agi之路，终于交汇到了世界模型的战场。
李飞飞，发布了旗下*商用世界模型marble；
几乎同一时间，lecun离职meta，准备创立自己的世界模型公司；
在此之前，谷歌旗下的世界模型genie 3，也曾掀起业界轰动。
ai界三股大佬力量，虽然同样进军世界模型，却意味着三种截然不同的技术路线赌注——
世界模型之争
李飞飞刚刚为空间智能举大旗的万字长文发布，她旗下的创业公司world labs，就紧锣密鼓推出了*商用世界模型marble。
业界普遍认为marble有商业化潜力，是因为它生成的是持久的、可下载的3d环境。
团队表示，这种方式能显著减少场景变形和细节不一致的问题，而且还能把生成的世界导出成高斯斑点、mesh网格，甚至直接导出视频。
更进一步，marble还内置一个原生的ai世界编辑器chisel，用户只需一句提示，就能按自己的想法自由改造世界。
对于做vr或游戏的开发者来说，「一句提示直接生成3d世界一键导出到unity」这样的链路，非常有帮助。
然而，hacker news的一名机器学习工程师指出，比起所谓的世界模型，marble看起来更像是一个单纯的3d渲染模型。
这难道不就是高斯splat模型吗？我在ai行业干了这么久，到现在都还是搞不明白「世界模型」里的「世界」究竟指什么。
reddit网友的说法则更加直接:
这里的高斯泼溅，指的是近几年3d建模里最火的一类新技术。
它把一个场景表示成成千上万个漂浮在空间中的彩色模糊小斑点，再把这些斑点「泼溅」到屏幕上，让它们自然融合成一张图像。
可以这么理解:高斯就像一个漂浮在三维空间里、半透明、带光晕、边缘柔软的小气泡。
单个气泡当然软乎乎的成不了形，但如果成千上万个这样的气泡聚在一起，再从不同角度渲染出来，就能组合出一幅精美的三维画面。
这样做，不需要像传统摄影测量那样走复杂的建模流程，虽然牺牲了一些精度，但速度极快，而且操作更轻松。
marble采取的正是这样一种路径。
然而，这也意味着，marble可能并不是大家想的那种、可以直接用于机器人训练的「世界模型」。
marble确实构建了一个完整世界，但我们看到的其实只是一个能被渲染器直接转成像素的视图。
换句话说，它捕捉的是「表面是什么样子」，而并没有内置「这个世界为什么会这样运作」的物理规律。
这对于人来说是完全够用了，但对于机器人来说，重要的其实不是这些视觉信息，而是背后的因果结构——
比如，一放在斜坡上的球会滚下来，这对人类来说是看一眼就懂的事；
但机器人想做出类似判断，还需要质量、摩擦、速度……这些信息在marble里根本不存在。
或许正是因为如此，在marble自己的博客上，虽然屡屡提及「世界模型」与「导出高斯散射体、网格和视频」，但几乎完全没有提到机器人。
不过在商业化层面，marble明显更具优势。
相比起被ai圈热议的那类、可孕育具身智能世界模型，marble已经不是一个遥远的概念，而是一款能够立刻融入游戏开发者日常工作流程的实用工具。
但这也不禁令人有些黯然，难道那条能通往agi的「世界模型」之路，只是个噱头吗？
当然不是。
确实存在能与机器人真正互动的世界模型，比如——lecun的jepa。
lecun理解的「世界模型」，根子并不在3d图形学，而是在控制理论和认知科学。
它不需要输出漂亮的画面，因为你根本「看不到」这种世界模型。
这类世界模型的任务，不是渲染精美的像素，是让机器人能提前想几步，学会在行动前预判世界的变化。
jepa走的正是这条路——
lecun认为，对于ai来说，只有中间那个抽象表征才重要，模型没必要浪费算力去生成像素，只需专注于捕捉那些能用于ai决策的世界状态。
所以，这类模型虽然没法像marble那样生成精致的3d图像，看上去不那么「惊艳」，但它更像是在训练机器人的「大脑」。
其优势在于对世界更本质的理解，因此，更适合作为机器人的健身房。
这么一对比，李飞飞和lecun在「世界模型」上的路线几乎南辕北辙——
前者做的是一个前端资产生成器；后者则更像一个后端预测系统。
而在这二位神仙打架的中间，还站着一位科技巨头——谷歌。
今年8月，谷歌deepmind推出了新版世界模型，这就是genie 3。
只需一句prompt，模型就能生成一个可交互的视频环境，用户可以在其中自由探索数分钟。
最令人印象深刻的是，genie 3首次在这一类模型中解决了长时一致性的问题——不会再出现那种「转个身整栋楼消失」的状况。
同时，它还支持触发世界事件，比如「开始下雨」「夜幕降临」等，整个过程就像一款由模型而非传统引擎驱动的电子游戏。
不过，genie应该更像一款「世界模型式视频生成器」。
尽管genie 3让「世界动了起来」，它的核心仍然是视频逻辑，而非jepa那种基于物理和因果的逻辑。
也就是说，它虽然可以生成动态画面，但也不能完全「理解」这些画面背后的物理规律。
依然可以用于机器人训练，但不如jepa那样直击本质。
与此同时，画面质量和分辨率也有限，难以与marble那种高精度、可导出的3d资产相提并论。
综上来看，三种「世界模型」虽然都在描绘「世界」，但理解路径完全不同，也因此各有千秋——
marble渲染「世界长什么样」，genie 3展示「世界怎么变」，jepa则探究「世界的结构是什么」。
而市面上几乎所有的「世界模型」，大致也都可归入这三种范式:
世界模型金字塔
*种:世界模型即界面
以marble为代表，它让人们能够从文字或二维素材，直接生成可编辑、可分享的三维环境。
在这种模式下，「世界」是呈现在vr头显、显示器或电脑屏幕上的那片可供人观看与游走的空间。
第二种:世界模型即模拟器:
以genie3为代表，这类模型能生成连续、可控制的视频式世界，让智能体在其中反复尝试、失败、再尝试。
像sima 2这样的智能体，便可把这类世界当作「虚拟健身房」。
第三种:世界模型即认知框架
以jepa为代表，这是一种高度抽象的形式，没有像前两种一样可供人欣赏的画面。
在这里，关注点不在于渲染，「世界」以潜在变量和状态转移函数的形式呈现，可以说是机器人*的训练基地。
在智源学者赵昊看来，其实可以将三者拼装为一个「世界模型金字塔」——
自下而上依次是李飞飞、genie 3、lecun。
站在地面仰望这座金字塔:
越往上，模型越抽象、也越贴近ai的思维方式，因此更适合用于机器人训练与推理；
越往下，模型在外观、交互与可视化等方面对人类来说更真实，但却更难被机器人理解。
声明：以上内容为本网站转自其它媒体，相关信息仅为传递更多企业信息之目的，不代表本网观点，亦不代表本网站赞同其观点或证实其内容的真实性。投资有风险，需谨慎。
