文｜山自

在位於斯坦福大學附近的World Labs實驗室內，李飛飛團隊展示了這個令人驚訝的演示。「現在的AI系統能識別圖像、生成文本，但它們不理解世界是如何運作的，」這位AI領域的先驅者解釋道，「如果一個機器人無法預測杯子從桌上掉下會發生什麼，它就無法在真實世界中有效工作。」

11月12日，李飛飛創立的World Labs公司正式推出了其首款商用產品——世界模型Marble，引發了AI界的地震。這是世界模型競賽中的一次重大加速，也可能是通向更通用人工智能的關鍵一步。

從識別到理解：世界模型為何成為AI聖盃？

在世界模型的學術論文中，有一個經典例子：當一個人類孩子看到積木塔被推倒，他不僅能描述眼前發生的現象，還能預測類似情況在其他物體上的結果——比如沙堡被踢倒，或者多米諾骨牌被推倒。

這種將物理規則抽象化、泛化的能力，正是當前AI系統所缺乏的。

深度學習在過去十年取得了驚人進步，但大多數系統仍停留在‘模式識別’層面，」一位國內AI實驗室負責人評價道，「它們可以識別貓、生成圖片，但並不真正理解貓有體積、有重量，會受到重力影響。」

世界模型的概念並非全新。早在2018年，DeepMind就提出了類似構想，將其描述為「一種能夠理解環境動態並預測未來的模型」。但直到最近，隨着算力增長和理論突破，這一概念才從學術論文走向商業應用。

李飛飛在採訪中闡述了她的願景：「人類通過內心模擬來理解世界。當你看到烏雲密佈，你會預測可能要下雨；當你看到一個人朝你揮手，你會預測他是在打招呼。這種預測能力是人類智能的核心。」

World Labs的創立正是為了將這一願景變為現實。據TechCrunch報道，這家由李飛飛聯合創立的初創公司已籌集了大量資金，投資者包括硅谷頂級風投和戰略技術公司。

Marble亮相：世界模型的首個商業產品有何不同？

Marble作為World Labs的首個商業產品，展示了世界模型技術的成熟度。與傳統的AI系統相比，Marble的核心突破在於其能夠從有限的視覺輸入中預測未來的場景狀態。

在技術演示中，Marble展示了幾種令人印象深刻的能力：

物理預測：給定一個簡單場景——如桌面上擺放的積木，Marble能夠準確預測如果推動其中一塊積木，整個結構將如何反應。更驚人的是，它能夠處理訓練數據中未見過的新形狀物體。

不確定性量化：與給出單一預測的傳統模型不同，Marble能夠明確表示預測中的不確定性。當場景模糊或結果具有多種可能性時，模型會給出概率分佈，而非武斷的單一答案。

多時間尺度推理：Marble能夠進行從幾毫秒到幾分鐘不同時間跨度的預測，適應不同應用場景的需求。

「Marble不是另一個生成漂亮視頻的工具，」World Labs CTO強調，「它是理解世界因果結構的嘗試。當我們展示一個球從桌上滾落時，Marble不僅預測球會掉下去，還理解這是因為重力作用，並且能夠將這一理解推廣到其他類似場景。」

從已公佈的技術細節來看，Marble很可能建立在視覺-語言聯合表徵的基礎上。這意味着它不僅僅處理像素數據，還構建了關於物體屬性、物理規則和因果關係的內部表示。

全球實驗室的世界模型已經開始佈局

World Labs並非唯一覬覦世界模型這一聖盃的玩家。在全球範圍內，一場無聲的競賽早已展開。

OpenAI早在GPT-4時期就開始探索世界模型的集成。據泄露信息顯示，他們正在開發名為「Project Stella」的世界模型項目，旨在為下一代AI系統提供物理推理能力。

DeepMind作為世界模型的早期探索者，其最新產品「Genie」已能夠從單張圖像生成交互式環境。雖然目前主要應用於遊戲領域，但其技術框架具有向通用世界模型擴展的潛力。

Meta則選擇了不同的路徑——通過超大規模視頻訓練構建隱式世界模型。Yann LeCun團隊一直倡導自監督學習路徑，認為通過觀察海量視頻數據，AI可以自發學習世界運作的基本原理。

在中國，字節跳動、阿里巴巴和百度等科技巨頭也紛紛佈局相關研究。字節跳動的AI Lab據傳正在開發專注於視頻預測的世界模型，而百度則更關注世界模型在自動駕駛領域的應用。蘑菇車聯將自己的MogoMind大模型，部署在了一套名為「AI網絡」的系統中。這個網絡並非存在於雲端，而是像「神經元」一樣，分佈在城市道路的每一個智能基站、每一輛智能網聯汽車之中。MogoMind並非一個靜態的「地圖」，它是一個活的、會呼吸的「世界模型」。它實時吸收着每一輛車的行駛軌跡、每一條道路的擁堵狀況、每一個路口的信號燈狀態，甚至每一滴雨、每一陣風對路況的影響。它讓道路上的每一臺設備、每一輛車，都變成了一個能夠「理解」空間、參與協作的智能體。

世界模型已成為下一代AI競爭的分水嶺，擁有強大世界模型的AI系統，將可能在機器人、自動駕駛、虛擬現實等需要與現實世界交互的領域建立決定性優勢。

從實驗室到市場：世界模型能解決哪些實際問題？

世界模型看似抽象，但其商業應用前景十分廣闊。Marble作為首款商用產品，瞄準了幾個關鍵領域：

自動駕駛：當前自動駕駛系統主要基於模式識別——識別車輛、行人、交通標誌。但如果遇到訓練數據中未見過的情況，系統就容易失效。世界模型可以使自動駕駛車輛理解物理規則，預測其他道路使用者的行為，從而提高在邊緣情況下的安全性。

機器人技術：工業機器人在結構化環境中表現出色，但 struggle 適應動態變化的環境。通過集成世界模型，機器人能夠預測自身動作的後果，進行更復雜的規劃和工作。

「想象一個家庭機器人看到水杯靠近桌邊，它應該能預測水杯可能掉落，從而主動將其推到安全位置，」一位機器人公司CEO描繪道，「這種預見性是目前機器人完全不具備的。」

醫療診斷：世界模型在醫療影像分析中也有潛力。通過理解人體器官隨時間的變化規律，AI可以更準確地預測疾病 progression，為個性化治療提供參考。

娛樂與內容創作：在遊戲和影視行業，世界模型可以創建更加逼真的物理模擬，生成符合物理規律的動畫效果，大幅降低內容製作成本。

工業數字孿生：世界模型能夠創建更加準確的工業過程模擬，幫助企業優化生產流程，預測設備故障。

值得注意的是，World Labs選擇了企業市場作為Marble的首發陣地，而非消費者應用。這一策略既反映了當前技術成熟度的限制，也顯示了其對商業化路徑的清晰思考。

世界模型面臨的三座大山

儘管前景誘人，世界模型的發展仍面臨重大技術挑戰。

複雜性挑戰：真實世界的物理規則極其複雜。從剛性體動力學到軟物質物理，從流體力學到空氣動力學，構建一個統一的世界模型需要整合大量物理知識。更不必說還要模擬人類行為的社會規則和心理動機。

計算成本：世界模型的訓練和推理需要巨大的計算資源。實時預測高保真度視覺場景的未來狀態，對目前最先進的硬件也是嚴峻挑戰。

評估難題：如何評估世界模型的性能？與圖像分類或對象檢測不同，世界模型的預測質量難以用簡單指標衡量。一個預測可能在像素級別準確，但語義級別錯誤，反之亦然。

李飛飛在採訪中承認這些挑戰的存在：「我們正在攀登一座高山，目前可能只到達了山腳。但每一步進步都會開啓新的可能性。」

World Labs採用了一種務實策略——不追求一次性解決所有問題，而是聚焦特定領域的可行應用，通過解決實際問題逐步改進技術。

世界模型將把AI帶向何方？

世界模型的發展可能重新定義AI與人類的關係。

短期來看，世界模型將增強現有AI系統在複雜環境中的表現。從更可靠的自動駕駛到更靈活的家庭機器人，這些進步可能在3-5年內改變多個行業。

中期來看，世界模型可能成為實現通用人工智能(AGI)的關鍵組件。理解世界運作規律、能夠進行因果推理的AI系統，將更接近人類智能的核心特徵。

長期而言，世界模型可能改變人類認識世界的方式。就像望遠鏡擴展了我們對宇宙的認識，顯微鏡揭示了微觀世界，世界模型可能成為人類理解複雜系統的新工具——從氣候變化到經濟發展，從疾病傳播到社會動態。

這或許正是世界模型最令人興奮的前景：AI不僅能在已知任務中表現出色，還能將理解遷移到未知領域，像人類一樣靈活地適應新環境。

世界模型競賽的發令槍已經響起，而李飛飛和她的團隊無疑是最先衝出起跑線的選手之一。無論最終誰率先衝線，這場比賽的結果都將深刻塑造AI——乃至人類社會的未來。