ChatGPT写代码、做PPT样样精通，但你让它预测苹果落地的轨迹？它只会背课文！

这就是大语言模型的致命缺陷——它们读遍了互联网，却不懂物理世界的运行规律。

当AI大佬们意识到这个问题时，一场新的技术革命已经悄然爆发！

世界模型五大门派，谁将主宰AI未来？

最近几个月，AI圈发生了三件大事：

• 图灵奖得主杨立昆的新公司AMI融资10.3亿美元，创欧洲AI种子轮纪录
• 李飞飞的World Labs宣布10亿美元融资
• 阿里巴巴发布世界模型快乐生蚝

这些看似不相关的新闻，背后都在竞逐同一个赛道：世界模型。

杨立昆曾放狠话：「大语言模型在通往超级智能的路上是条死胡同。」

这话乍听刺耳，但细想有道理！ChatGPT能描述「苹果落地」，却不一定真正理解重力。问题的根源在于：大语言模型的训练数据是互联网文本，而真实世界是三维的、连续的、充满物理规律的。

Meta研究科学家Zhuokai Zhao在X上分享了世界模型的「五大门派」，今天我们就来深度解析这场AI新战争！

💡 JEPA派：杨立昆的「抽象哲学」

JEPA全称是Joint-Embedding Predictive Architecture（联合嵌入预测架构）。

简单说，JEPA想让AI像人类一样通过「观察」学习世界规律，而不是死记硬背像素或单词！

在杨立昆看来，像Sora这种模型是在「逐像素预测下一帧」。他认为这在物理上不可能——在充满随机性的世界里，你不可能精确预测每片树叶的飘落轨迹！

JEPA的解法很聪明：与其预测像素，不如在抽象的「表征空间」里做预测！

具体做法是先用编码器把视频转成抽象数学表示，然后在这个空间里预测「会发生什么」。比如预测「球会滚下桌子」这一更长期、更符合物理规律的结果，而不是重复预测球滚落的每一帧画面。

V-JEPA 2是目前这个路线的代表作！12亿参数，基于100万小时无标签视频预训练。最惊人的是，它仅需62小时机器人数据，就能实现零样本规划动作！在陌生环境处理陌生物体，成功率能达到65-80%！

对比传统机器人学习方法需要数千小时示范数据，V-JEPA 2对数据需求做到了极致压缩！

杨立昆的原话是：如果表征足够好，你就不需要为每个任务从头训练。

不过，创立AMI公司后，这位图灵奖得主也要面对现实。他说，AMI的商业化产品可能要几年后才能看到。这是一笔长线投资，但资本愿意赌！AMI已经拿到了10多亿美元融资，投资方包括几乎所有业界和跨界大佬。

🏗️ 空间智能派：李飞飞的「建筑师」路线

如果说JEPA关注「时间预测」，李飞飞的World Labs则盯上了另一个维度：「空间重建」！

这两条路线的分歧，从底层逻辑就开始了！

JEPA认为智能的核心是在抽象层面预测「接下来会发生什么」，所以不在乎像素级细节，追求高效因果推理。

李飞飞的出发点不一样！她认为，真正的智能需要对三维世界有显式理解，包括几何结构、深度关系、物体之间的相对位置。

换个方式讲：JEPA想教AI理解「球会从桌子上滚下去」这个规律，而World Labs想教AI理解「桌子有多高、球在什么位置、地板和桌子的距离是多少」。

前者关心事件的逻辑链条，后者关心空间的物理结构！

这种差异直接决定了产品形态！World Labs在2025年11月发布了首款产品Marble。输入文字描述、照片、视频甚至粗糙的3D草图，Marble输出的不是视频，而是一个可编辑、可导航、可导出的3D世界！

你可以在里面旋转视角、移动物体、改变光照条件，还能把结果导出为高斯溅射、三角网格或视频格式，直接拖进Unreal Engine或Unity里用！

这里有个容易被忽略的技术细节：很多视频生成模型能做出好看画面，但本质上是在逐帧「编故事」，前后帧之间没有统一的3D结构支撑。

而Marble生成的3D场景具备「空间一致性」！底层维护着真实的空间表示，所以转身回来，世界还是那个世界！

World Labs的团队配置也很强：联合创始人Ben Mildenhall是NeRF（Neural Radiance Fields）的发明者，重新定义了计算机视觉领域对3D重建的认知！另一位联创Christoph Lassner是3D图形专家。

这个团队的知识结构，决定了World Labs从一开始就在走「显式3D」路线，而不是从2D视频里「暗示」三维关系！

2026年2月，World Labs宣布完成10亿美元融资，投资方包括NVIDIA、AMD和Autodesk。Marble已经面向普通用户和商业场景推出，影视工作室、游戏开发者都在用它！

不过，Marble目前也有局限。生成的3D世界在走几步之后会出现视觉变形，出现「幻觉」。这跟JEPA路线追求的「理解物理规律」形成了对比：World Labs擅长重建空间的「样子」，但对空间中「会发生什么」的理解还比较薄弱。

李飞飞本人也坦承Marble只是第一步。她把最终目标定义为「空间智能」，意思是AI不光能看懂场景结构，还能在里面做推理、做规划、做交互。这条路还很长，但方向很明确！

🎮 学习型仿真派：DeepMind的「造梦师」

DeepMind的Genie 3，可能是目前最接近「魔法」的世界模型思路！

谷歌的路线跟前两派又有区别！它做的事情比「理解世界」和「重建空间」都更往前：制造出足够真实、可以实时交互的虚拟环境，让AI直接在里面练出真本事！

输入一句「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！你可以控制角色在里面移动、操作道具、甚至修改天气！

你打碎一个花瓶，碎片会留在地上。你走开再走回来，碎片还在那里！也就是说，Genie 3的「持久性」，从环境持久性进一步细化到了「对象持久性」！

但这对计算架构要求很高！DeepMind的研究主管Shlomi Fruchter说，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。

这样的Genie 3，很像是一个运行中的游戏引擎！但要注意，它没有真正硬编码的物理引擎，所有的行为都是模型从训练数据中「学」到的！

这既是优势也是劣势！优势在于灵活性：模型自己能推断出物理属性和碰撞规则；劣势在于物理模拟仍然不如传统引擎精确。

至于持久性，受制于计算架构限制和算力压力，目前Genie 3只能维持几分钟的连贯性，之后画面就开始走样——这对于游戏是不可接受的。

到此为止，DeepMind也只是解决了「造出环境」，训练AI呢？那就要用到谷歌研发的另一个东西Dreamer了！

DreamerV4于2025年10月发表，是一个无需跟真实环境交互，完全在「想象」中学习的世界模型框架！

它成为第一个纯靠离线数据就在Minecraft里挖到钻石的AI！要知道，从零开始挖到钻石需要连续做出超过两万次精确操作，包括砍树、造工具、挖矿、冶炼，还要躲避怪物和处理各种突发情况！

之前OpenAI的VPT模型要完成类似任务，需要27万小时的标注视频加上19.4万小时的在线强化学习。DreamerV4用的数据量只有它的百分之一！

DeepMind目前在推动将「生成的环境」和「虚拟的智能体」进行结合，在完全虚拟但又完整闭环的环境里进行训练！

谷歌这条路线的核心赌注是：像素级别的生成虽然不等于物理理解，但如果生成的环境足够真实、足够多样化，在里面训练出来的智能体就有可能泛化到现实世界！这是一个还没有被证明的假设，也是这条路线最大的风险所在！

⚙️ 卖水卖铲子：英伟达的基建供应商

前面三条路线各有技术理想，但都面临同一个现实问题：世界模型训练需要极其庞大的数据量和算力！谁来提供这些基础条件？

英伟达的Cosmos平台就是在回答这个问题！它的定位很清楚：你们都在造世界模型？我来提供造世界模型的工具！

Cosmos包含几个核心组件！首先是数据处理管线Cosmos Curator，能在14天内处理2000万小时视频，加速世界模型的训练；而传统CPU方案处理这么多数据需要3年以上！

其次是视觉Tokenizer，就像大语言模型把文字切分成「词元」来处理，世界模型需要把视频帧切分成某种可计算的表征！Cosmos的Tokenizer压缩率比业界方案高8倍，支持多种视频比例和时长，能处理从机器人第一视角到自动驾驶鱼眼镜头的各种格式！

最后是最关键的三种预训练模型家族：负责预测环境未来状态的预测模型Cosmos Predict、将模拟迁移到真实的仿真模型Cosmos Transfer，以及负责让机器人做规划的推理模型Cosmos Reason！这些预训练模型都通过开放许可证发布，开发者可以免费下载！

自从2025年1月在CES上发布后，Cosmos迭代飞速！目前仿真模型和推理模型已经进化到第二代，Predict到了2.5代！小鹏在用Cosmos做自动驾驶仿真，Figure AI等硅谷头部机器人公司也在用它生成训练数据！

背后还是英伟达的老套路：用免费开放软件来锁定硬件生态！用Cosmos来训练世界模型，最后还是需要英伟达的H、Jetson等平台，以及CUDA生态！

黄仁勋在CES上的原话是：世界基础模型之于物理AI，就像大语言模型之于生成式AI！

他押注的是，世界模型会像大语言模型一样，变成一个巨大且对世界带来显著变革的赛道，而英伟达要确保的是，不管谁最终胜出，手里拿着的都是N家的铲子！

🧠 主动推断派：来自神经科学的「异端」

并不是所有人都在走深度学习的主流路线来实现世界模型！这个赛道上还有「异端」！

代表公司Verses的首席科学家卡尔·弗里斯顿来自于神经科学领域，他是「自由能原理」的提出者，Google Scholar引用量在神经科学领域排名很靠前！

这个理论的大意是：所有生物系统的行为，本质上都在做一件事情，即不断生成对外界的预测，然后采取行动来减少预测和现实之间的偏差！

这跟主流AI的思路有什么区别？

强化学习，也即当今主流方向，其核心逻辑是「奖励最大化」：给AI设一个目标，让它试错以找到最优策略！Friston的主动推断框架，追求的却是「减少意外」！

如果非要简化形容：一个是逐利，一个是避险！

一个直观的比喻：强化学习像是一个被胡萝卜引导的驴子，朝着奖励的方向走！主动推断像是一个在陌生城市里的旅行者，不断修正自己对这座城市的心理地图，让自己对下一个路口的预期尽量准确！前者是被目标驱动的，后者是被好奇心和不确定性驱动的！

基于这个理论，Verses开发了AXIOM框架！

它有两大特点：首先是对象中心化，即世界由离散对象组成，每个对象有属性、有关系！深度学习通常把一个场景处理为一个高维向量，不会显式区分场景里的具体物体！而AXIOM把世界建模为离散对象组成的结构，每个对象有属性、有和其他对象的关系！

这种处理方式更接近人类的认知方式：我们看一个房间，不是在处理像素矩阵，而是在识别「椅子在桌子旁边、窗帘是拉开的」这些结构化的关系！

其次是贝叶斯推理：用概率分布表示信念，通过消息传递更新，而非梯度下降！

举个例子，基于AXIOM框架