首页 > 见识

　　不知道你发现没有，AI在线上和线下的表现是非常割裂的。

　　脑子极聪明，身体极笨，线上的AI几乎无所不能，知识储备碾压人类，

　　做高考题什么的对他来说只是基本操作，现在的AI甚至能解量子力学题。

　　但在现实世界里，AI却是个笨得要命，走个路叠个衣服对AI来说都很费劲。

　　那造成这种割裂现象的原因是什么呢。

　　过去我们刷到的各种AI生成的视频，尤其是漫剧类，

　　看着非常震撼。甚至有很多都是妥妥的大片级别。

　　但生成这些AI视频的模型往往都有个致命问题，

　　就是它们不懂物理。你让AI生成一个玻璃杯，从桌沿被碰落的过程，

　　可能生成得很像。但是会出现很多的物理漏洞，比如杯子穿越了桌面，

　　水洒出来的轨迹不对，碎片飞散，违背动量守恒等等。

　　这其实就是因为AI一直缺少一层直觉，物理的底层认知。

　　物体软硬重心在哪儿？摩擦力多大动作的后果链等等。

　　这些东西人类3岁就懂，AI至今要靠海量试错数据硬灌在目前主流AI。

　　AI模型的潜空间里，他们学的是像素之间的统计相关性，

　　而不是物理规律本身的因果结构。

　　再直白点说，以前我们接触的模型，不管是生成文字、图片还是视频，

　　他们本质上做的都是预测下一个字或下一个像素的事情。

　　这样做的好处是给人的感觉很聪明。

　　但缺点是它不保证世界真实成立。

　　比如同样是生成天上飞的猪。

　　对数字世界来说是艺术创作，但对物理世界而言，

　　那就是灾难。尤其是现在，随着AI越来越迈向真正的生产力的组成部分，

　　比如工厂里的机器人。工业仿真、自动驾驶这些要真干的活儿，

　　最怕的就是模型只是看起来对，这种情况下就必须要求AI对物理世界有真正的理解。

　　不然不仅效率会出问题，甚至还可能造成经济和安全上的灾难。

　　而前不久我们发布的全球首个通用世界基座模型，

　　悟界，就做了一件根本性的事情。

　　把AI大模型的预测目标从下一个文字、下一个词源或下一个像素帧变成了一个物理状态。

　　意思是不再只追求画面像不像，而是在内部去学物体位置。

　　速度，受力，接触关系等的演化，目标指向物理一致性，

　　加因国可溯源加长期不崩。

　　并且他强调用物理隐空间的思路，把视频深度点云，

　　力处反馈之类的全模态塞进一个统一的物理状态表示里，

　　再去推演。而不是纯靠像素拟真。

　　再举一个不太恰当的例子。

　　有一款游戏叫我的世界。

　　在里面你可以发挥自己的各种创造力去做出很多有趣的东西。

　　但它并不能模拟真实的世界。

　　而通用世界基座模型从某种程度上来说，它是真的能在线上造一个我们的这个世界。

　　在这个世界里，你可以预测很多现实世界中的真实问题。

　　比如，如果我对某个物体施加动作A，该物体的物理状态如何？

　　从S1变到S2，这就是真实世界里你一脚踢下去，

　　你面前的这个足球会有什么样的运动轨迹？

　　在通用世界基座模型下都是可以预测、可以模拟的。

　　一句话来说，就是之前我们的AI模型学的和做的是我们的这个世界长什么样。

　　而悟界要做的，不是生成好看的世界，也不关心画面好不好看，而是关心。

　　状态对不对？他要弄清楚我们这个世界是怎么来的。

　　如何运转、怎么变化。他要做的是让机器人真的知道，

　　我推这个杯子它会不会倒，倒向哪儿，撞到什么，需不需要扶，

　　而不是生成一段逼真的掉落视频给你看。

　　他要做的是物理认知引擎的底座。

　　未来谁先把物理因果的通用底模做稳，谁就掌握了机器人时代的CUDA，

　　不是芯片，是认知基础设施。

　　所以物界这个全球首个通用世界基座模型，就是这几年来最有复利价值的范式迁移之一。

　　人类真的进入像科幻美剧西部世界那样的时代，

　　真的只是时间问题了。