不是什麼都叫"世界模型",李飛飛給出新定義

2026-06-05 | 來源: 騰訊科技 | 轉到微信 | 有0人參與評論 | 字體: 放大縮小 | 收藏 | 打印

渲染、模擬和規劃三種能力的邊界正在消失，最終指向一個統一的世界模型：既能生成畫面，又能進行物理計算，還能自主決策

李飛飛用一個杯子的例子來說明這個觀點。一個模型如果真正理解杯子如何放在桌面上，就能同時做到三件事：從任意角度渲染這個杯子，模擬它被推倒的過程，並規劃一只手去將它撿起。

而這三類能力，是同一種底層理解的三個不同投影，也是一個完整的理解在不同場景下的不同輸出。

實際進展已經出現。李飛飛在文中提到了來自不同機器人實驗室的研究，研究表明，預訓練的視頻渲染器可以作為聯合世界預測與行動預測的骨幹網絡，意味著同一個模型既能“想象”接下來發生什麼，又能“決定”接下來做什麼，從而在渲染器與規劃器之間架起了一座橋梁。

她進一步指出，每一層都在從被動輸出走向交互系統。渲染器正在變得可由行動調節，不再是單向的“輸入文字、輸出畫面”，而是可以根據用戶的交互實時調整生成內容。模擬器生成的世界正在變得更可控和可編輯，用戶不再只是被動地觀看模擬場景，還可以介入和修改。規劃器則從單純的“做出反應”走向“深思熟慮”，能夠進行更長鏈條的推演和規劃。

這些趨勢的邏輯終點是一個統一的世界模型：一個既能渲染照片級真實視圖、又能產生物理精確結構、還能規劃行動序列的通用大模型，並可根據下游用戶的需求自由切換輸出模態。屆時，“渲染器”“模擬器”“規劃器”這些分類標簽本身將變得不再重要，因為它們只是同一個模型的不同用法。

當然，這個目標還遠未實現。數據圖譜仍然嚴重失衡，過度追求視覺美感，可能犧牲掉機器人或高保真模擬所需的物理精准度。如何在單一架構中調和這些沖突，是當今世界模型研究最核心的開放問題。

美股一夜蒸發萬億 "區區"17萬非農憑什麼

肺癌早期不是咳嗽,而是頻繁出現這3症狀

維C不是仙丹!過量可能出現4大中毒症狀

結語：空間智能的漫長弧線

文章結尾，李飛飛回到了一個從上世紀末延續至今的判斷：

也是整個AI領域一直在押注同一個判斷：一個足夠豐富的世界模型，就是一個智能體去觀察世界、建造世界並置身其中采取行動所需要的一切。

而今天，這個判斷已經出現融合的趨勢。

渲染、模擬、規劃，三條原本各自獨立的研究路線呈現出另外一面。隨著三者邊界的徹底坍縮，它們將共同重塑一個更宏大的命題：機器智能與它所棲息的物理世界之間的關系。

“語言賦予了機器談論這個世界的能力，”李飛飛在文末寫道，“而世界模型，將是機器最終用來理解、想象、推理並與這個世界進行交互的方式。”