欧易数字货币Web3的直通车

如果说过去两年的大模型竞赛更像一场语言能力的堆叠，那么李飞飞这次在Substack上的长文，更像是试图把赛道重新拉回物理世界本身。

她给出的不是一个新模型，而是一套框架——世界模型（world models）的“物理学结构”。在AI行业越来越拥挤的语境里，这种做法反而显得有点反潮流：不再追逐参数规模，也不再强调聊天能力，而是试图回答一个更基础的问题，机器如何理解空间与时间。

她的核心判断很直接：如果模型只学习文本之间的关联，那它永远停留在语言的闭环里；真正的世界模型，必须去捕捉空间与时间的统计结构，也就是物理世界如何变化、如何反馈。

这句话看上去学术，但放在当下AI产业语境里，其实是一次明显的方向修正。

过去一年，生成式AI几乎被语言模型主导。无论是对话、代码还是内容生成，本质都依赖token序列的预测能力。但现实世界并不以文本运行，它有重力、碰撞、遮挡、延迟反馈，以及一整套不依赖语言的约束系统。

李飞飞的框架，试图把这套系统重新引入AI内部。

她提出将世界模型拆解为三个协作组件：渲染器、模拟器、规划器。表面看是工程架构划分，实际上是在重新定义“智能”的边界。

渲染器负责输出视觉观测，相当于感知世界的接口；模拟器负责推演几何与物理状态变化，这是理解因果关系的核心；规划器则决定行动输出，连接目标与执行。

三者之间的关系并不平等。李飞飞特别强调，真正关键的是模拟器——只有能够预测物理反馈的系统，才算真正连接了感知与行动。

这个判断的分量在于，它直接把当前大量“看起来智能”的AI系统，重新放回了一个更严格的评价体系里：是否理解物理世界，而不是是否能生成合理文本。

在工程实现层面，这个框架并不是纯理论。

World Labs已经开始尝试将这些组件在单一系统中融合，其3D生成平台Marble就是一个早期例子。它不仅生成三维画面，还同时输出可用于物理交互的碰撞网格。这意味着模型输出的不只是“看起来真实”，而是“可以被世界规则验证”。

这种变化在产业上并不轻松。

过去的生成模型可以在概率空间里自由发挥，但一旦引入物理约束，模型必须面对误差累积、状态稳定性以及长期预测的不确定性。这也是为什么“世界模型”在过去多年一直停留在研究层，而难以像语言模型那样快速商业化。

但问题也在于，语言模型的天花板已经开始显现。

仅依靠文本统计关系，很难支撑下一代机器人、自动驾驶或空间交互系统的发展。这些应用不缺“会说话的AI”，缺的是能够理解环境变化并作出连续决策的系统。

从这个角度看，李飞飞的框架更像是在提前为下一轮AI竞争设定坐标系。

它试图解决的不是“AI能不能更聪明”，而是“智能是否必须嵌入物理世界”。一旦这个问题被重新定义，整个行业的研发重心可能都会发生偏移。

一个细节值得玩味：她强调三大组件未来会逐渐融合，而不是长期分离。这意味着世界模型并不会以模块化终态存在，而更可能走向一种结构收敛——感知、模拟、行动逐渐在同一网络中耦合。

如果这个方向成立，AI的演化路径可能会从“语言扩展”转向“物理建模”，而这条路的复杂度，远高于今天我们看到的大模型竞赛。

毕竟，理解一句话和理解一个正在坠落的杯子，从来不是同一件事。