AI星球 | 智源登Nature：Sora不是唯一答案，世界模型出现分叉口

封面、内文图源：AI生成

撰文 | 泰伯网 乔帅

泰伯网讯，近日，北京智源人工智能研究院（下称“智源研究院”）推出的多模态大模型“悟界•Emu”登上Nature正刊，成为继DeepSeek之后第二个达成此成就的中国大模型团队研究成果，也是中国首篇多模态大模型路线的Nature论文。

据智源研究院微信公众号，1月28日，智源多模态大模型成果"Multimodal learning with next-token prediction for large multimodal models（通过预测下一个词元进行多模态学习的多模态大模型）"上线国际顶级学术期刊Nature，预计2月12日纸质版正式刊发。

图源：Nature官网

Nature编辑点评这项研究：Emu3仅基于预测下一个词元（Next-token prediction），实现了大规模文本、图像和视频的统一学习，其在生成与感知任务上的性能可与使用专门路线相当，这一成果对构建可扩展、统一的多模态智能系统具有重要意义，有望推动原生多模态助手、世界模型以及具身智能等方向的发展。

图源：智源研究院

资料显示，Emu3模型于2024年2月立项，当时团队重审大模型发展路径。随着GPT-4、Sora爆火，“预测下一个token”自回归路线改变语言模型领域，引发AGI早期迹象讨论。

不同于Sora的扩散式视频生成，Emu3采用纯自回归方式逐词元（token）生成视频，能够在给定上下文下进行视频延展与未来预测，并在文本引导下生成高保真视频。此外，Emu3还可拓展至视觉语言交错生成，例如图文并茂的菜谱生成；也可拓展至视觉语言动作建模，如机器人操作VLA等，进一步体现了“预测下一个词元”的通用性。

图源：智源研究院

除Nature论文外，智源研究院于2025年10月30日发布了Emu3的后续版本Emu3.5，而后续版本的发布，一度在开发者社区引起讨论和关注，甚至产生了“扩散模型已死”的说法。

对此，智源研究院院长王仲远坦言，目前对于扩散模型的研究趋势尚不能定论。虽然有一些成果如Emu3.5提供了世界模型的可行路径，但并非唯一路径。未来可能会有更多技术路径实现“预测下一个状态”，且扩散模型也在与其他技术结合改进。因此，不能断言扩散模型会消失，而是需要持续观察和学习交流。

尽管不能断言自回归路线已经一统天下，但Emu3已经为产业提供了一条新的康庄大道。

据悉，随着Emu等研究成果发表于Nature等国际顶级期刊，智源将继续围绕智能与物理世界的深层关联，推进面向下一代人工智能的科研创新。

（本期编辑 | 墨川 校对 | 李欢）