构建模拟物理现实的 AI
DeepMind、World Labs 和 AMI Labs 如何押注世界模型——这种 AI 预测物理结果，而非预测句子中的下一个 token。
摘要
语言模型预测词语。世界模型预测现实中接下来会发生什么。正是这一架构差异，促使AI研究领域最具声望的学者们聚焦于世界模型，将其视为下一个不可或缺的能力层。2026年，三家机构正在引领这一构建浪潮：Google DeepMind 发布了基于视频扩散的实时交互式世界模型；Fei-Fei Li 的 World Labs 将 Marble（一款可导航3D环境模拟器）推向商业化；Yann LeCun 的 AMI Labs 完成了10.3亿美元的种子轮融资——欧洲史上规模最大——用于构建基于JEPA架构、从第一性原理学习物理理解的AI。
世界模型究竟做什么
语言模型通过训练来预测序列中的下一个词元。给定一段文本，它估计下一个词、短语或字符最可能是什么——并由此学会推理语言、概念和规律。
世界模型在结构上做的是截然不同的事情。给定物理环境的当前状态，它预测接下来会发生什么：物体在受力下如何运动，从不同视角看一个空间是什么样子，某个特定动作会带来什么后果。训练数据不是文本，而是视频、传感器读数和仿真数据。
目标是让AI能够在行动之前先进行模拟。与其用语言描述一个计划并期望描述准确，具备世界模型的AI可以在内部模拟计划的执行结果，识别哪里会出错，并在现实世界中执行任何操作之前完成修正。
三家机构正以截然不同的方式构建这一能力。
Google DeepMind：将视频转化为交互式仿真
2025年8月，DeepMind 发布了一款实时交互式世界模型，能够将视频转换为可交互的仿真环境。输入可以是任意视频——房间、室外环境或游戏世界的画面。输出是该视频的可交互版本：用户可以在其中移动、执行操作，模型实时生成符合物理规律的下一帧画面。
DeepMind 的方法完全避开了手工编写的物理规则。模型通过在海量视频数据集上训练来学习物理动态——实际上是通过观察世界来推断其运作方式。仿真结果遵循重力、遮挡、物体恒存性以及物理空间的基本结构，而无需任何显式编码这些属性的规则。
当前应用场景：
- 机器人训练环境：从参考素材生成无限的新颖场景，而非收集新的物理数据
- 游戏开发：从参考素材生成可交互的原型环境
- AI智能体接地：在真实执行前于仿真中测试计划
更长远的意涵： DeepMind 的世界模型是自主智能体的基础——它们能够在行动前推理后果，而不是先行动后观察结果。
World Labs：Marble，可导航的3D世界
Fei-Fei Li——斯坦福大学以人为本AI研究院联合院长、前 Google Cloud AI 负责人——创立了 World Labs，致力于将大规模世界建模推向商业化。该公司2026年推出的产品是 Marble：一款从零生成实时可导航3D环境的生成模型。
DeepMind 将现有视频转化为交互式仿真，而 Marble 则能从描述或草图生成全新的3D世界。这些环境可从任意角度探索，并保持一致的空间几何结构和物理特性——由 Marble 生成的场景在穿越过程中维持结构连贯性，这是此前生成系统无法可靠实现的。
Marble 的应用场景：
| 应用场景 | 赋能内容 |
|---|---|
| 机器人训练 | 无需物理数据采集，生成无限多样的训练环境 |
| 游戏与XR原型设计 | 无需3D美术师即可完成世界布局和环境原型设计 |
| 建筑与设计 | 从平面图或描述生成可步行的建筑仿真 |
| 科学研究 | 为过于危险或成本过高的实验构建物理环境 |
World Labs 瞄准的商业机会在于3D内容的高昂成本：目前以数百万美元和数月制作周期来衡量。Marble 级别的生成能力可将其压缩至以小时计。
AMI Labs：押注JEPA的10.3亿美元赌注
Advanced Machine Intelligence Labs（AMI Labs）由 Yann LeCun（Meta 首席AI科学家）联合创立，从欧洲技术投资者财团完成了10.3亿美元种子轮融资——欧洲史上规模最大的种子轮。
AMI Labs 既不在构建更大的语言模型，也不在打造更好的视频扩散系统。它正在基于 LeCun 的联合嵌入预测架构（JEPA）构建AI，其工作原理与当前世界模型存在根本差异。
JEPA 不预测原始像素或文本词元，而是训练AI预测抽象表征——场景的有意义结构，而非其字面外观。LeCun 的论点是：人类的常识并非通过记忆对世界的观察而建立，而是通过在概念层面学习因果关系、物理动态和物体行为的抽象模型。JEPA 试图复现这一学习过程。
实际差异在于：基于JEPA的系统应能更有效地泛化到全新的物理情境，因为它们并非试图重建每一个像素——而是在对生成这些像素的概念结构进行建模。
AMI Labs 的核心论断，用 LeCun 的话来说：扩展语言模型无法产生通用AI。缺失的关键在于一个从第一性原理理解物理的世界模型，而非从文本或视频的统计规律中获取理解。
三种方法的比较
| Google DeepMind | World Labs（Marble） | AMI Labs（JEPA） | |
|---|---|---|---|
| 核心方法 | 视频扩散——通过观察学习物理规律 | 生成式3D环境合成 | 抽象表征预测 |
| 训练数据 | 视频素材 | 多模态环境数据 | 未公开；概念性训练 |
| 输出形式 | 基于参考视频的交互式仿真 | 从描述生成全新3D世界 | 用于推理的抽象世界模型 |
| 阶段 | 已发布（2025年8月） | 已商业化（2026年） | 研究/早期构建 |
| 预期用途 | 机器人训练、智能体接地 | 机器人、游戏开发、建筑、XR | 长期通用AI基础 |
为何实验室以外的人也应关注
世界模型是下一代AI产品的基础设施，而非近期的消费者应用。但2026年和2027年正在构建的产品，将越来越依赖于那些目前正在建立的世界建模能力：
机器人的规模化： 每家构建物理AI的公司——仓储自动化、制造业、配送——都需要在多样化场景中训练机器人。世界模型无需物理数据采集成本，即可生成无限多样的训练环境。DeepMind 和 World Labs 正在构建整个机器人行业都将使用的训练环境生成层。
具备物理接地的AI智能体： 当前的AI智能体，包括能力最强的语言模型系统，都会对物理约束产生幻觉，因为它们仅凭文本描述推理物理世界。具备世界模型的AI可以在执行计划之前，先模拟该计划在物理上是否可行。
3D内容创作： Marble 级别的系统将把3D内容制作的时间线和成本压缩数个量级——对游戏开发、影视制作、建筑设计和沉浸式媒体均具有直接影响。
常见问题
AI中的世界模型是什么？ 世界模型是一种AI系统，能够构建物理现实的内部仿真——编码物体的行为方式、因果关系的运作机制，以及给定动作后接下来会发生什么。与预测下一个文本词元的语言模型不同，世界模型预测物理环境的下一个状态。它们被视为机器人技术、自动驾驶汽车和物理AI智能体的基础。
Yann LeCun 在 AMI Labs 构建什么？ AMI Labs 由 LeCun 联合创立，以10.3亿美元种子轮融资（欧洲创业史上规模最大），正在开发基于JEPA（联合嵌入预测架构）的AI。JEPA 预测抽象表征而非原始像素或词元，旨在赋予AI人类通过经验（而非观察）积累的那种物理常识。LeCun 认为JEPA是AI真正能够推理物理世界所必需的架构。
World Labs 的 Marble 产品是什么？ Marble 是 World Labs（由 Fei-Fei Li 创立）的大型世界模型，能够从描述或草图实时生成可导航的3D仿真环境。与将现有视频转化为仿真的系统不同，Marble 创造具有一致物理特性和空间几何结构的全新3D环境。应用场景包括机器人训练环境、游戏及AR/VR原型设计，以及建筑可视化。
Google DeepMind 的世界模型如何运作？ DeepMind 的世界模型于2025年8月发布，接受视频输入并将其转化为交互式仿真。用户可以在仿真环境中导航和操作，模型实时生成符合物理规律的下一帧画面。该模型并非手工编写物理规则，而是通过在大规模视频数据集上训练来学习物理动态——通过观察世界来推断其行为方式。
来源
- Google DeepMind — 实时交互式世界模型发布，2025年8月
- World Labs — Marble 产品发布及技术文档，2026年
- AMI Labs — 10.3亿美元种子轮融资公告及JEPA架构概览，2026年
- Yann LeCun — JEPA研究论文及公开演讲，Meta AI，2025–2026年
