在通往通用智能（AGI）的道路上，世界模型（World Model）正被視為最關鍵的下一步。

通俗來說，世界模型就像是給 AI 裝上了一個“大腦模擬器”。它讓機器人不再僅僅是機械地執行指令，而是具備了在想象空間中預演未來的能力。當一個機械臂試圖抓取杯子時，世界模型允許它在真正動手前，先在腦海中模擬不同動作可能導致的結果。

為了構建這種模型，圖靈獎得主楊立昆提出了聯合嵌入預測架構（JEPA）。該方法不直接讓 AI 預測復雜的畫面變化，而是先把畫面“壓縮”成一串簡單的核心特征，再讓 AI 學怎么預測這些核心特征的變化。這樣一來，AI 不用關注畫面的細枝末節，只抓關鍵規律，效率會高很多。

然而，傳統 JEPA 技術打造的 “模擬器”，始終存在核心痛點，成為其落地應用的阻礙。

其一，訓練易 “表示崩潰”，穩定性差。為了輕松完成特征預測任務，AI 會出現“偷懶”行為：將所有不同的視覺輸入映射為幾乎相同的潛特征，看似預測精準，實則這些特征毫無實際價值，這一問題被稱為“表示崩潰”；其二，超參數繁瑣，調參成本極高。主流端到端 JEPA 方法如 PLDM 擁有 6 個可調超參數，參數的細微變化都會導致模型性能天差地別，調參不僅需要大量的時間和計算資源，且參數無法跨任務復用，換一個任務就需要重新調試，門檻極高。

其三，計算成本高，規劃運行緩慢。部分方法為避免“表示崩潰”，會依賴提前訓練好的超大視覺預訓練模型作為基礎，雖能提升穩定性，卻讓模型體積臃腫、編碼效率低下，AI 完成一次決策規劃需要耗費大量時間。

近日，楊立昆團隊發表的論文，提出了一款名為 LeWorldModel（簡稱 LeWM）的全新世界模型，核心解決了傳統 JEPA 訓練不穩定、易崩潰、超參數多、計算成本高的問題，是首個能從原始像素數據端到端穩定訓練的世界模型。整個模型就 2 個核心組件、2 個損失項，15M 參數，單 GPU 幾小時就能訓完，只有 1 個有效可調超參數。

（來源：上述論文）

LeWM 的組成特別精簡，包括兩部分。一個是編碼器，用輕量的視覺模型，把攝像頭拍的彩色畫面，變成一串簡短的核心特征，抓住畫面里的關鍵信息；另一個是預測器，根據 “當前的核心特征以及要做的動作”，精準預測下一步的核心特征，比如 “推一下方塊，它的位置特征會變成什么樣”，學懂環境的運行規律。

LeWM 最核心的突破，在于用兩個簡單且有科學支撐的訓練目標，從根本上解決了傳統 JEPA 的“表示崩潰”問題，徹底摒棄了經驗性技巧。其一為預測損失，是讓 AI 精準預測未來的核心特征，保證學的規律有用；其二是 SIGReg 正則化，逼著 AI 把核心特征分布得均勻多樣，不讓它把所有畫面都映射成一樣的特征。

同時，LeWM 把調參的難度降到了最低，過去要調 6 個參數，現在只需要調 1 個，而且調參的方法特別簡單，不用反復試錯，普通人也能上手。

在實際性能測試中，研究團隊在二維導航、機械臂控制、推方塊等經典連續控制任務上測試了 LeWM，并與當前主流的 JEPA 方法（DINO-WM、PLDM）、行為克?。℅CBC）、離線強化學習（GCIVL、GCIQL）等方法展開對比。

在二維導航任務中，智能體需要從一個房間穿過唯一的門，導航至另一個房間的指定目標位置，考驗 AI 的路徑規劃和環境感知能力。LeWM 在該任務中雖略遜于傳統方法，但其潛特征仍能精準捕捉智能體的位置信息，后續研究證實，這一表現差異并非源于特征學習不足，而是簡單環境的內在維度與 SIGReg 的正則化要求存在適配性問題，并非模型本身的性能缺陷。

圖 | LeWM 在不同任務測試中的表現（來源：上述論文）

在推方塊任務中，LeWM 實現了性能突破，成功率比主流端到端方法 PLDM 高出 18%，更關鍵的是，僅依靠純像素輸入的 LeWM，性能竟超越了額外融合機器人本體感受信息（關節狀態、運動數據）的 DINO-WM，充分證明其能從純視覺畫面中，精準捕捉到任務所需的全部關鍵規律，無需額外信息輔助。

除此之外，LeWM 的規劃效率更是實現了質的飛躍。因為模型輕、特征簡單，LeWM 做決策規劃的速度，最高是傳統大模型方法的 48 倍，單次規劃不到 1 秒，不同任務、不同環境下速度都很穩定。

同時，LeWM 的訓練穩定性遠超傳統方法：傳統 PLDM 的訓練曲線波動劇烈，像“坐過山車”，而 LeWM 的訓練曲線平滑單調收斂，預測損失穩步下降，SIGReg 損失在訓練初期快速下降后趨于平穩，且不同隨機種子下的訓練結果方差極小，可復現性大幅提升，徹底解決了傳統方法“一次成功、次次翻車”的問題。

圖 | LeWM 訓練路徑（來源：上述論文）

最厲害的是，LeWM 造的 “模擬器”，不是單純靠死記硬背數據，而是真的學懂了物理世界的規律。

實驗中，研究人員能從 LeWM 的核心特征里，精準提取出物體位置、角度、速度這些物理量，精度比傳統方法高很多；更有趣的是，給 LeWM 看三種視頻：物體正常運動、物體顏色突然變了、物體突然瞬移（違反物理規律），LeWM 對瞬移會表現出明顯的驚訝（預測誤差驟增），對顏色變化卻幾乎沒反應。這說明它能分清“只是外觀變了”和“物理規律被打破了”，真正理解了世界的運行邏輯，而不是只記得畫面的表面特征。

當然，目前 LeWM 還有一些小短板：比如現在只能做短期的決策規劃，規劃太久會積累誤差；在特別簡單的環境里，部分訓練規則的效果會打折扣；訓練時還需要明確的“動作標簽”，比如“推方塊”要標注出推的方向和力度。

針對這些問題，研究團隊也指出了未來的改進方向，比如把長任務拆成短任務實現長期規劃、讓模型從海量自然視頻里學通用物理規律、讓模型自己從畫面里學動作，不用額外標注。

1.https://arxiv.org/pdf/2603.19312

運營/排版：何晨龍