Latest / The Long View / 2026-06-05 · 特辑｜世界模型新前线：从单机到联机，VLA 与世界模型的合流

Transcript

2026-06-05 · 特辑｜世界模型新前线：从单机到联机，VLA 与世界模型的合流 · The Long View

0:07
欢迎收听The Long View，
0:08
我是主播。
0:09
这是我们关于世界模型的第三期特辑了。
0:12
所以今天我先做一件以前没做过的事，假设你听过前两期。
0:17
简单回顾一下我们已经讲过什么。
0:20
第一期，我们把世界模型这个概念从根上讲清楚了，
0:24
它和大语言模型最本质的区别，是大语言模型预测下一个词，
0:29
而世界模型预测下一个状态，给定当下和一个动作，
0:34
世界下一刻会变成什么样。
0:37
我们讲了David Ha和Schmidhuber二〇一八年那篇奠基论文、
0:42
讲了Yann LeCun的J E P A、
0:44
讲了当时前沿的四大阵营，Meta的V-JEPA二、
0:48
DeepMind的Genie三、李飞飞的World Labs和Marble、
0:53
英伟达的Cosmos，还讲了一个吵了两年的问题，
0:57
OpenAI的Sora到底算不算世界模型。
1:00
第二期，我们把L L M、V L M、
1:04
V A、V L A、世界模型这五个只差一两个字母的范式，
1:09
用条件概率排成了一条清晰的阶梯。
1:13
如果你没听过那两期，没关系，今天这期我会在该回顾的地方回顾一句。
1:18
但今天的重点，是这两期之后、就在六月初这一周里发生的新进展。
1:24
因为这一周特别集中，机器之心连发了至少五篇深度报道，
1:29
而它们合起来，恰好把世界模型这件事往前推了三步，
1:34
还顺带掀开了一层我们前两期完全没碰的东西，
1:37
地缘。
1:39
所以今天我们讲三个转变，加一层格局。
1:42
第一个转变，定义之争开始收敛了，李飞飞亲自下场，
1:47
用一个新框架把上一期那场两大阵营的争论装进了一个更大的盒子。
1:53
第二个转变，世界模型从单机走向联机，
1:56
第一次有人把它扩展到多个智能体共享同一个世界。
2:01
第三个转变，V L A和世界模型，从我们上一期说的两个并列范式，
2:06
变成了同一个基座的两根支柱。
2:09
最后那一层格局，是这一周中国团队的集体亮相，
2:12
让我们第一次能认真聊聊世界模型上的中美竞争。
2:17
我们从第一个转变讲起。
2:19
先接上一期的线头。
2:20
上一期我们花了很长时间讲一场争论，世界模型到底该不该预测像素？
2:26
LeCun那一派说不该，要在隐空间预测，
2:30
所以有了J E P A。
2:32
Sora、Genie、Cosmos那一派说该，
2:36
把视频生成做到极致、物理规律自己会涌现。
2:40
我们当时的结论是，这场争论没有结束，
2:43
两边都拿出了能用的东西。
2:46
这一周，李飞飞和她的World Labs团队发了一篇文章，
2:50
做了一件很有意思的事，她没有选边站，
2:53
而是往上走了一层，给整场争论提供了一个统一的框架。
2:58
这篇文章在社交媒体上被大量转发，很多人的评价是，
3:02
终于有人把话说清楚了。
3:05
我认为它值得我们这一期专门拆解，因为它直接改写了我们上一期留下的那个问号。
3:12
李飞飞的框架是这样的。
3:13
她先回到那个我们上一期讲过的循环，智能体采取行动，
3:17
行动改变世界状态，世界产生观察，观察驱动下一步行动。
3:23
然后她说，今天所有被叫做世界模型的系统，
3:27
本质上都是这个循环的不同投影，区别只在于它们输出循环里的哪一部分。
3:33
由此分成三种功能性的角色。
3:36
第一种叫渲染器。
3:37
它输出的是观察，通常就是人眼能看的像素画面，
3:42
衡量标准是视觉保真度，画面有多逼真。
3:46
我们上一期讲的Genie三、还有那些文生视频产品，
3:49
本质上都是渲染器。
3:52
渲染器有个天花板，它对三维结构没有真正的理解，
3:55
呈现的是观看者会看到的样子，而不是世界实际的样子。
4:00
李飞飞举了个很形象的例子，一座城市从俯视图上看完美无缺，
4:05
可你一旦开车进到城市内部，会发现建筑物开始崩坏，
4:10
因为模型根本不知道这些建筑真实地长什么样，
4:14
它只是在猜从这个角度看应该是什么样。
4:18
第二种叫模拟器。
4:19
它输出的不是画面，而是世界状态本身，
4:22
一个在几何、物理、动力学上都忠实于现实的表示。
4:27
模拟器里的杯子被推一下，必须真的按物理规律滑动、
4:31
晃动或翻倒，而不只是看起来在动。
4:35
它服务两类用户，一类是建筑师、电影人、
4:39
游戏开发者这些需要超越视觉真实感的人，
4:43
另一类干脆不是人，而是机器人控制器、
4:47
自动驾驶系统，它们把模拟器当作大规模的虚拟训练场。
4:52
第三种叫规划器。
4:53
它输出的是动作，在给定观察和目标时，
4:57
下一步该怎么做。
4:59
某种意义上规划器是渲染器的逆过程，渲染器把动作变成观察，
5:04
规划器把观察变成动作。
5:07
我们上一期讲的V L A模型，就是规划器的一种实现。
5:11
这个三分法最好用的地方，是它能把我们上一期讲的那四大阵营，
5:16
一次性归好位。
5:17
上一期讲的Genie三，是个典型的渲染器，
5:20
它实时生成你能走进去的画面，但不真懂三维结构。
5:25
OpenAI的Sora，也是渲染器，
5:27
优化的是视觉可信。
5:29
LeCun那一派的V-JEPA二，在隐空间预测下一个状态、
5:34
不重建像素，本质上是在往模拟器和规划器那一端走。
5:39
英伟达的Cosmos，野心是渲染器加模拟器一起做，
5:43
给自动驾驶产合成数据。
5:45
李飞飞自己的Marble，原本偏向先把一个完整的三维世界生成出来。
5:51
上一期我们把这四家当成四个互相竞争的阵营，
5:53
各押各的。
5:55
这一期用三分法一摆，你会发现他们其实是站在同一个循环的不同位置上，
6:01
而且都在朝中间那个统一模型挪。
6:04
这就是李飞飞这篇文章真正想说的，别再问谁对谁错，
6:08
要看它们怎么收敛。
6:11
现在你应该能感觉到这个框架的威力了。
6:13
上一期那个Sora算不算世界模型的问题，
6:17
在这个框架里突然有了一个干净的答案，
6:20
Sora是一个很强的渲染器，但它不是模拟器。
6:25
它优化的是看起来逼真，不是物理上正确。
6:28
这也正好解释了上一期我们引用的那些打脸Sora的实验，
6:32
玻璃不会正确破碎、食物被吃掉状态不变、
6:36
物体被遮挡后凭空多生一个，这些全都是渲染器冒充模拟器会犯的错。
6:45
框架一立起来，争论就从谁对谁错，变成了它们各自是循环里的哪一块。
6:51
而李飞飞真正想强调的，是一个可能反直觉的判断，
6:55
这三种角色里，学术关注度最低的模拟器，
6:58
恰恰是功能上最关键的那一个。
7:01
她有一句话非常精炼，如果说语言是对世界的抽象，
7:05
像素是对世界的投影，那么几何、物理和动力学，
7:11
就是世界本身。
7:12
模拟器必须工作在世界本身这个层面，它提供那根结构骨架，
7:17
从骨架上既能往外投影出画面供人看，也就是喂给渲染器，
7:21
也能投影出动作后果供机器人用，喂给规划器。
7:26
一个真正掌握了模拟的模型，这两件事都能干。
7:29
而一个只会渲染、或只会规划的模型，两件都干不了。
7:34
这个判断不只是说说。
7:36
李飞飞自己的产品Marble，我们上一期讲过它能生成可探索的三维场景。
7:43
而这一周的新进展是，Marble现在能从单个模型里同时输出两样东西，
7:47
高斯散射和碰撞网格。
7:51
前者是好看的画面，给人看。
7:53
后者是能算物理的实体结构，给机器人用。
7:57
这正好踩在渲染器和模拟器之间那条原本泾渭分明的界线上，
8:02
把它揉模糊了。
8:04
李飞飞说，当前最有趣的研究，恰恰都在有意识地模糊这三个类别之间的边界。
8:10
所以第一个转变，一句话总结，上一期我们看到的是两大阵营在打架。
8:16
这一期，李飞飞给出了一个上层框架，让这场架变成了三个功能正在融合成一个统一模型的故事。
8:23
而那把最关键的钥匙，叫模拟器。
8:27
记住这个判断，后面这一周中国团队的几项工作，
8:30
矛头几乎都对准了这把钥匙。
8:33
下面讲第二个转变，是一个我们前两期完全没碰过的新前线。
8:37
回想一下上一期讲的所有模型，V-JEPA二、
8:40
Genie三、Cosmos、Marble，
8:43
它们有一个共同的、从来没被点破的隐含前提，
8:47
世界里只有一个参与者。
8:50
一个机器人在厨房里、一个视角在场景里漫游、
8:53
一个智能体在做梦里训练，全都是单机。
8:57
但真实世界几乎从不是单机的。
8:59
多人游戏里你的走位会改变队友和对手的决策。
9:02
工厂里一台机械臂的轨迹约束着另一台的运动范围。
9:07
多个机器人在同一个空间里同时干活。
9:11
这些场景有个共同特征，叫因果耦合，一个主体的行为改变了共享环境，
9:16
所有其他主体都必须立刻感知到、并据此行动。
9:20
这件事，单智能体的世界模型框架从设计上就没留接口。
9:25
这一周，英伟达联合清华大学、多伦多大学和Vector Institute，
9:30
发布了一个叫Gamma World的工作，
9:32
这里的Gamma就是希腊字母伽马，它第一次系统地解决了这个问题。
9:39
共同第一作者是清华电子系的博士生刘芳甫，
9:42
研究方向就是世界模型和空间智能。
9:47
在它之前，已经有几项工作证明多人世界模型能做，
9:50
比如在Minecraft里同步双人视角的Solaris、
9:54
走开源路线的Multiverse、e、
9:57
让四个玩家共享实时对战世界的Agora。
10:01
但这些方案都卡在同一个地方，做到了，
10:04
但扩展不了。
10:05
以Solaris为例，两个结构性问题决定了它的天花板。
10:10
第一个问题，对称性被打破了。
10:12
Solaris给每个玩家分配一个固定身份，
10:15
结果模型学到的是一号玩家和二号玩家这两个特定角色怎么互动，
10:20
而不是任意多个平等的玩家怎么共享一个世界。
10:24
想加第三个人，整个模型得重训。
10:27
第二个问题，算力随人数平方爆炸。
10:31
它让所有玩家的所有信息两两交互，两人到四人计算量翻四倍，
10:36
到八人翻十六倍，多几个人就别想实时了。
10:40
这两个问题，一个是建模哲学问题，一个是算法复杂度问题，
10:44
靠堆数据和算力都解决不了。
10:48
Gamma World的解法，是把位置编码和注意力机制这两个底层组件重新设计了一遍，
10:53
很漂亮。
10:55
对称性问题，它把每个玩家映射到一个正单纯形的顶点上。
11:00
你可以这样理解，两个人是一条线段的两端，
11:03
四个人是一个正四面体的四个顶点，正单纯形的所有顶点之间距离完全相等，
11:09
任意两个玩家在模型眼里几何关系都一样，
11:13
谁也不比谁特殊。
11:15
这个编码妙在两点，它不需要任何可学习参数，
11:18
也不绑定人数。
11:19
训练时用两人，推理时想用四人，从顶点池里多取两个点就行，
11:25
架构不改、不用重训。
11:28
复杂度问题，它引入一组枢纽token作为共享通信中枢。
11:32
玩家不再两两直连，而是所有人先把信息汇给枢纽、
11:36
枢纽再广播给所有人，信息路径从两两连变成玩家到枢纽再到玩家两跳。
11:44
计算成本就从平方增长压到了线性增长。
11:47
结果是，八个玩家时，Gamma World的算力只有全连接方案的八分之一，
11:52
延迟从十七点六毫秒降到四点五毫秒。
11:56
最有冲击力的结果，叫零样本四人泛化。
12:00
这个模型从来没见过四个人的训练数据，
12:02
推理时只多取两个顶点，就直接生成出四路彼此空间自洽的同步画面，
12:07
玩家A看到的和玩家B看到的，描述的是同一个世界。
12:13
而且同一套框架，从Minecraft的方块世界，
12:16
原封不动迁移到了真实的双机械臂协同操作上，
12:20
左右两条机械臂各作为一个独立智能体。
12:24
为什么这件事重要，得接回我们上一期讲过的一个核心瓶颈，
12:28
数据。
12:29
上一期我们反复强调，世界模型最稀缺的不是被动视频，
12:34
而是带动作标签的、特别是多个主体互相影响的交互数据。
12:39
语言能从互联网挖，图像能用相机拍，但一台机器人拿起杯子、
12:44
另一台据此做出反应这种数据，几乎没有规模化来源。
12:50
采一小时真实双臂协作数据，要两台机器人、
12:53
一个场地、还得有人全程盯着。
12:56
真实世界采数据是被动的，受限于人类时间和物理空间，
13:00
这个瓶颈不是钱能直接解决的。
13:03
而多智能体世界模型，本身就是一台多智能体交互数据的生成器。
13:08
多个智能体在虚拟世界里二十四小时不停地对抗、
13:12
协作、探索，产出轨迹，再拿去训练真实机器人。
13:18
上一期我们讲过在梦里训练和数据飞轮这件事，
13:20
但那都是单智能体的飞轮。
13:23
Gamma World做的，是把这个飞轮的覆盖范围，
13:26
从单机扩展到了多人协作这种真正有商业价值的场景。
13:31
不过这里要泼一盆冷静的水，这也是接我们上一期反复强调的那个怀疑精神。
13:36
多智能体世界模型号称能当数据生成器，
13:39
但有个根本问题还没答完，它生成出来的那些多主体交互，
13:44
物理规律和因果逻辑，真的经得起检验吗？
13:48
如果虚拟世界里学到的规则和真实世界对不上，
13:51
那它产出的就不是数据，而是污染。
13:54
Gamma World把能力从Minecraft迁移到真实机械臂，
13:58
是一个积极信号，但报道自己也很克制地说，
14:02
这个问题要真正答完，还需要更系统的验证。
14:06
所以别把它当成已经解决，更准确的说法是，
14:09
一扇过去关着的门，这一周被推开了一条缝。
14:13
而这条缝背后，是一整条正在变化的赛道。
14:17
Solaris证明了两个玩家可行，Gamma World证明了扩展到更多玩家可行，
14:22
接下来的竞争会在好几个维度同时展开，
14:26
谁能支持更多智能体、在更复杂场景下不崩，
14:30
谁生成的物理更准、产出的训练数据质量更高。
14:34
而每一个下游场景，从多人游戏到机械臂协作，
14:37
再到自动驾驶车队、无人机编队、手术机器人协同，
14:42
都是一个千亿万亿级的独立战场。
14:46
所以第二个转变，一句话，上一期所有的世界模型都是单机的。
14:51
这一周，世界模型第一次学会了多个主体共享同一个世界这件事本身。
14:57
就像当年游戏引擎从单机走向联机，变的不是多了几个角色，
15:01
而是整个世界的生产逻辑。
15:04
下面讲第三个转变，直接接我们上一期V L A特辑的线头。
15:09
上一期我们做了一张表，把L L M、
15:12
V L M、V A、V L A、世界模型五个范式并排放进去，
15:18
讲清楚它们各自的输入输出。
15:21
当时我们是把V L A和世界模型当作两个并列的范式来讲的，
15:25
一个从感知到动作，一个预测世界本身。
15:29
这一周，小鹏在C V P R上给出了一个新答案，
15:32
在自动驾驶这个最硬的落地场景里，这两个不是二选一，
15:37
而是同一个物理世界基座模型的两根支柱。
15:40
先交代背景。
15:41
六月四日，计算机视觉的顶级会议C V P R二〇二六在美国丹佛开幕，
15:48
今年首次专门设了一个具身智能基座模型部署研讨会。
15:53
登台的有特斯拉Autopilot负责人Ashok Elluswamy、
15:56
Waymo研究副总裁Dragomir Anguelov、
16:01
英伟达感知与机器人研究副总裁Jan Kautz，
16:05
分别代表量产、研究和算力的最前沿。
16:10
和他们同台的，还有小鹏通用智能中心负责人刘先明，
16:13
是现场唯一受邀的中国企业代表，这已是小鹏第三次登上C V P R讲台。
16:20
刘先明正面回应了我们上一期遗留的那个问题，
16:23
到底走V L A路线还是世界模型路线？
16:26
他的拆解很清楚。
16:28
V L A的逻辑是向人类学习，输入驾驶视频和指令，
16:33
输出动作，学的是人类在复杂路况下的决策习惯。
16:38
人类的动作信号信息密度极高，里面隐性地编码了感知、
16:42
推理、意图、风险判断，但它在时间上很稀疏，
16:47
通常只能监督最终的行为结果，覆盖不到每一次潜在的物理状态变化。
16:52
世界模型正好补上这一块，它的逻辑是向世界学习，
16:56
借鉴大语言模型预测下一个token的范式，
16:59
在海量未标注视频上逐帧密集预测，每一帧、
17:04
每一次运动都能成为训练素材，监督信号密集得多。
17:09
一个学人类驾驶员会怎么做，一个学物理世界接下来会发生什么，
17:13
把稀疏的人类意图和密集的物理预测拼到一起，
17:16
这就是两根支柱。
17:19
这不是空谈架构。
17:20
小鹏把它落成了四个具体的研究成果，正好对应世界模型要真正有用必须具备的几项能力。
17:28
第一个叫X World，是以动作为条件的多摄像头可控生成，
17:32
已经用于闭环仿真和数据生成，解决世界能不能被模拟。
17:38
第二个叫X Foresight，t，
17:40
直接集成进V L A，在统一的token空间里联合预测未来画面和自车动作，
17:47
做长时序推演，解决模型能不能提前预判危险。
17:51
第三个叫X Mind，专攻主动推理和决策可解释。
17:56
再加一个专门给世界模型推理提速的X Cache，
17:59
能在几乎不掉画质的前提下减少约七成重复计算，
18:03
最高约二点七倍加速，因为世界模型要在车上实时跑，
18:08
推理成本是个硬约束。
18:10
值得一提的是，小鹏的第二代V L A已经量产落地，
18:15
推送首月用户的辅助驾驶里程占比首次超过百分之五十，
18:19
刚发布的前装量产Robotaxi，核心大脑也是这套模型。
18:24
刘先明还抛出了一个更大的判断，值得记一下，
18:27
只有能做基座模型的公司，才有可能真的做到L四，
18:31
也就是高度自动驾驶，并进一步赋能机器人、
18:35
飞行汽车这些形态。
18:38
背后的逻辑是，L四要解决的是开放道路里无穷无尽的长尾场景，
18:42
而模块化的老办法每加一个场景就多一层补丁，
18:46
复杂度压不住。
18:48
只有一个真正理解物理世界的基座模型，
18:50
才有可能泛化。
18:52
顺着这个逻辑，他还给出了一个挺硬的技术立场，
18:56
纯视觉是承载基座模型的最优路径。
18:59
理由是摄像头链路短、频率高，单位时间产生的信息量比激光雷达高出几个数量级，
19:06
而世界模型要理解物理世界，前提就是摄入足够高密度的信息。
19:12
这一点上，特斯拉的纯视觉F S D和小鹏其实走在同一条路上，
19:17
正朝同一个终点收敛。
19:20
讲完小鹏的合流，再看这一周另外两项中国团队的工作，
19:24
它们恰好从两个不同方向，给V L A加世界模型这个融合路线补上了关键的拼图。
19:32
先是北大的EvoPhys World，
19:33
它在维度上往前推。
19:35
上一期我们讲世界模型预测下一个状态，
19:39
那是三维空间加时间的四维。
19:42
EvoPhys团队提出再加一维，叫五维，
19:45
在空间、时间之上，叠加动作、因果、记忆和价值，
19:50
去建模不同的世界线。
19:52
这个说法听起来玄，但它报告了一个很具体的涌现现象，
19:56
正好印证了我们上一期讲过的一个性质，
19:59
反事实推理。
20:01
上一期我们说，世界模型相比大语言模型的一大优势，
20:04
是天生会做反事实，同一个状态换一个动作，
20:08
就推演出一条不同的未来。
20:10
EvoPhys把这件事演示了出来，同一只手，
20:13
从不同方向去接近桌上的纸杯、推动还是翻转，
20:17
模型能分别预演出桌面会变成什么样。
20:21
它不是在播放一段固定视频，而是在回答如果我换一个动作，
20:25
世界会走向哪一个不同的未来。
20:28
这正是上一期那个抽象性质，第一次被具体地跑了出来。
20:33
EvoPhys还有一个很关键的选择，
20:35
叫以人为中心。
20:37
传统具身系统以机器人硬件为中心定义动作，
20:40
EvoPhys反过来，让模型学的不是某一台机器人怎么动，
20:45
而是人如何与世界交互，它用第一视角下的头部姿态、
20:50
手部骨骼点、手势、手与物体的接触关系作为通用动作表示，
20:56
训练数据是四万小时的纯人手第一视角视频。
20:59
它给的理由很有说服力，也呼应了上一期的数据稀缺问题，
21:04
机器人不像汽车还没走进千家万户，靠真机数据建世界模型注定昂贵难扩展，
21:11
而人类才是那个早已大规模部署在社会里的通用机器人，
21:15
人对物理世界的认知几乎全来自第一人称体验。
21:18
这等于给上一期那个带动作标签数据极度稀缺的瓶颈，
21:22
提供了一条新的解法，别采机器人数据了，
21:26
去学海量、廉价、标准的人类动作。
21:30
另一项是大晓机器人的Kairos HomeWorld。
21:34
如果说EvoPhys解决的是动作从哪学，
21:37
Kairos解决的是场景从哪来。
21:41
它能从一句话，比如生成一套新中式九十平米两室一厅，
21:46
端到端生成一整套结构连贯、物理合理、
21:50
家具和物体都能交互的住宅三维场景，每个场景平均有十五个以上可操作的物体。
21:56
但它最值得注意的是数据，团队同步开源了一个号称全球最大、
22:01
首个专为中国家庭打造的全屋三维数据集，
22:04
三十万套中国真实户型、五千个仿真场景、
22:09
五万个可交互物体。
22:10
这一点我们留到下一章讲地缘时细说，因为它点出了一个我们前两期完全没意识到的维度。
22:19
所以第三个转变，一句话，上一期我们把V L A和世界模型当成两个并列的范式。
22:26
这一周，从小鹏的产线，到北大的以人为中心、
22:30
再到大晓的中国家庭场景，它们正在合流成同一个物理世界基座模型的不同部件。
22:37
最后这一层，是我们前两期完全没碰的。
22:40
前两期讲世界模型，舞台几乎全在美国，
22:44
LeCun、Fei-Fei Li、i、
22:46
Hassabis、Meta、DeepMind、
22:48
英伟达、OpenAI。
22:50
这很正常，奠基工作确实主要在那边。
22:54
但把这一周中国团队的工作摆在一起看，
22:56
会浮现出一条很清楚的地缘线索，而且姿态不是追赶，
23:00
是在三个维度上同步卡位。
23:03
我尽量只陈述事实。
23:05
第一条线，算力自主。
23:07
北大EvoPhys这个相当前沿的五维世界模型，
23:11
是跑在摩尔线程的全国产G P U技术栈上的。
23:15
在英伟达高端芯片对华受限的大背景下，
23:18
一项前沿研究能在国产算力底座上跑通，
23:22
本身就是一个信号，它说明世界模型这条新赛道，
23:26
没有被卡在算力这一关的门外。
23:29
第二条线，数据自主。
23:31
这就接回上一章留的那个尾巴。
23:34
大晓的Kairos不去硬拼通用数据，
23:37
而是抓住一个别人覆盖不到的位置，中国家庭。
23:41
为什么这是个聪明的差异化？
23:45
因为此前全球主流的开源室内数据集，全都基于欧美居住习惯，
23:49
开放式厨房、缺少阳台，拿这些数据训出来的机器人一进中国家庭就水土不服。
23:57
而三十万套中国真实户型，南北通透、封闭式厨房、
24:01
独立生活阳台、干湿分离卫生间，这种数据是别人没有、
24:06
也不太会去做的。
24:08
上一期我们反复说数据是世界模型的命脉，
24:11
这一周Kairos提醒我们，数据不只是多少的问题，
24:15
还是谁的场景的问题。
24:18
一个有意思的全球对照是，北美的Figure AI是和全球最大房地产持有者之一Brookfield合作，
24:25
靠超过十万套真实住宅来训练机器人，而Kairos走的是用模型批量生成的路，
24:32
新增一个场景几乎零边际成本。
24:35
第三条线，落地自主。
24:36
小鹏是C V P R这个国际顶会现场唯一受邀的中国企业代表，
24:41
而且不只是讲论文，它的第二代V L A已经量产、
24:46
Robotaxi已经前装。
24:48
再加上Gamma World的共同第一作者是清华的博士生，
24:52
人才这一维度，中国同样在场。
24:56
当然要诚实地说，这不是谁赢了的故事。
24:59
特斯拉F S D正在进入中国，刘先明和何小鹏的态度都很开放，
25:05
认为高水平的正面比拼是好事，能倒逼行业加速成熟。
25:10
我把这一层放进来，是因为它给我们前两期那个偏纯技术的世界模型故事，
25:15
补上了一个真实的维度，在这条相对新的赛道上，
25:19
中美不是一前一后，而更像是在算力、数据、
25:23
落地三条战线上同时开打。
25:27
这是这一周相比前两期，最大的一个新增量。
25:30
最后，如果前两期给了你一套世界模型的基础认知，
25:34
那这一期，我想用三个更新后的判断，告诉你这套认知这一周该往哪里改。
25:41
第一个判断，定义之争正在被融合取代。
25:44
上一期我们停在J E P A阵营和生成式阵营谁对谁错。
25:49
这一期，李飞飞用渲染器、模拟器、规划器三分法，
25:54
把这场争论装进了一个更大的盒子，它们不是三个互斥的答案，
25:59
而是同一个循环的三个投影，而且正在收敛成一个统一模型。
26:05
以后你再看到一个新的世界模型，别问它属于哪一派，
26:08
问它输出的是观察、状态、还是动作，以及它有没有往同时干这三件事的方向走。
26:16
而那把最难、也最关键的钥匙，始终是模拟器。
26:21
第二个判断，世界模型的下一个前沿，是多智能体和自进化。
26:26
上一期所有模型都是单机的、被动的。
26:29
这一周，Gamma World把它推向联机，
26:32
EvoPhys把它推向自我进化。
26:36
这两件事合起来，意味着我们上一期讲的那个数据飞轮要升级了，
26:41
从一个智能体在梦里训练，变成多个智能体在共享世界里互相博弈、
26:48
自己产出数据、自己反哺自己。
26:51
如果这条路跑通，物理AI那个带动作标签数据极度稀缺的老瓶颈，
26:56
可能会被根本性地改写。
26:58
第三个判断，V L A和世界模型不是二选一，
27:02
是两根支柱，而且这条赛道上，中国是同步卡位者，
27:08
不是追赶者。
27:09
上一期我们把它们当成两个范式，这一期小鹏告诉我们，
27:14
在真实的车上，它们是稀疏人类意图加密集物理预测的合体。
27:20
而当我们把视线从架构挪到地缘，会看到一个前两期没有的画面，
27:24
国产算力上的EvoPhys、中国家庭数据上的Kairos、
27:29
量产落地的小鹏，在算力、数据、落地三条线上同时下注。
27:35
在世界模型这件事上，起跑线离得没那么远，
27:38
而且中国在落地这一端，可能还跑在前面。
27:42
如果你听过我们前两期，今天这一期的价值，
27:45
是三个更新加一层格局。
27:47
李飞飞用三分法收编了那场两大阵营之争，
27:51
模拟器被点名为最关键的一环。
27:55
Gamma World把世界模型从单机推到了联机，
27:58
打开了多智能体数据的生成。
28:01
小鹏在C V P R上把V L A和世界模型从两个范式合成了两根支柱，
28:07
北大和大晓则从动作和场景两头给这条融合路线补了拼图。
28:15
而把这些拼在一起，我们第一次看清了世界模型上的中美三线竞争。
28:20
上两期我们说，AI正在学着从讨论世界走向理解和改变世界。
28:26
这一周告诉我们，这件事正在往三个更具体的方向加速，
28:31
更统一、更多人、更落地。
28:35
下一次再有人跟你聊世界模型，你不只能讲清它是什么，
28:38
还能告诉他，这条战线最新打到哪儿了。
28:42
感谢收听The Long View，
28:44
我们下期再见。