当AI Coding成为主流,意味着整个数字世界都将被AI逐步重构。未来,程序员会越来越多地变成架构师或者评估师,游戏、程序、应用都会由AI参与构造。这种对整个数字世界、对产业组织形态的影响,比世界模型来得更快、更直接。

    与之相伴的,是“AI原生组织”概念的兴起。但在王仲远看来,目前这还更多停留在理念层面。AI原生组织本质上要回答一个问题:如果推倒重来,基于AI基础设施的公司形态应该是什么样?AI Agent扮演什么角色,人又扮演什么角色?大家都在摸索,还没有出现真正可复制的成功案例。

    他认为,比企业组织变革更值得关注的,是AI对下一代人才培养模式的影响。这也是今年智源大会首次设立AI Native教育论坛的核心原因——当AI可以写代码、做调研、生成内容,下一代人到底需要具备什么能力?还要不要学传统的编程?这些问题不仅关乎教育,更关乎整个AI时代的社会基础。

    本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系bd@zhengruan.com
    作者最新文章
    硬件相关
    相关文章 更多
    AI Agent、Genie 4与机器人有什么区别?从任务输入到场景演示
    AI Agent、Genie 4与机器人有什么区别?从任务输入到场景演示

    认识AI Agent、Genie 4与机器人的区别:任务输入不等于完成结果,世界模拟不等于现实执行,装载机动作展示也不能替代完整工程验收。

    CreateAI 联合中科院自动化所推出 NeoVerse 4D 世界模型
    CreateAI 联合中科院自动化所推出 NeoVerse 4D 世界模型

    CreateAI联合中科院自动化所推出NeoVerse4D世界模型,融合扩散模型与4D高斯溅射,基于百万段单目视频训练,30秒即可构建通用型4D世界。该模型实现“重建→生成→再重建”闭环,支持4D场景重建、自由漫游、视角生成、视频编辑及点云跟踪,适用影视、具身智能、自动驾驶等领域,并集成蒸馏LoRAs,可在消费级显卡上端到端推理。

    经纬蚂蚁等一线基金齐加注,世界模型公司逆矩阵完成超亿美元种子++轮融资
    经纬蚂蚁等一线基金齐加注,世界模型公司逆矩阵完成超亿美元种子++轮融资

    逆矩阵科技完成超亿美元种子++轮融资,由经纬创投、蚂蚁集团等投资。资金将用于通用世界基座模型预训练及规模化训练。公司由北大青年学者陈博远、吉嘉铭创立,已发布全球首个通用世界基座模型悟界·Physis-v0.1。

    物理AI等待的世界模型离大规模应用还要多久
    物理AI等待的世界模型离大规模应用还要多久

    物理AI依赖的世界模型面临概念定义混乱、真实物理数据稀缺及技术路线分歧等困境,导致模型构建困难。业界预计未来三到五年将持续迭代,从像素模拟走向因果推理仍是根本挑战。

    世界模型进入真机时刻,大晓机器人要如何让它落地?
    世界模型进入真机时刻,大晓机器人要如何让它落地?

    世界模型是今年具身智能领域最热的方向,但各家对它的理解并不一致。最近一次媒体沟通会上,大晓机器人展示了开悟3.1世界模型,以及基于它落地的行业解决方案。整场听下来,能明显感觉到世界模型正在从技术概念变成能商用的产品。(ID:leitech)也参加了这场沟通会。按照大晓世界模型负责人王飞的说法,世界模

    4D世界模型跨过工业量产门槛 影身智能跑通物理智能全链路
    4D世界模型跨过工业量产门槛 影身智能跑通物理智能全链路

    影身智能凭借原生4D基座世界模型,在制鞋产线实现规模化落地,跑通数据生成、模型训练、场景部署与反馈迭代的自进化闭环。该模型融合渲染、仿真、规划三大能力,以高维4D数据驱动物理理解与泛化,获得数亿元柔性智造订单,标志着世界模型跨入工业量产阶段。

    情感智能新突破:一眸科技构建人类身心情智维度专属“世界模型”
    情感智能新突破:一眸科技构建人类身心情智维度专属“世界模型”

    一眸科技聚焦情感与认知AI,源自北大实验室,构建人类身心情智维度专属世界模型。其跨学科团队融合AI、心理学等领域,实现精细表情识别与无接触视觉心率检测等多模态感知突破,推动人工智能从感知迈向认知与情感。

    上海AI Lab最新综述:一文读懂世界模型!
    上海AI Lab最新综述:一文读懂世界模型!

    世界模型这个概念,现在在AI圈火得不行,但也经常被拿来乱用。无论是视频生成还是机器人领域,似乎都在往“世界模型”这个筐里装东西。可问题是,它到底是什么?应该预测什么?怎么造?圈子里其实没什么共识。正好,上海AI Lab团队最近发了一篇综述,算是把这个概念好好梳理了一遍。他们对世界模型进行了科学定义,

    手机上即可生成互动游戏世界,灵光App升级世界模型功能
    手机上即可生成互动游戏世界,灵光App升级世界模型功能

    灵光App升级世界模型功能,接入蚂蚁灵波LingBot-World2.0,用户上传一张图片即可在手机端生成可自由漫步且支持施法、射箭等交互操作的沉浸式3D世界。新版实现720P高清画质、30帧以上流畅运行,响应延迟低至百毫秒级。

    灵光App升级世界模型2.0:手机端“一张图生成可战斗互动世界”
    灵光App升级世界模型2.0:手机端“一张图生成可战斗互动世界”

    灵光App升级世界模型2.0,接入LingBot-World2.0,手机上传图片即可生成可战斗互动的3D世界,支持攻击、射箭等操作并实时反馈。技术实现720P高清、30帧流畅运行、百毫秒级响应,Agent驱动场景持续演化,无需技术背景即可体验。

    查看更多
    精品专题 更多
    装机必备
    装机必备

    正软商城装机必备专区,精选办公、浏览器、安全防护、影音播放、压缩解压、设计创作和系统工具等电脑常用正版软件,帮助用户快速完成新电脑软件配置。

    Windows
    Windows

    正软商城Windows软件专区,汇集适用于Windows电脑的办公、设计、安全防护、影音播放、开发工具和系统优化软件,提供软件介绍、系统要求、正版授权及购买下载服务。

    PDF教程
    PDF教程

    正软商城PDF教程频道提供PDF编辑、转换、合并、拆分、压缩及格式处理方法,同时介绍常用PDF软件和工具的使用技巧。

    Mac软件 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    Aperty macOS版
    Aperty macOS版
    macOS

    Aperty 是 Skylum 推出的 AI 人像修图软件,支持自然肤质修饰、瑕疵处理、面部与身体调整、预设及批量同步。

    WINDOWS 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    PixTV 网页版
    PixTV 网页版
    Windows

    PixTV 是一款在浏览器中使用的 AI 视觉内容创作平台,提供图片、视频、音频、文字生成、AI 分镜、局部重绘、提示词反推和无限画布等工具,适合短剧、漫剧、广告及社交媒体内容制作。