多年來，人工智能行業一直遵循著一條簡單而殘酷的規則：越大越好。我們用海量數據集訓練模型，增加參數數量，并投入強大的計算能力來解決問題。這種方法在大多數情況下都行之有效。從 GPT-3 到 GPT-4，從粗糙的聊天機器人到推理引擎，“規模定律”表明，只要我們不斷地向機器輸入更多的文本，它最終就會變得智能。

但我們現在遇到了瓶頸?；ヂ摼W資源有限。高質量的公共數據正在枯竭，而僅僅擴大模型規模所帶來的收益正在遞減。頂尖的人工智能研究人員認為，人工智能的下一個重大飛躍并非僅僅來自閱讀更多文本，而是來自理解文本背后的現實。這一觀點標志著人工智能研究方向的根本性轉變，開啟了世界模型時代。

01

下一個標記預測的局限性

要理解為什么我們需要一種新的方法，我們首先必須了解當前的人工智能系統究竟在做什么。盡管它們功能強大，但像 ChatGPT 或 Claude 這樣的模型本質上仍然是統計引擎。它們根據前面出現的詞語的概率來預測序列中的下一個詞。它們并不理解“玻璃掉在地上會破碎”這句話的含義；它們只是知道在數百萬個故事中，“破碎”這個詞經常出現在“玻璃掉在地上”之后。

這種方法被稱為自回歸建模，它存在一個關鍵缺陷。它完全依賴于相關性，而非因果關系。如果你用一千條車禍描述來訓練一個線性線性模型（LLM），它能學習到事故的語言，但它永遠無法學習動量、摩擦力或脆弱性等物理原理。它只是一個旁觀者，而非參與者。

這種限制正演變成“數據墻”。我們幾乎已經抓取了整個公共互聯網。如果想用現有方法進一步擴展，我們需要的數據量將呈指數級增長。合成數據（例如人工智能生成的文本）可以暫時解決這個問題，但它往往會導致“模型崩潰”，即系統放大自身的偏差和錯誤。我們無法僅憑文本實現通用人工智能（AGI）的擴展，因為文本是對世界的低帶寬壓縮。它描述了現實，但它本身并非現實。

02

為什么世界模式很重要

像 Yann LeCun 這樣的AI領軍人物長期以來一直認為，當前的 AI 系統缺乏人類認知的一個基本方面，而這種認知甚至連幼兒都天生具備。這種能力就是我們維持一個關于世界如何運作的內部模型，他們通常稱之為“世界模型”。世界模型不僅僅是預測下一個詞；它構建了一幅關于物理環境如何運作的內部心理地圖。當我們看到一個球滾到沙發后面時，我們知道它仍然在那里。我們知道，除非有人阻止它，否則它會出現在沙發的另一邊。我們不需要閱讀教科書就能理解這一點；我們基于我們內部的物理和物體恒存的“世界模型”進行心理模擬。

人工智能要想取得進步，就必須從統計模仿轉向這種內部模擬。它需要理解事件的根本原因，而不僅僅是事件的文字描述。

聯合嵌入預測架構（JEPA）正是這種范式轉變的典型例證。與試圖預測每個像素或單詞的層級模型（LLM，這一過程計算量巨大且噪聲較大）不同，JEPA 預測的是抽象表示。它忽略了諸如樹葉運動等不可預測的細節，而專注于諸如樹木、風和季節等高層概念。通過學習預測這些高層狀態隨時間的變化，人工智能能夠學習到世界的整體結構，而非表面細節。

03

從預測到模擬

我們已在視頻生成模型中看到了這種轉變的初步跡象。OpenAI 發布 Sora 時，他們不僅將其描述為一個視頻工具，而且還將其描述為一個“世界模擬器”。

這種區別至關重要。普通的視頻生成器可能通過預測哪些顏色的像素通常會相鄰排列來生成人物行走的視頻。然而，世界模擬器則力求在一段時間內保持三維結構的一致性、光照效果和物體的持久性。它“理解”即使人物走到墻后，也不應該消失。

盡管當前的視頻模型遠非完美，但它們代表了新的訓練場。物理世界包含的信息量遠超文本世界。一秒鐘的視頻就包含數百萬個關于物理、光線和交互的視覺數據點。通過基于這種視覺現實訓練模型，我們可以教會人工智能目前邏輯邏輯模型所缺乏的“常識”。

這將形成新的擴展規律。衡量成功的標準不再是模型讀取了多少萬億個代幣，而是其模擬的精確度和預測未來環境狀態的能力。能夠準確模擬行動后果而無需實際執行該行動的人工智能，才能安全地進行規劃、推理和行動。

04

效率與通用人工智能之路

這種轉變也解決了當前人工智能能源成本過高的問題。邏輯邏輯模型（LLM）效率低下，因為它們必須預測每一個細節才能生成連貫的輸出。世界模型效率更高，因為它具有選擇性。正如人類駕駛員專注于路面而忽略天空中的云朵圖案一樣，世界模型專注于任務的相關因果因素。

勒昆認為，這種方法可以讓模型學習速度更快。像V-JEPA（視頻聯合嵌入預測架構）這樣的系統已經證明，它能夠以遠少于傳統方法的訓練迭代次數收斂到解決方案。世界模型通過學習數據的“形狀”而非記憶數據本身，構建了一種更穩健的智能形式，能夠更好地泛化到新的、未曾見過的情境中。

這是通用人工智能（AGI）缺失的一環。真正的智能需要導航。它要求智能體審視目標，利用其內部世界模型模擬實現目標的不同路徑，然后選擇成功概率最高的路徑。文本生成器無法做到這一點；它們只能編寫計劃，卻無法理解執行計劃的約束條件。

最后

人工智能行業正處于一個轉折點?！安粩嘣黾訑祿钡牟呗砸呀咏猜?。我們正在從聊天機器人時代邁向模擬器時代。

下一代人工智能的規?；l展并非在于讀取整個互聯網，而在于觀察世界，理解其規律，并構建一個能夠反映現實的內部架構。這不僅僅是一次技術升級，更是對“學習”概念的根本性變革。

對于企業和研究人員而言，關注點必須轉變。我們需要停止執著于參數數量，轉而評估系統對因果關系的理解程度。未來的人工智能不僅會告訴你發生了什么，還會向你展示可能會發生什么，以及為什么會發生。這就是世界模型的承諾，也是我們前進的唯一途徑。

免責聲明：

本文所發布的內容和圖片旨在傳播行業信息，版權歸原作者所有，非商業用途。如有侵權，請與我們聯系刪除。所有信息不構成任何投資建議，加密市場具有高度風險，投資者應基于自身判斷和謹慎評估做出決策。投資有風險，入市需謹慎。

設為星標 避免錯過

虛擬世界沒有旁觀者，每個點贊都是創造歷史的像素

關注我，一起探索AWM?

2025-12-10

2025-12-09

2025-12-08

商業贊助

點擊下方 “目錄” 閱讀更多