随想/具身智能的基础模型已经四大流派。 两位科学家、一个企业巨头和明星创业公司。李飞飞的世界模型，强调仿真和数据，英伟达前半场信奉VLM从感知到理解，如今直奔仿真流的WAM、后面的几篇论文有直接抛弃VLM+ACT路径的意思，毕竟要卖软件和算力。只有可爱的PI，坚持了OpenVLM的感知-理解-行动的经典流派，在确定场景中拿数据集作验证和逐步泛化。 却唯独杨（LeCun）的JEPA很另类，更像纯粹的牛顿物理AI。 这几天思考，这哥们敢于提出把真实世界压缩为高维度空间的“潜在表示”。以前听到介绍JEPA中反复提及的用“抽象表征”总是心里各种不适应，在理科生的眼中，表征等于外在表现或者肤浅的表面。其实英文Abstract Representative，原意是“抽象的再次复现”，更容易理解。“表征”是哲学中译词汇，文科生可能更懂。今天的计算机论文翻译者，大概需要哲学或者心理学PDH。 也想起来以前看那本西瓜书《机器学习》教材的时候，听到辛顿“反向传播理论“的别扭。反向可能是倒着推算吧，可是提到传播理论四个字，还以为串课到了传媒大学新闻系。其实这个该死的词汇，只是复合函数偏微分中常用的“链式法则”，那个公式简单极了，一句话，Loss损失函数（也是一种复合函数）中的一个权重自变量向上一个函数的递归式逐级偏微分连乘。你不知道我高中多讨厌语文。 LLM的计算，超级黑盒。 从I/O之间的有如无限大的张量线性叠加的隐藏层。 如今，具身智能则要计算从Encode到Decode的复杂几何倍数于LLM的“隐空间”。 超级大黑盒。 资本希望的趋势，VLM的黑盒套在LLM的黑盒上。别让我的钱白烧。 无论是Hidden Layer还是今天的latent Space，中文翻译都用了一个隐字。很喜欢。 想起自己五年前的起名ID，简直是为AI而生。以后直接叫我，隐。《边水往事》的导演，我朋友，当年第一部创作我们参与过投资，他的名字叫做算。别忘了，请以后叫我，隐。 比起李飞飞的Sim to Real结合Dateset出发的世界模型，杨的视角里，完全不关心像素、纹理、阴影和光照。杨更关心的“抽象的潜在表征”，比如预测”被遮挡的区域形态，时间的后续状态”。 三位都说自己的模型、数据和工具如何，针对创业者、商业和落地预言。唯独杨的提出，是绝世独立的一套抽象架构。今天，主流从业者似乎没人理会杨。我感觉，但愿是错觉，在Meta杨像一个Loser，但是杨的JEPA，所谓的“联合嵌入预测架构”，让我想起最初的谷歌提出Transformer和注意力机制，也只是从一套理论架构开始，其实也被一度冷落。 做学术研究的，往往结局是一条路走到黑，从黑天开始走。无论价值还是审美，都没错。想起刚拿奖的两位数学家的样子，都美，都很优雅。扯远了。已经文非所题。 杨更像是一位物理学家。

🔥赛博修仙哪家强？书生、画家、建筑师、禅师和梦游者 ，趣味解读“世界模型”五大门派 2026年，AI圈最热的话题就是世界模型。过去一年半，上百亿美金砸进去，光今年前7个月就冒出来20多家新公司。 要是把这股热潮比作修仙，那各路门派选的功法可太不一样了。书生、画家、建筑师、禅师和梦游者各有其道。 先说最早火起来的那拨书生，即语言中心派。他们的思路特简单：大语言模型不是已经能预测下一个词了嘛，那把图像、视频、动作统统转成文字，不就能接着预测了？小鹏汽车就这么干，把驾驶视频和指令全塞进语言模型里。 但问题也明显。智源的王仲远说得直白：这玩意儿学的是“用语言描述的世界”，不是世界本身。就像个熟读兵书的书生，嘴上头头是道，真上了战场连马都骑不稳。换个摩擦系数或者重力参数，立马抓瞎。 第二拨画家们走的是像素路线。代表人物就是Sora那帮搞视频生成的。他们的想法更直观：世界长什么样，我就让AI看海量视频，学会预测下一帧画面该长什么样。用扩散模型直接生成像素，看起来特华丽。 可这路也有硬伤。业内现在有句话叫“视频生成不等于世界模型”。一个能生成熊熊烈火的模型，可能根本不懂燃烧的物理过程。它学的是像素的统计规律，不是因果逻辑。看得见，摸不着。 第三拨建筑师务实一点，搞三维结构。李飞飞管这个叫“空间智能”，让AI理解三维空间里物体怎么摆放、什么关系。World Labs就在做这个。 但光有形状也不够。你能重建一个杯子的3D模型，却很难告诉AI它摔下来会怎么碎。离真正的“理解”还差得远。 第四拨禅师就有点玄了。LeCun推的JEPA系列，走的是视觉表征路线。它的核心心法是：理解世界，不必重构像素。别人在临摹名画，它偏要去悟画家的笔法逻辑。在潜空间里预测状态变化，不生成任何画面。 好处是参数少、速度快、不怕噪声。但坏处也在这——它到底“悟”到了啥，外人根本看不懂。就像修仙小说里那种闭口禅，外人只道他修为高深，真问他却一个字说不出来。 第五拨梦游者更像梦中证道。以Dreamer为代表的强化学习派，先在脑子里建一个虚拟世界模型，然后在里面反复做梦、模拟、试错。等练得差不多了，再出来实战。蔚来的智驾就是这么搞的，让算法先在模拟的未来里跑个几千遍再上车。 五条路，各有各的牛逼，也各有各的坑。 那为啥到现在还没人能“飞升”？ 第一，连“世界模型”到底是个啥都没吵明白。 视频生成也叫世界模型，物理引擎也叫世界模型，概念乱得很。李飞飞专门写了篇长文来厘清，说明这行业连渡劫标准都没统一。 第二，数据根本不够。 大语言模型能从网上扒无穷无尽的文本，但物理世界的数据呢？一个杯子掉地上碎了，人类看一眼就懂，可要让AI学会这个因果，得需要带精确几何和物理标注的多模态数据。这种东西比互联网文本稀缺好几个数量级。 第三，架构还在乱战。 到底是重建像素还是预测潜空间？是生成式还是判别式？到现在没人知道答案。2026年虽然被叫成“世界模型元年”，但元年嘛，就是刚起步的意思，别指望大成。 有意思的是，各家掌门人最近都开始往一块凑了。 李飞飞觉得，渲染、模拟、规划这些知识本质上是同一套，最后应该融成一个统一模型，既能生成照片级画面，又能理解物理因果，还能规划行动。 上海AI Lab那边也在推新思路，世界建模不该只是预测世界，而是服务Agent。说白了，模型得帮AI干活，不能光会看。 我觉得这事最后大概率不是某一条路线胜出，而是谁能把各派功法打通。修仙小说里真正飞升的，往往都是在看似矛盾的功法交汇处找到机缘的。 #WorldModel# #PhysicalAI# #EmbodiedAI#