当AI开始“理解”空间：世界模型能否重新定义AI的未来？

文｜山自

在位于斯坦福大学附近的World Labs实验室内，李飞飞团队展示了这个令人惊讶的演示。"现在的AI系统能识别图像、生成文本，但它们不理解世界是如何运作的，"这位AI领域的先驱者解释道，"如果一个机器人无法预测杯子从桌上掉下会发生什么，它就无法在真实世界中有效工作。"

11月12日，李飞飞创立的World Labs公司正式推出了其首款商用产品——世界模型Marble，引发了AI界的地震。这是世界模型竞赛中的一次重大加速，也可能是通向更通用人工智能的关键一步。

从识别到理解：世界模型为何成为AI圣杯？

在世界模型的学术论文中，有一个经典例子：当一个人类孩子看到积木塔被推倒，他不仅能描述眼前发生的现象，还能预测类似情况在其他物体上的结果——比如沙堡被踢倒，或者多米诺骨牌被推倒。

这种将物理规则抽象化、泛化的能力，正是当前AI系统所缺乏的。

深度学习在过去十年取得了惊人进步，但大多数系统仍停留在‘模式识别’层面，"一位国内AI实验室负责人评价道，"它们可以识别猫、生成图片，但并不真正理解猫有体积、有重量，会受到重力影响。"

世界模型的概念并非全新。早在2018年，DeepMind就提出了类似构想，将其描述为"一种能够理解环境动态并预测未来的模型"。但直到最近，随着算力增长和理论突破，这一概念才从学术论文走向商业应用。

李飞飞在采访中阐述了她的愿景："人类通过内心模拟来理解世界。当你看到乌云密布，你会预测可能要下雨；当你看到一个人朝你挥手，你会预测他是在打招呼。这种预测能力是人类智能的核心。"

World Labs的创立正是为了将这一愿景变为现实。据TechCrunch报道，这家由李飞飞联合创立的初创公司已筹集了大量资金，投资者包括硅谷顶级风投和战略技术公司。

Marble亮相：世界模型的首个商业产品有何不同？

Marble作为World Labs的首个商业产品，展示了世界模型技术的成熟度。与传统的AI系统相比，Marble的核心突破在于其能够从有限的视觉输入中预测未来的场景状态。

在技术演示中，Marble展示了几种令人印象深刻的能力：

物理预测：给定一个简单场景——如桌面上摆放的积木，Marble能够准确预测如果推动其中一块积木，整个结构将如何反应。更惊人的是，它能够处理训练数据中未见过的新形状物体。

不确定性量化：与给出单一预测的传统模型不同，Marble能够明确表示预测中的不确定性。当场景模糊或结果具有多种可能性时，模型会给出概率分布，而非武断的单一答案。

多时间尺度推理：Marble能够进行从几毫秒到几分钟不同时间跨度的预测，适应不同应用场景的需求。

"Marble不是另一个生成漂亮视频的工具，"World Labs CTO强调，"它是理解世界因果结构的尝试。当我们展示一个球从桌上滚落时，Marble不仅预测球会掉下去，还理解这是因为重力作用，并且能够将这一理解推广到其他类似场景。"

从已公布的技术细节来看，Marble很可能建立在视觉-语言联合表征的基础上。这意味着它不仅仅处理像素数据，还构建了关于物体属性、物理规则和因果关系的内部表示。

全球实验室的世界模型已经开始布局

World Labs并非唯一觊觎世界模型这一圣杯的玩家。在全球范围内，一场无声的竞赛早已展开。

OpenAI早在GPT-4时期就开始探索世界模型的集成。据泄露信息显示，他们正在开发名为"Project Stella"的世界模型项目，旨在为下一代AI系统提供物理推理能力。

DeepMind作为世界模型的早期探索者，其最新产品"Genie"已能够从单张图像生成交互式环境。虽然目前主要应用于游戏领域，但其技术框架具有向通用世界模型扩展的潜力。

Meta则选择了不同的路径——通过超大规模视频训练构建隐式世界模型。Yann LeCun团队一直倡导自监督学习路径，认为通过观察海量视频数据，AI可以自发学习世界运作的基本原理。

在中国，字节跳动、阿里巴巴和百度等科技巨头也纷纷布局相关研究。字节跳动的AI Lab据传正在开发专注于视频预测的世界模型，而百度则更关注世界模型在自动驾驶领域的应用。蘑菇车联将自己的MogoMind大模型，部署在了一套名为"AI网络"的系统中。这个网络并非存在于云端，而是像"神经元"一样，分布在城市道路的每一个智能基站、每一辆智能网联汽车之中。MogoMind并非一个静态的"地图"，它是一个活的、会呼吸的"世界模型"。它实时吸收着每一辆车的行驶轨迹、每一条道路的拥堵状况、每一个路口的信号灯状态，甚至每一滴雨、每一阵风对路况的影响。它让道路上的每一台设备、每一辆车，都变成了一个能够"理解"空间、参与协作的智能体。

世界模型已成为下一代AI竞争的分水岭，拥有强大世界模型的AI系统，将可能在机器人、自动驾驶、虚拟现实等需要与现实世界交互的领域建立决定性优势。

从实验室到市场：世界模型能解决哪些实际问题？

世界模型看似抽象，但其商业应用前景十分广阔。Marble作为首款商用产品，瞄准了几个关键领域：

自动驾驶：当前自动驾驶系统主要基于模式识别——识别车辆、行人、交通标志。但如果遇到训练数据中未见过的情况，系统就容易失效。世界模型可以使自动驾驶车辆理解物理规则，预测其他道路使用者的行为，从而提高在边缘情况下的安全性。

机器人技术：工业机器人在结构化环境中表现出色，但 struggle 适应动态变化的环境。通过集成世界模型，机器人能够预测自身动作的后果，进行更复杂的规划和工作。

"想象一个家庭机器人看到水杯靠近桌边，它应该能预测水杯可能掉落，从而主动将其推到安全位置，"一位机器人公司CEO描绘道，"这种预见性是目前机器人完全不具备的。"

医疗诊断：世界模型在医疗影像分析中也有潜力。通过理解人体器官随时间的变化规律，AI可以更准确地预测疾病 progression，为个性化治疗提供参考。

娱乐与内容创作：在游戏和影视行业，世界模型可以创建更加逼真的物理模拟，生成符合物理规律的动画效果，大幅降低内容制作成本。

工业数字孪生：世界模型能够创建更加准确的工业过程模拟，帮助企业优化生产流程，预测设备故障。

值得注意的是，World Labs选择了企业市场作为Marble的首发阵地，而非消费者应用。这一策略既反映了当前技术成熟度的限制，也显示了其对商业化路径的清晰思考。

世界模型面临的三座大山

尽管前景诱人，世界模型的发展仍面临重大技术挑战。

复杂性挑战：真实世界的物理规则极其复杂。从刚性体动力学到软物质物理，从流体力学到空气动力学，构建一个统一的世界模型需要整合大量物理知识。更不必说还要模拟人类行为的社会规则和心理动机。

计算成本：世界模型的训练和推理需要巨大的计算资源。实时预测高保真度视觉场景的未来状态，对目前最先进的硬件也是严峻挑战。

评估难题：如何评估世界模型的性能？与图像分类或对象检测不同，世界模型的预测质量难以用简单指标衡量。一个预测可能在像素级别准确，但语义级别错误，反之亦然。

李飞飞在采访中承认这些挑战的存在："我们正在攀登一座高山，目前可能只到达了山脚。但每一步进步都会开启新的可能性。"

World Labs采用了一种务实策略——不追求一次性解决所有问题，而是聚焦特定领域的可行应用，通过解决实际问题逐步改进技术。

世界模型将把AI带向何方？

世界模型的发展可能重新定义AI与人类的关系。

短期来看，世界模型将增强现有AI系统在复杂环境中的表现。从更可靠的自动驾驶到更灵活的家庭机器人，这些进步可能在3-5年内改变多个行业。

中期来看，世界模型可能成为实现通用人工智能(AGI)的关键组件。理解世界运作规律、能够进行因果推理的AI系统，将更接近人类智能的核心特征。

长期而言，世界模型可能改变人类认识世界的方式。就像望远镜扩展了我们对宇宙的认识，显微镜揭示了微观世界，世界模型可能成为人类理解复杂系统的新工具——从气候变化到经济发展，从疾病传播到社会动态。

这或许正是世界模型最令人兴奋的前景：AI不仅能在已知任务中表现出色，还能将理解迁移到未知领域，像人类一样灵活地适应新环境。

世界模型竞赛的发令枪已经响起，而李飞飞和她的团队无疑是最先冲出起跑线的选手之一。无论最终谁率先冲线，这场比赛的结果都将深刻塑造AI——乃至人类社会的未来。