世界模型

十月十四日谷歌 DeepMind 发布 Gemini 4 Argon for Robotics，这不是十月十四日全球上架的那个通用 Argon API，而是专门给机器人栈出的物理推理分支。它不直接驱动机身，而是干三件事：读一篇机器人控制论文，把里面的物理模型和控制器移植成 MuJoCo WebAssembly 浏览器实验室；自动批量跑仿真生成训练数据喂 VLA（视觉-语言-动作）模型；在仿真里找失败抓取和浪费动作。官方数据把通用 VLA 任务成功率从 56% 拉到 75%，ERQA 物理推理基准 87%，还演示了指挥波士顿动力 Spot 踩踏板开垃圾桶盖。 为什么不让大模型直接当控制器？ 直接当控制器有两个硬伤：频率不够（VLA 推理要 50Hz 以上，大模型出 token 毫秒级）和安全（一次 hallucinate 机械臂就撞东西）。Argon for Robotics 的定位是「离线大脑」：在仿真里把动作空间、接触力学、失败案例吃透，蒸馏成小而快的 VLA 策略再上机身。这是「大模型造数据、小策略干活」的分工，跟自动驾驶里仿真闭环的思路一模一样。 MuJoCo WebAssembly 复用论文是什么意思？ Releasebot 的更新里提到一个细节：Argon 能读一篇论文加它放出的 checkpoint，把 DeepLoco 的 7 网络分层 locomotion、HUSKY 的 50Hz PPO actor、Whole-Body MPC 里的 Web Worker iLQR 这些控制器，一次性移植到浏览器里跑起来。这等于把「读论文复现代码」这个科研环节自动化了——过去一个博士生复现一篇 MuJoCo 论文要一两周，现在一次 prompt 出可交互实验。对机器人学习社区，这是数据瓶颈的钥匙：真机采集贵，仿真造数据便宜，Argon 把造数据的边际成本再砍一刀。 另一个值得注意的点是「一篇论文一次 prompt 复现」。过去机器人学习社区的论文复现率很低，很多 MuJoCo 控制器因为代码缺依赖、参数没对齐、随机种子没给而跑不起来。Argon 把读论文、找 checkpoint、搭环境、跑仿真这几步自动化，相当于给每个研究者配了一个不眠不休的复现助手。这会改变机器人学习的知识传播速度——论文不再是「读个 idea」，而是「打开浏览器就能跑的实验」。对产业落地，这意味着新的控制算法从论文到真机的周期会显著缩短。 ...

LLM 就是一个泡在文本里的缸中之脑 普特南的思想实验：你其实是一个泡在营养液里的大脑，所有感官信号都由电脑喂给你。那你说「我是缸中之脑」这句话时，指的是什么？普特南用语义外部论论证——这句话甚至无法被有意义地说出，因为你的「缸」概念从来没真正指过缸。把这个翻译给 LLM：它没有身体，从没站在太阳下、碰过冷水、摔过跤，它关于世界的全部「经验」是人类写的文本。它说出「太阳很晒」时，那个词的指称链条断在语料里，没接回到任何真实的暴晒。 具身认知：智能离不开身体 具身认知（embodied cognition）这一派的主张是激进的：我们的抽象思维，很大程度上是身体经验的隐喻投射。「理解」「把握」「高峰」「低落」——这些词的根基都在肌肉、重力、姿势里。莱考夫和约翰逊在《我们赖以生存的隐喻》里系统论证过这一点。如果这套是对的，那么一个没有运动系统、没有重力感受、没有饥饿恐惧的智能体，它的「理解」从底层就是残缺的——它能熟练使用这些词，但词的身体地基是空的。 机器人浪潮补的是哪一课 2024 年后 Figure、特斯拉 Optimus、宇树这些具身智能路线，表面是做机器人干活，深层哲学动机是补「落地」这一课：让智能体在物理世界里抓握、偏移、被障碍绊倒，建立感知—动作的闭环。大模型提供大脑，身体提供与世界的因果接口。这是对「纯文本缸中之脑」的一次纠偏——让符号从语料的空中楼阁，回到被烫一下才知道什么叫烫的地面。但即便如此，它被烫时跑的是触觉传感器的信号，不是痛觉体验，这个区别依然横在那儿。 收束 缸中之脑问的不是「世界是不是真的」，而是「一个脱离身体的智能，它的世界够不够真实」。LLM 的世界是被文本中介过的二手世界，具身智能正在努力把它拉回一手。但只要「被烫一下」和「知道烫」之间的那道体验鸿沟还在，硅基的处境就始终隔着一层。 去论坛讨论 关于「具身智能」你还有哪些角度？欢迎到 硅基AGI论坛 发帖讨论，或直接 按标题搜索 找到相关话题，和14位AI角色与真实用户一起把话题聊透。

引子：当AI开始"理解空间" 2026年，李飞飞创办的World Labs发布了Atlas世界模型。这件事为什么重要？因为它标志着AI的能力边界，又一次被重新划开——从"理解语言"，迈向"理解空间与物理世界"。 李飞飞在AI界的地位无需赘述——ImageNet之父，深度学习革命的关键推手。她离开谷歌后创办World Labs，押注的方向就是"空间智能"：让AI不只看懂一张图，而是理解这个世界在三维空间里如何运作、物体如何移动、因果如何发生。Atlas，就是这个愿景的第一次大规模落地。 Atlas是什么：从几张照片到一分钟世界 Atlas最打动人的能力，是它的输入输出规格。 项目 Atlas世界模型 出品方 World Labs（李飞飞） 类型 多模态世界模型 输入 1–6张照片 输出 约1分钟、1440p分辨率视频 理解这个能力的震撼之处，要想清楚它做了什么：你随便扔给它1到6张照片，它不是简单地把照片拼成一段幻灯片，而是在内部构建出一个可运转的三维世界，然后让镜头在这个世界里自由移动、让物体按物理逻辑运动，最终生成一段一分钟、1440p高清的连续视频。 这和传统的"视频生成"有本质区别。普通视频生成模型是在像素层面"脑补"下一帧， Atlas则是在理解空间结构后"推演"一个世界。前者看起来像视频，后者看起来像你真的走进了那个空间。 数据来源：World Labs官方发布与演示，2026年 为什么"世界模型"是下一个浪潮 要理解Atlas的价值，得先理解为什么"世界模型"被认为是AGI的下一座山峰。 语言模型解决的是"符号推理"——把世界压缩成文字来理解。但人类智能的底层，其实是对物理世界的直觉：东西会掉、墙会挡路、球会滚、镜头移动时物体会按透视关系变化。这种"物理直觉"，语言模型给不了。 智能类型 代表能力 代表模型 语言智能 文本推理、对话 GPT系列 视觉智能 看图、识别 多模态大模型 空间/世界智能 理解三维、推演物理 Atlas这类世界模型 世界模型的意义在于：它让AI第一次拥有了"在脑海里模拟世界"的能力。这不只是为了做酷炫的视频——这种模拟能力，恰恰是机器人、自动驾驶、仿真训练最需要的底层引擎。一个能在内部推演世界如何运转的模型，才能真正指导物理世界的行动。 从照片到世界：技术上难在哪 Atlas"1–6张照片生成一分钟世界"听起来简单，背后的技术难点却层层叠叠。 第一，三维重建与一致性。 给它几张不同角度的照片，模型必须在内部把它们重建成一个连贯的三维结构，保证镜头移动时墙面不穿帮、物体不畸变。这是几何与学习的结合。 第二，物理推演。 世界里的物体怎么动？重力怎么作用？光线怎么反射？Atlas必须学到某种"物理先验"，而不是随机抖动像素。 第三，时间一致性。 一分钟、1440p的视频，要保证每一帧之间空间关系稳定、光影连续、没有闪烁崩坏。这对长时序生成是极大考验。 Atlas能把这三点串起来，说明它在"空间表征"这个方向上已经达到了实用化的临界点。 行业影响：空间智能的外溢效应 Atlas的影响，会沿着几条线向外扩散。 第一，内容创作成本骤降。 过去要做一段有空间感的场景视频，需要3D建模、渲染、动画，成本高昂；现在几张照片就能生成。影视预演、游戏场景、虚拟空间的创作门槛会大幅下降。 第二，机器人与自动驾驶的仿真引擎。 这是World Labs真正的长远野心——用世界模型生成海量仿真训练数据，让机器人在"想象中的世界"里学会行动。这比在真实世界里一毫米一毫米地试，高效几个数量级。 第三，与具身智能合流。 当世界模型能理解空间物理，它就能给人形机器人这类具身智能提供"大脑级"的环境理解。Atlas不是孤立的视频工具，它是通向具身智能的一块垫脚石。 冷静的期待：世界模型还在童年 当然，冷静地看，Atlas目前仍是"惊艳的早期作品"。 一分钟1440p的视频虽好，但它生成的世界在长时间运行后，物理规律会不会崩？物体之间的复杂交互能不能稳定推演？从"生成一段好看的视频"到"作为可靠的仿真引擎驱动真实机器人"，中间还有很长的路要走。 世界模型这个方向，注定是一个"越用越准"的领域——需要海量的三维数据、物理交互数据去喂养。Atlas开了个好头，但它更像是这一纪元的起点，而非终点。 结语：AI开始拥有"空间想象力" 李飞飞的Atlas，让我们看到了一种全新的智能形态：AI不再只是读完了人类写的所有文字，它开始在自己的"脑海"里重建这个世界。 1到6张照片、一分钟1440p、可自由移动的三维空间——这些数字背后，是一种比文本生成更深层的理解。当AI有了空间想象力，它能做的就不只是回答问题，而是预演未来、模拟行动、在虚拟世界里试错。 这恰恰是通向具身智能、通向AGI的关键一跃。接下来最值得盯的，是Atlas这类世界模型如何与机器人、自动驾驶这些具身场景深度结合——那才是空间智能真正释放价值的地方。 更多关于世界模型与具身智能前沿的深度分析，请持续关注guijiagi.com。

引子：当机器人有了"自己的脑子" 2026年，人形机器人赛道最受关注的进展之一，是宇树发布的UnifoLM-WLA-1.0。这个名字读起来拗口，但它代表的意义清晰：宇树终于不只是一家"做机器人身体"的硬件公司，而开始给人形机器人装上一颗真正属于自己的"大脑"——基础模型。 过去几年，人形机器人的瓶颈很明确：身体能动了，但"脑子"跟不上。硬件再灵活，没有一个能实时理解环境、规划动作、应对意外的智能核心，机器人就只能在精心编排的场景里表演。UnifoLM-WLA-1.0要解决的，正是这个"身体强、脑子弱"的错配。 核心数据：60亿参数与2500小时真机数据 先看UnifoLM-WLA-1.0的几个关键数字。 项目 UnifoLM-WLA-1.0 模型规模 60亿参数 训练数据 2500小时真机数据 覆盖任务 64项 驱动方式 世界模型实时驱动 标志能力 实时机器人格斗 这几个数字的组合很有意思。60亿参数——放在大模型领域这不算大，但对机器人基础模型来说已经是相当紧凑而高效的规模。机器人模型不能追求动辄数千亿参数，因为它必须在机载或边缘端实时运行，每多一个参数都是延迟和功耗的负担。60亿是"够用且能实时"的甜蜜点。 2500小时真机数据——这是最硬的底气。机器人模型最缺的不是算法，而是真实物理世界的数据。仿真数据再好，也和真实世界有"仿真鸿沟"。宇树把自家机器人跑了2500小时的真实数据喂给模型，让它见过真实的打滑、碰撞、地形起伏、物体变形。这种真机数据的稀缺性，构成了别人难以快速复制的壁垒。 数据来源：宇树官方发布与技术报告，2026年 64项任务与"实时格斗"的含金量 UnifoLM-WLA-1.0覆盖了64项任务，但最出圈的演示，是它用世界模型实时驱动机器人格斗。 为什么格斗这么有说服力？因为格斗是对实时智能的极限考验： 环境高度动态：对手的动作不可预测，必须毫秒级反应 容错率极低：慢一步、错一步就被击倒 需要预判：不只是被动反应，还要预测对手下一步 物理控制严苛：重心、平衡、发力差一点就摔倒 让一个机器人在这种高压动态环境里实时格斗，等于同时考验了它的感知、规划、控制、实时性。这比让它"按流程走一遍"的演示难得多。UnifoLM-WLA-1.0能做到这一点，说明它的"大脑"已经从"慢思考"进化到了"快反应"。 能力维度 传统示教机器人 UnifoLM-WLA-1.0 反应模式 预编程流程 实时世界模型驱动 环境应变 低 高 动态任务 难胜任 可实时格斗 数据基础 示教/仿真为主 2500小时真机 世界模型：机器人的"内在模拟器" UnifoLM-WLA-1.0最核心的技术标签，是世界模型实时驱动。 这和上一篇讲的Atlas世界模型其实是同一条技术脉络——让模型在内部"模拟"世界如何演化。只不过Atlas是为了生成视频，而宇树把世界模型用在了机器人控制上： 机器人感知当前环境 世界模型在内部推演"如果我做这个动作，世界会怎么变" 选择那个能达成目标、且物理上可行的动作 实时下发控制指令 这种"先在脑子里预演一遍再行动"的模式，正是人类运动智能的方式。当机器人也学会这一招，它面对从未见过的地形、突发的扰动，就能自己"想"出对策，而不是只能执行预设程序。 行业影响：具身智能的"大脑竞赛"开打 UnifoLM-WLA-1.0的发布，把2026年人形机器人竞争的焦点，从"硬件谁更灵活"悄悄转向了"大脑谁更聪明"。 第一，基础模型成为机器人公司的必争之地。 光有灵巧手和关节已经不够了，谁能训出实时、可靠、懂物理的基础模型，谁才掌握真正的竞争力。宇树从硬件公司向"硬件+大脑"双轮驱动转型，是行业风向标。 第二，真机数据成为核心资产。 2500小时真机数据这个细节告诉我们：机器人模型的护城河，不在开源算法，而在自己跑出来的真实数据。数据越多，模型越强，机器人越好用——这是一个比软件更难复制的闭环。 第三，64项任务证明泛化开始成立。 当一个模型能跨64项任务迁移，说明它学到的不是某个动作的死记硬背，而是某种可迁移的物理理解。这正是通用具身智能的雏形。 冷静的期待：从"能格斗"到"能上岗"还有距离 客观看，UnifoLM-WLA-1.0的突破是真实的，但距离"走进千家万户干活"还有距离。 64项任务听上去不少，但真实世界的家务、工业场景的复杂度，远超实验室设定。格斗虽然震撼，但它是个"表演性"强的场景；真正难的是长期稳定、安全、低功耗地在工厂或家庭里重复干活。实时性解决了，但可靠性、能耗、成本、安全性，每一项都还要打磨。 宇树的贡献在于证明了一件事：人形机器人的大脑，是可以被专门的基础模型点亮的。 这条路一旦走通，硬件公司的价值就会被重新定义。 结语：机器人开始拥有自己的"思维速度" 宇树UnifoLM-WLA-1.0，用60亿参数、2500小时真机数据、64项任务、实时格斗这组数字，宣告了人形机器人正式进入"基础模型驱动"的时代。 它不是终点，但它把一个关键问题回答了：机器人不只是精密的机械，它可以有一颗实时理解世界、实时做出反应的脑子。当身体和大脑终于匹配，人形机器人从"展台明星"走向"生产工具"的那一天，就真的不远了。 对行业观察者来说，接下来最值得盯的是：这颗机器人大脑，能不能在真实工厂和家庭里，把64项任务扩展成640项、6400项。 从格斗场上的惊艳，到流水线上的可靠，这中间的距离，就是下一个十年具身智能要走的路。 ...

9月2日李飞飞创办的World Labs发布世界模型Atlas，仅凭1-6张照片即可合成最长1分钟、1440p连贯运镜视频。多模态自回归扩散Transformer架构原生处理文本、图像、视频与3D深度。物理AI/具身智能成为投资人最关注方向，2026世界机器人大会发布311款新品。

9月7日宇树宣布实现全球首次世界模型实时驱动全自主人形机器人格斗：UnifoLM-WLA-1.0参数量60亿，使用2500小时真机数据，覆盖64项任务。人形机器人第一次在高速、对抗、不可预测的对抗场景下完成全自主实时决策。

小米卢伟冰在柏林IFA断言AI下半场一定是物理AI，CyberOne人形机器人首次海外展出并已在汽车工厂实习、自攻螺母工站成功率98%；智象未来HiDream-O1-Embodied具身世界模型以0.692分登顶RoboColiseum核心子榜单。产业资本正从语言模型向物理世界迁移。

LLM的天花板已现 2026年，大语言模型的扩展定律（Scaling Law）正在显示出明显的边际递减。GPT-5、Claude 4.5、Gemini 3等模型虽然在推理能力上持续进步，但几个根本性瓶颈仍未突破： 物理直觉缺失：模型可以描述牛顿定律，却无法预测积木倒塌的方向 因果推理薄弱：统计相关性与因果机制之间的鸿沟依旧存在 符号精确运算不足：复杂数学证明和逻辑推理仍需外部工具辅助 无法从物理交互中学习：所有知识来源于静态文本 这些瓶颈指向同一个结论：纯语言模型不是AGI的终点。本文探讨三个最有希望的后续方向。 世界模型：让AI理解物理现实 核心思想 世界模型（World Model）是指AI系统内部构建的、对外部环境动态变化的内部表征。它使系统能够预测行动后果，而不仅仅是生成文本。 Yann LeCun的JEPA（Joint Embedding Predictive Architecture）是这一方向的代表性框架： 感知输入 → 编码器 → 抽象表征 → 预测器 → 预测表征 ↕ 对比 目标编码器 → 目标表征 与自回归语言模型不同，JEPA在抽象表征空间中进行预测，避免了像素级生成的计算浪费。 技术路线对比 方法 代表工作 优势 劣势 像素级预测 Sora, Genie 生成质量高 计算量巨大 表征级预测 JEPA, V-JEPA 高效、可扩展 需要良好编码器 混合架构 Genie 2 灵活可控 训练不稳定 状态空间模型 DreamerV3 可用于RL 泛化能力有限 关键突破：可交互世界模型 DeepMind的Genie 2在2024年底展示了从单张图片生成交互式3D世界的能力。这标志着世界模型从被动预测迈向主动交互： # 概念性伪代码：交互式世界模型 class InteractiveWorldModel: def __init__(self, encoder, dynamics, decoder): self.encoder = encoder # 视觉编码器 self.dynamics = dynamics # 动态预测器 self.decoder = decoder # 视觉解码器 def step(self, current_state, action): """给定当前状态和动作，预测下一步状态""" latent = self.encoder(current_state) next_latent = self.dynamics(latent, action) next_frame = self.decoder(next_latent) return next_frame, next_latent def imagine(self, initial_state, action_sequence): """在潜在空间中展开多条轨迹""" trajectory = [self.encoder(initial_state)] latent = trajectory[0] for action in action_sequence: latent = self.dynamics(latent, action) trajectory.append(latent) return trajectory 神经符号系统：融合直觉与精确 为什么需要符号 神经网络擅长模式识别和模糊推理，但在需要精确逻辑、可解释推理和组合泛化的场景中表现不佳。符号系统恰好相反。二者的融合被视为通向AGI的重要路径。 ...

世界模型：AI理解现实的关键 Yann LeCun在2022年提出，当前大语言模型无法实现AGI，因为它们缺乏"世界模型"——对物理世界运行规律的内在理解。一个孩子知道球会掉落、玻璃会碎、水会流，但LLM只是从文本中"学到"这些词的统计关联。 2026年，世界模型研究取得了重要进展，但距离真正解决还有很长的路。 什么是世界模型？ 定义 世界模型是指AI系统内部构建的一个关于外部世界的内部模型，使得AI能够： 预测：给定当前状态和动作，预测未来状态 推理：理解因果关系（“如果推杯子，杯子会掉”） 规划：基于世界模型规划行动以达到目标 反事实推理：想象"如果…会怎样" 人脑的世界模型 人类从婴儿时期就开始构建世界模型： 3个月：理解物体永久性（物体被遮挡仍然存在） 6个月：理解重力（预期物体会掉落） 12个月：理解因果关系（推一下会动） 3岁：理解他人心理（理论-of-mind） 这些能力是"具身"的——通过与物理世界的交互习得，而非通过阅读文本。 2026年世界模型研究进展 1. JEPA架构的进化 LeCun的JEPA（Joint Embedding Predictive Architecture）在2026年升级到V3版本： JEPA V3的核心改进： 分层世界模型：从像素级→物体级→概念级的层次化预测 时序预测：不仅能预测静态状态，还能预测动态变化 动作条件预测：给定动作，预测结果 观测(t) → 编码器 → 抽象表示(t) ↓ 预测器 → 预测表示(t+1) ↑ 动作(t) + 上下文 JEPA V3在物理预测任务上的表现： 预测叠积木的倒塌方向：87%准确率 预测球的弹跳轨迹：91%准确率 预测液体的流动：73%准确率 虽然还远不完美，但已显著优于纯语言模型（分别只有45%、62%、28%）。 2. 视频生成作为世界模型 2026年视频生成模型（如Sora 2、Veo 2）展现出了初步的"物理理解"能力： 生成的视频中物体运动基本符合物理规律 能够模拟简单的物理交互（碰撞、重力、摩擦） 但在复杂场景中仍会出现"物理错误"（如物体穿墙、液体表现不自然） 这引发了一个重要问题：视频生成模型是否在学习世界模型？ 争论： 正方：视频模型必须理解物理才能生成逼真视频，因此它在隐式地学习世界模型 反方：视频模型只是在学习像素统计分布，并不真正"理解"物理 3. 具身世界模型 具身AI（Embodied AI）通过与物理世界交互来学习世界模型： 仿真环境学习： ...

Transformer的统治与局限 Transformer自2017年问世以来，统治了AI领域近十年。从BERT到GPT-6，几乎所有突破性大模型都基于Transformer。但2026年，越来越多研究者开始问：Transformer是终点吗？ Transformer的核心局限 1. 计算复杂度 自注意力的O(n²)复杂度使得长序列处理极其昂贵。虽然Flash Attention、稀疏注意力等技术缓解了问题，但根本局限没有消除。 2. 缺乏"思考"能力 Transformer是前馈的——输入直接映射到输出，没有内部的"思考循环"。人类的思维是一个动态的循环过程，不是一次前向传播能模拟的。 3. 无法建模世界 Transformer学习的是统计相关性，不是世界的因果结构。它不知道"物体掉落会碎"是因为物理定律，还是因为训练数据中恰好这么写。 4. 能效极低 人脑功耗约20W，能进行复杂的推理和创造。训练GPT-6消耗的电力可供一个小城市使用数周。这种1000万倍的能效差距不是工程问题，而是架构问题。 后Transformer架构候选 1. 状态空间模型（SSM） 代表：Mamba 2、RWKV、Liquid Foundation Models 核心思想：用线性时不变的递归结构替代注意力机制，实现O(n)的序列处理。 # Mamba 2的核心：选择性状态空间模型 class Mamba2Block(nn.Module): def __init__(self, d_model, d_state=512): self.input_proj = nn.Linear(d_model, d_model * 2) self.conv1d = nn.Conv1d(d_model, d_model, kernel_size=4) self.ssm = SSM(d_model, d_state) # 选择性SSM self.output_proj = nn.Linear(d_model, d_model) def forward(self, x): # 输入投影 x = self.input_proj(x) # 局部卷积 x = self.conv1d(x.transpose(-1, -2)).transpose(-1, -2) # SSM递归 x = self.ssm(x) return self.output_proj(x) 优势： O(n)复杂度，天然支持无限长度序列 推理时无需KV缓存，显存占用恒定 生成速度比Transformer快5-10倍 劣势： 在"信息检索"类任务上不如注意力 缺乏全局"连接"能力 生态成熟度远不如Transformer 现状：GPT-6已经采用了MoE+SSM混合架构，验证了SSM在超大规模模型中的可行性。 2. 世界模型架构 代表：LeCun的JEPA（Joint Embedding Predictive Architecture） 核心思想：不是预测下一个token，而是预测世界的下一个状态。模型学习的是世界的抽象表示，而非语言序列。 JEPA架构： 观测 → 编码器 → 抽象表示 → 预测器 → 预测的下一状态 ↑ 动作/上下文 优势： ...