斯坦丘作用堪比盖坦！冯劲离英雄就差一点小毛差点被铰剪脚废了
文 | 智械岛， ，，，，作者 | 霍如筠（北京）4 月 16 日， ，，，，阿里巴巴宣布了开放式天下模子 Happy Oyster， ，，，，腾讯开源了 3D 天下模子 HY-World 2.0 。。 。。。。统一天， ，，，，两家中国互联网巨头宣示了自己在天下模子赛道上的保存感 。。 。。。。此前不到一个月， ，，，，李飞飞的 World Labs 刚完成 10 亿美元融资， ，，，，Yann LeCun 的 AMI Labs 更是以 10.3 亿美元的种子轮震惊硅谷 。。 。。。。资源、巨头、创业者簇拥而入， ，，，，一个响亮的口号迅速传遍行业：天下模子是大语言模子之后最主要的赛道 。。 。。。。但若是你真的去问这些玩家 " 天下模子究竟是什么 "， ，，，，很可能会获得一堆相互矛盾的回覆 。。 。。。。有人说是 " 可交互的 3D 天下 "， ，，，，有人说是 " 明确物理纪律的因果模子 "， ，，，，有人说是 " 机械人训练的数字仿真器 "， ，，，，尚有人爽性说 " 就是更高级的视频天生 " 。。 。。。。这不是学术讨论的不同， ，，，，而是整个赛道正在履历的认知杂乱 。。 。。。。这篇文章试图理清这场杂乱 。。 。。。。我们会从三个层层递进的问题入手：为什么所有大厂突然都在押注天下模子？ ？？？？他们的产品究竟在做什么， ，，，，哪些是实、哪些是虚？ ？？？？以及， ，，，，那些被光环掩饰的逆境和模糊地带， ，，，，事实有多深？ ？？？？一、为什么突然 All in 天下模子？ ？？？？要明确天下模子为何突然爆火， ，，，，得先回到大语言模子的一个尴尬事实 。。 。。。。已往两年， ，，，，ChatGPT 们展示了惊人的语言能力， ，，，，也袒露了一个致命短板：它们不懂物理天下 。。 。。。。你问一个 LLM" 把杯子从桌子边沿推下去会怎样 "， ，，，，它能回覆 " 杯子会掉到地上 "， ，，，，却并不可真正明确重力、加速率、碰撞， ，，，，它只是从训练数据中记着了类似的句子 。。 。。。。2026 年头的一项研究指出， ，，，，幻觉不是数据问题， ，，，，不是训练问题， ，，，，而是 LLM 架构的内在缺陷 。。 。。。。这个缺陷在纯文本使命中或允许以忍受， ，，，，但当 AI 要进入真实天下：操控机械人、驾驶汽车、在工厂里作业， ，，，，它就酿成了一个无法绕过的坎， ，，，，你不可让一个自动驾驶模子 " 或许准确 " 地判断前方障碍物， ，，，，也不可让一个工业机械人 " 差未几 " 地展望零件运动轨迹 。。 。。。。于是， ，，，，一个更基础的需求浮出水面：我们需要一个能明确物理天下因果律的 AI 。。 。。。。它不但要能说， ，，，，还要能做；；；；；不但要望见， ，，，，还要能预判 。。 。。。。这就是天下模子被推到聚光灯下的基础缘故原由 。。 。。。。大语言模子改变了人和信息的关系， ，，，，而天下模子要改变的， ，，，，是人和现实的关系 。。 。。。。已往两年 AI 的商业化主要停留在信息处置惩罚， ，，，，写文案、做翻译、天生代码， ，，，，但下一波增添引擎显然在物理天下：具身智能、自动驾驶、智能制造 。。 。。。。这些场景的配合要求是：AI 必需明确空间、展望动态、妄想行动 。。 。。。。以是， ，，，，大厂押注天下模子， ，，，，实质上是在争取 " 后 LLM 时代 " 的手艺制高点 。。 。。。。谁先让 AI 真正明确物理天下， ，，，，谁就能在下一轮工业周期中占有主导 。。 。。。。海内外玩家的打法截然差别 。。 。。。。美国那里， ，，，，DeepMind、World Labs、AMI Labs 更像是在做基础科学 。。 。。。。他们体贴的是怎样让 AI 拥有像人类一样的物理直觉和因果推理能力， ，，，，商业化是远期目的 。。 。。。。Yann LeCun 自己都认可， ，，，，AMI 的产品可能要几年后才华看到 。。 。。。。中国则是另一番情形 。。 。。。。阿里和腾讯险些在宣布模子的同时就绑定了商业场景：Happy Oyster 瞄准影视制作和游戏开发的付用度户， ，，，，HY-World 2.0 直接输出可导入 Unity/UE 的 3D 资产， ，，，，做起了 AI 造天下的生意 。。 。。。。�；；；Ｉ杏� Sand.ai 的 VidMuse， ，，，，围绕音乐天生视频这个细分场景， ，，，，上线几个月就做到了万万美元级别的年收入 。。 。。。。中国团队的逻辑很务实：天下模子首先得是一个能赚钱的产品 。。 。。。。这两种蹊径没有高下之分， ，，，，但决议了各自的节奏和危害 。。 。。。。美国团队敢于押注十年后的突破， ，，，，中国团队则必需在一年内看到回报 。。 。。。。问题是， ，，，，当所有人都挤在统一个热词下喊口号时， ，，，，局外人很难分清谁在做什么 。。 。。。。二、关于手艺标准的拷问花时间看完各家产品的先容， ，，，，你很可能会陷入更大的疑心 。。 。。。。由于每个天下模子长得都纷歧样， ，，，，它们的底层逻辑甚至相互矛盾 。。 。。。。先来看最反直觉的一派 。。 。。。。Yann LeCun 的 AMI Labs 走了一条很少有人敢跟的路， ，，，，他们不以为 AI 需要天生逼真的画面 。。 。。。。LeCun 的 JEPA 架构刻意扬弃像素细节， ，，，，只在笼统的隐空间里做展望 。。 。。。。最新宣布的 LeWorldModel 只有 1500 万参数， ，，，，单 GPU 几小时就能训练完， ，，，，但妄想速率比古板要领快了 48 倍 。。 。。。。弱点是， ，，，，它的输出人类看不懂， ，，，，你不可 " 看到 " 它展望的未来， ，，，，只能相信它算对了 。。 。。。。这是一个纯粹的学术蹊径， ，，，，离通俗用户很远， ，，，，但 LeCun 赌的是：真正的智能不需要模拟每一片树叶的飘落， ，，，，只需要明确 " 风会吹落树叶 " 这个因果 。。 。。。。另一条路来自李飞飞的 World Labs 。。 。。。。李飞飞相信， ，，，，智能必需建设在三维空间的显式明确之上 。。 。。。。她的 Marble 模子能从一张照片或一段文字天生一个可编辑、可导航的 3D 天下， ，，，，用户可以在内里自由移动视角 。。 。。。。World Labs 还开源了渲染引擎 Spark 2.0， ，，，，让通俗浏览器都能流通加载上亿个 3D 点 。。 。。。。一个坦诚的评价是：Marble 善于重修空间的样子， ，，，，但对空间中会爆发什么的明确还较量薄弱 。。 。。。。你可以走进它天生的房间， ，，，，但你推不动内里的椅子， ，，，，也打不翻桌上的杯子 。。 。。。。它是一个静态天下的复刻者， ，，，，而不是动态物理的模拟器 。。 。。。。最热闹的阵营当属天生派 。。 。。。。谷歌的 Genie 3、阿里的 Happy Oyster、腾讯的 HY-World 2.0 都属于这一类 。。 。。。。他们的逻辑是：只要天生的画面足够逼真、交互足够流通， ，，，，物理纪律自然会被学出来 。。 。。。。阿里在 Happy Oyster 里做了一个很有意思的功效叫导演模式， ，，，，用户可以在视频播放的历程中随时输入文字指令， ，，，，改变剧情走向、切换镜头角度 。。 。。。。腾讯更务实， ，，，，直接输出可二次编辑的 3D 资产， ，，，，让游戏开发者可以导入 Unity 或 UE 引擎里直接用 。。 。。。。但这类产品有一个配合的软肋：长时序一致性和物理准确性仍然不稳固 。。 。。。。Genie 3 的演示很惊艳， ，，，，但几分钟后画面就最先走样 。。 。。。。阿里的周游模式现在只能支持 1 分钟的一连位移， ，，，，凌驾这个时间会爆发什么？ ？？？？官方没说 。。 。。。。腾讯的 3D 资产在简单场景下看起来不错， ，，，，但它的优势主要体现在场景完整度和对输入图片的遵照水平， ，，，，这些都是 " 看起来像 " 的指标， ，，，，而不是 " 物理上对 " 的指标 。。 。。。。最后尚有一个特殊的玩家：英伟达 。。 。。。。Cosmos 平台不生产天下模子， ，，，，它生产 " 生产天下模子的工具 " 。。 。。。。数据处置惩罚管线、视频分词器、预训练基础模子， ，，，，所有免费开放下载 。。 。。。。�；；；；迫恃乃闩毯芮逦何蘼勰奶貂杈蹲钪帐こ�， ，，，，训练和推理都需要英伟达的 GPU 。。 。。。。这是最智慧的生意， ，，，，不赌偏向， ，，，，只赌算力 。。 。。。。那么， ，，，，这些天下模子哪些是名副着实的？ ？？？？一个要害的手艺标准是：真正的天下模子必需是 " 行动条件化 " 的， ，，，，也就是说， ，，，，输入一个行动， ，，，，模子要能输出天下状态的转变 。。 。。。。你用键盘按 "W"， ，，，，画面里的视角应该向前移动；；；；；你给机械人一个抓取指令， ，，，，模子应该展望物体的位置转变 。。 。。。。凭证这个标准， ，，，，李飞飞的 Marble 就不太及格， ，，，，用户只能看， ，，，，不可做 。。 。。。。它更像一个 3D 重修工具， ，，，，而不是天下模拟器 。。 。。。。谷歌的 Genie 3 和阿里的 Happy Oyster 虽然支持交互， ，，，，但物理准确性存疑 。。 。。。。腾讯的 HY-World 2.0 输出的是静态资产， ，，，，自己就不涉及动态展望 。。 。。。。�；；；；痪浠八�， ，，，，现在市场上险些没有一家抵达了 " 完善物理天下模拟器 " 的标准 。。 。。。。每家都在自己的能力规模内， ，，，，选择了一个可展示、可商业化的切入点 。。 。。。。这自己没有错， ，，，，错的是各人都在用 " 天下模子 " 这个模糊的大词来包装自己， ，，，，让外界误以为他们已经解决了所有问题 。。 。。。。三、那些被刻意回避的模糊地带只读各家公司的新闻稿， ，，，，会以为天下模子已经进入了规模�；；；；涞氐那耙�， ，，，，但一些被忽略的细节拼出了一幅截然差别的图景 。。 。。。。数据问题首当其冲 。。 。。。。训练一个真正的天下模子， ，，，，需要海量的 " 视察、行动、效果 " 三元组， ，，，，但现实中没有这样的现成数据集 。。 。。。。有人用游戏数据， ，，，，行动标签完善， ，，，，但游戏里的物理是引擎模拟的， ，，，，不是真实物理 。。 。。。。有人用人类第一人称视频， ，，，，最靠近真实天下， ，，，，但视频里没有行动标签， ，，，，并且人的头部运动和手部行动纠缠在一起， ，，，，模子根天职不清是谁在动 。。 。。。。�；；；Ｉ杏腥擞谜媸祷等艘２僮魇�， ，，，，保真度最高， ，，，，但收罗一小时数据可能要破费数万美元， ，，，，基础跑不起来规模 。。 。。。。这意味着每个天下模子都有天生的 " 能力界线 " 。。 。。。。评估真空是另一个贫困 。。 。。。。你翻开任何一门第界模子公司的官网， ，，，，险些都能看到 " 登顶全球权威评测榜第一 " 的口号 。。 。。。。问题是， ，，，，这些评测榜单自己就不可熟 。。 。。。。有的着重视觉逼真度， ，，，，有的着重物理准确性， ，，，，有的着重使命完成率 。。 。。。。一个在视觉榜单上拿第一的模子， ，，，，可能在物理榜单上垫底 。。 。。。。这种标准的不统一， ，，，，让各家可以各说各话 。。 。。。。通俗人基础搞不清这究竟是统一个榜单的差别种别， ，，，，照旧营销话术的巧妙编排 。。 。。。。�；；；Ｉ杏幸桓霰豢桃饣乇艿� " 不可能三角 " 。。 。。。。天下模子面临三个相互制约的指标：空间标准、视觉保真度、实时交互性 。。 。。。。你不可能同时做到 " 天下很大、画面很清晰、交互很流通 " 。。 。。。。李飞飞的 Marble 就是最好的例子：1.1 版本画质好但空间规模有限， ，，，，1.1-Plus 版本能天生大场景但画质发糊 。。 。。。。昆仑万维的 Matrix-Game 3.0 能做到 720P 下 40FPS 的实时天生， ，，，，但演示场景的气概和重漂后都很有限 。。 。。。。险些没有产品会自动认可自己的短板， ，，，，它们更倾向于展示最优工况下的演示视频， ，，，，而把极限条件下的失败藏起来 。。 。。。。这种选择性展示正在制造一个危险的泡沫 。。 。。。。最后， ，，，，资源的狂欢也带来了新的投契危害 。。 。。。。一个值得注重的征象是， ，，，，资源从追捧 " 大厂老兵 " 转向押注顶尖高校的年轻学者 。。 。。。。逆矩阵科技的两位首创人， ，，，，一个 98 年、一个 04 年， ，，，，来自北大， ，，，，首轮融资超万万美元 。。 。。。。他们的手艺蹊径是 " 强化学习 + 天下模子 "， ，，，，现在只有论文， ，，，，没有产品 。。 。。。。这不是说年轻人不可， ，，，，而是说在范式混沌期， ，，，，资源愿意为 " 界说下一代手艺 " 的可能性支付极高的溢价 。。 。。。。但大大都这样的实验室项目， ，，，，最终无法跨越 " 论文→产品 " 的鸿沟 。。 。。。。Yann LeCun 这样的图灵奖得主都认可商业化要等几年， ，，，，更况且是刚结业的博士生？ ？？？？四、结语天下模子的目的， ，，，，是让 AI 能够展望甚至干预物理天下 。。 。。。。那么， ，，，，若是 AI 的展望错了， ，，，，谁来肩负责任？ ？？？？设想一个场景：一辆自动驾驶汽车的天下模子在仿真中 " 想象 " 出一个不保存的障碍物， ，，，，导致车辆紧迫刹车， ，，，，被后车追尾 。。 。。。。这个锅应该甩给算法工程师， ，，，，照旧仿真数据的提供方？ ？？？？再设想：一个工业机械人的天下模子过失展望了零件的运动轨迹， ，，，，撞坏了整条生产线 。。 。。。。包管公司的理赔标准是什么？ ？？？？更极端的场景：有人用天下模子天生了一个逼真的虚伪 3D 灾难视频， ，，，，在社交媒体上引发恐慌 。。 。。。。平台有没有审核义务？ ？？？？执法怎样界定这种 " 虚拟与现实混淆 " 的危险？ ？？？？这些问题， ，，，，现在没有任何一家公司、任何一个国家给出了清晰的谜底 。。 。。。。天下模子的伦理框架和执法界线， ，，，，远远落伍于手艺的生长速率 。。 。。。。当资源和媒体聚焦于 " 谁能造出最逼真的虚拟天下 " 时， ，，，，一个更基础的问题被弃捐了：我们真的准备好了吗？ ？？？？这或许才是天下模子赛道最被低估的变量 。。 。。。。不是算力， ，，，，不是数据， ，，，，不是算法， ，，，，而是责任 。。 。。。。