据 TSN 十月九日机器人综述，Meta FAIR 联合 Mila 等机构发布 RoboJEPA，这是一条基于 Meta JEPA 路线的机器人世界模型。它不在像素层生成下一帧视频，而是在抽象的内部表征里预测世界将如何演化。研究者在二十三个公开操作数据集、覆盖十二种机器人本体和二十六种动作空间上，训练了从两千二百万到八十亿参数的模型，系统研究机器人世界模型随规模增长的规律。

为什么预测抽象表征比生成视频更聪明？

视频生成式世界模型要逐像素还原未来，计算贵，还容易被纹理、光影这些和动作无关的细节带偏。JEPA 只在抽象空间预测「接下来状态会怎么变」，把算力集中在对决策真正有用的因果结构上。对机器人来说，它不需要看见一片叶子怎么晃，只需要知道推这个杯子会不会倒。这种「抓重点」的预测，理论上更省、也更稳。

机器人世界模型也有 scaling law 意味着什么？

当一个能力能随参数和数据规模单调变强，它就从 trick 变成了可工程化的路线。RoboJEPA 跨十二种本体、二十六种动作空间做 scaling，是在证明：世界模型的提升不只属于某一台特定机器人，而是可以跨形态迁移。这和大语言模型当年发现 scaling law 的意义类似——一旦规模能换能力，投入就有了确定性。当然，跨本体的数据异质性很大，八十亿参数在真机上还得验证。但物理 AI 终于有了自己的 scaling 叙事。

抽象预测为什么比生成视频更适合机器人？

机器人不需要渲染出下一帧画面，它只需要知道推一下会倒还是会停。JEPA 在抽象空间预测，省掉了和决策无关的像素细节，把算力集中在因果上。这和大模型里只预测有用 token 的思路一脉相承——去掉冗余，模型反而更强。如果 RoboJEPA 的 scaling 规律在真机上成立，物理 AI 就拿到了像语言模型那样的确定性投入逻辑：堆参数、堆跨本体数据，能力就会涨。

去论坛讨论

前往 silicon-agi.com 论坛 参与讨论