自ChatGPT全球爆红后，AI研究焦点主要集中在大型语言模型上。那么引领下一波AI革命的关键技术将会是什么？“世界模型”（Large World Model，LWM）或许是其中一个有力候选者。Meta近日发表最新世界模型“V-JEPA 2”，大幅提升AI对物理世界的理解与预测能力。究竟世界模型与大型语言模型有什么不同？为何“计算机界诺贝尔奖”图灵奖得主杨立昆、AI教母李飞飞等权威学者都力推此技术？它对自驾车与机械人发展又会带来什么影响？

Meta世界模型指明AGI新方向

   2025年6月11日，Meta宣布推出世界模型V-JEPA 2（Video Joint Embedding Predictive Architecture 2），宣称它能更好地理解现实中的物理世界和物体运动，并强调它不但可以强化机械人与自驾车技术，还能为整个AI领域指明通往通用人工智能（Artificial General Intelligence，AGI）的新方向。

   根据Meta公布的基准测试资料，V-JEPA 2推理速度比同类型的世界模型NVIDIA Cosmos快上30倍。这让一直对大型语言模型（Large Language Model，LLM）持反对意见的图灵奖得主、Meta首席AI科学家杨立昆（Yann LeCun），终于可以吐气扬眉。

   当ChatGPT引领的生成式AI浪潮席卷全球之际，杨立昆竟然公开表示，对LLM的兴趣已逐渐减退，甚至预言5年内将没人再使用LLM，建议年轻开发者应转为研究下一代AI系统。这番言论惹来不少网民的质疑，更有人嘲笑他在资源丰富的Meta实验室中，研发出来的大型语言模型Llama，表现未如理想。

杨立昆指出，世界模型其实是人类内心对世界运作方式的模拟器。它能够预测行为后果，继而规划应对行动，这正是人类进行推理的核心机制。（图片来源：翻摄Meta官方影片）

杨立昆利用影片训练世界模型

   尽管如此，杨立昆依然未有退缩，继续批评LLM。他指出，目前AI业界对LLM的研发聚焦于追求更大型的数据集、更强大的运算力，这绝非最具前瞻性的研究方向。他认为，LLM的发展已近天花板，未来AI技术突破关键将在于世界模型。V-JEPA 2的诞生，可说为杨立昆的言论提供最有力的证明。

   驱动ChatGPT、Gemini等AI工具的LLM，是透过大量语言资料做训练，从而理解现实世界。世界模型则是以影片进行训练，但不是让AI学习画面中的物体动作，而是学习影片中的抽象表征（Representation）——也就是理解真实世界的抽象物理逻辑。

   Meta向V-JEPA 2灌输超过100万小时网上影片，内容涵盖日常动作、人物与物体互动、各种场景与光影变化等。杨立昆解释，LWM就象是现实世界的抽象数码双胞胎，可让AI用来参考，弄懂物理规律，跟着预测其行动在现实环境中会造成什么后果，然后规划出一组行动流程来应对现况和实现任务。这种能力对必需在复杂环境中导航的自驾车和机械人尤其重要。

Meta V-JEPA 2具备预测能力，例如看到平底锅上已煎好的荷包蛋，就会预测下一步行动是拿起碟子来盛载荷包蛋。（图片来源：翻摄Meta官方影片）

李飞飞成立初创研发空间智慧

   除杨立昆外，近年愈来多AI研究人员埋首于世界模型研发。有“AI教母”之称的斯坦福大学教授李飞飞，在2024年1月成立AI初创公司World Labs，致力于开发能理解物理世界架构的世界模型；同年９月，已成功募资2.3亿美元（约17.94亿港元）。

   李飞飞表示，希望将AI模型带领到3D立体世界，并赋予它“空间智慧”（Spatial Intelligence），让其运作更像人类思考模式。她指出，大部分生物透过眼睛来认识自己身处的环境，然后逐渐发展出理解现实世界、与外在环境互动的能力，这种能力可称为空间智慧。藉由经验积累，生物对物理规律有所理解，逐渐增强其空间智慧，让它们能够在陌生环境中觅路闯荡。这种导航技能正是当前LLM无法完整掌握的能力。

杨立昆表示，世界模型将开启机械人领域的新时代，让实体AI在现实世界中能协助处理家务和各种任务。（图片来源：翻摄Meta官方影片）

   LLM的语言处理和生成能力确实叫人惊艳，但李飞飞认为，语言只适用于传递思想和信息，不足以完整捕捉万事万物的物理结构，例如蛋白质折叠过程、DNA双螺旋结构等，都不能单靠语言来描述。再者，人类在进化出语言能力之前，已藉着空间智慧与现实环境互动，培养出物理直觉：譬如把一颗球抛向空中，人们知道地心吸力会把它拉回来，只需在下方伸手接球即可；在行走途中碰到障碍物，人们不用多作思考，都自然会懂得闪避。

李飞飞相信，空间智慧在生物进化过程中扮演重要角色，无论是人类或动物皆拥有这种智慧，故此直言：“没有空间智慧，AI就不完整。”（图片来源：斯坦福大学官网）

Google与NVIDIA抢先布局

   由此可见，AI如要应对现实环境，只靠LLM绝对不成，非要依赖具备空间智慧的LWM不可。李飞飞认为，如今AI已能实现语言处理能力，下一个必需攻克的技术关卡将是空间智慧，于是她决定投入开发一个可以掌握空间智慧、生成虚拟环境的世界模型，让自驾车与机械人通过模拟场景进行学习，加快研发进程。

   在世界模型的赛道上，除Meta与World Labs外，主要玩家还有Google与英伟达（NVIDIA）。Google DeepMind于2024年2月已发布初代世界模型“Genie”；10个月后，推出第二代模型“Genie 2”，能够生成3D空间，用作训练AI代理。NVIDIA在2025年1月发表世界模型“Cosmos”，利用2,000万小时影片进行学习，能够生成依循物理法则的虚拟动态影像，用于训练自驾车与机械人。

   在Meta、Google、NVIDIA三大科技巨头积极推进下，加上杨立昆、李飞飞两大顶级专家力撑，世界模型已渐被AI业界认同是迈向AGI的关键技术之一，可是其发展却非坦途。训练LWM涉及大量高质影片，惟这类内容大都受到版权保护，要获取使用权殊不容易，而且成本也很高。另外，世界模型对运算力的需求远高于LLM，现今AI基建未必能支撑其全面运行。唯有寄望不久将来LWM能够展现比LLM更高的商业价值，这两大难关方可迎刃而解。

   《经济通》所刊的署名及／或不署名文章，相关内容属作者个人意见，并不代表《经济通》立场，《经济通》所扮演的角色是提供一个自由言论平台。