世界模型三国杀

如果说过去三年AI的主旋律是"更大的语言模型"，那么2026年的主旋律，已经开始变调了。

这一年发生了三件标志性的事情：

• • 9月28日，AMD宣布以82亿美元全股票收购李飞飞的World Labs——一家成立仅两年、员工约70人、几乎没有营收的实验室；
• • 10月11日，杨立昆（Yann LeCun）的创业公司AMI Labs低调交出第一份答卷H-JEPA，代码和权重全部开源；
• • 谷歌则把 Genie 3 接入了2800亿张街景照片，等于把整个地球变成了AI可以进出的训练场。

三方做的都是同一件事——世界模型：让AI不再是"说话的鹦鹉"，而是理解物理世界、能在三维空间里感知、推理和行动的智能。

但三个人对"世界模型该怎么做"的理解，几乎是针锋相对的。这篇文章带你把三条路线的最新进展捋一遍。

李飞飞：从"生成好看的世界"到"生成够用的世界"

李飞飞是国内网友最熟悉的一位。"AI教母"、ImageNet之父、斯坦福教授——2024年9月，她带着2.3亿美元启动资金创办World Labs，押注空间智能（Spatial Intelligence）。

两年时间，这家公司走完了三级跳：

第一级：Marble。 首款商业产品，用文字、图片、视频或360°全景生成可漫游、可编辑的3D世界，上线不到一年就成了创作者圈子的爆款工具。

第二级：R2S2R。 今年7月，World Labs收购了机器人仿真公司SceniX（创始人李昀烛正是李飞飞在斯坦福的博士后学生），随后发布"真实—仿真—真实"（Real-to-Sim-to-Real）引擎：用普通手机拍几张照片，就能把现实场景还原成机器人训练场，训练完再部署回真实机器人。机器人行业最大的瓶颈——训练数据太贵——被它盯上了。

第三级：Atlas。 9月1日发布的"全球首个多模态世界模型"，也是这82亿美元收购案公布前一个月的重头戏。

Atlas最有趣的设计叫"空间上下文"：类比大语言模型把文字编码成上下文再逐token生成，Atlas把每一张输入图像连同它的相机位姿一起锚定在三维空间中的具体位置上，再据此生成世界。效果是：

• • 输入1~6张普通照片，就能重建整个3D空间——在斯坦福校园的演示中，只用2到25张游客随手拍，就还原了草坪、拱廊和教堂外墙，还能生成上帝视角航拍；
• • 相机控制从"文字玄学"变成了"像素级精确"——直接给坐标和轨迹，不再靠提示词碰运气；
• • 最高输出1440p、时长1分钟的视频，甚至能把两张毫不相关的照片放进同一个三维空间，生成中间的平滑过渡。

李飞飞今年6月给世界模型下过一个分类：渲染器、模拟器、规划器，并明确说"最关键的是模拟器"。她的路线很清晰：先把世界"造"出来，让机器人在里面练。

然后，就是那笔震惊业界的大收购：AMD以82亿美元全股票交易收购World Labs，李飞飞出任AMD执行副总裁兼首席科学家，直接向苏姿丰汇报。要知道，苏姿丰正是World Labs的早期投资人——今年1月CES上，两人还同台演示产品；九个月后，投资人直接把公司买了下来。

有意思的是，消息公布当天AMD股价跌了3.61%。市场在问：一个没有收入、技术路线尚未收敛的实验室，凭什么值82亿？答案或许在苏姿丰的那句话里："对整个端到端流程了解得越多，就越能构建更好的系统。" 芯片巨头们开始意识到，下一代AI芯片的定义权，取决于你理解下一代模型。

杨立昆：一场对LLM的"公开叛乱"

如果说李飞飞是在LLM的地图之外开疆拓土，杨立昆则是直接掀了桌子。

这位图灵奖得主、CNN之父、前Meta首席AI科学家，在2025年底离开了效力12年的Meta——用他自己的话说："Meta的人大概不会高兴我到处说，LLM是通往超级智能路上的死胡同。"

2026年1月，他在巴黎成立了AMI Labs（Advanced Machine Intelligence）；3月，完成10.3亿美元种子轮——欧洲历史上最大的种子轮，投前估值35亿美元，投资方名单耐人寻味：英伟达出算力，丰田看自动驾驶，三星和淡马锡押注产业，贝索斯也来了。

杨立昆的核心论点，两年来说了无数遍，但每一次都说得更狠：

"ChatGPT、Claude、Gemini，都不是通往人类级别智能的道路。今天的AI对物理世界的理解，还不如一只老鼠。"

他给出的替代方案是JEPA（联合嵌入预测架构）：不做像素级的生成式预测，而是在抽象表征空间里预测世界会如何演化。理由很直觉——你扔下一支笔，它可能往左倒也可能往右倒，生成式模型只能"赌一个像素级的结果"，而智能体需要的是理解"笔会倒下"这件事本身。

10月11日，AMI Labs交出了创业后的第一份成绩单：H-JEPA，联合纽约大学、巴黎INRIA和布朗大学发布的分层世界模型。

思路依然来自他2022年的构想——分层规划。就像人类去巴黎：定行程时你关心航班，不关心脚下台阶的高度；真正下楼时，你关心的才变成每一级台阶。H-JEPA把多个JEPA逐层堆叠，高层做粗略计划，把中间预测状态作为子目标交给低层接力细化，最终生成可执行动作。

效果是实打实的：在Visual AntMaze仿真迷宫任务中，三层H-JEPA成功率达到73%，单层模型只有18%——而且分层模型用更少的规划计算量取得了更好的表现。

更难得的是，他们延续了开源路线：代码和预训练权重全部公开，任何研究者都可以直接加载复现。在动辄闭源圈地的今天，这几乎是行业里的一股清流。

当然也要泼一盆冷水：H-JEPA只是仿真环境里的初步验证，AMI Labs至今没有面向市场的产品。CEO LeBrun自己也承认，世界模型从研究到落地"可能需要数年"。这是一场用10亿美元下注的长期主义。

谷歌：不争论路线，直接全家桶碾压

与前两位"技术布道者"式的打法不同，谷歌DeepMind的作风是：路线我全都要，落地我先跑。

Genie 3：把视频游戏股吓崩了。 2025年8月发布，720p、24帧实时生成可交互的3D世界，记忆长度从上一代的10秒提升到1分钟。今年1月29日通过Project Genie向美国AI Ultra订阅用户开放（每月200+美元）。消息一出，Take-Two跌9.3%、Roblox跌15%、Unity跌21%——资本市场第一时间读懂了"AI实时生成游戏世界"意味着什么。

Waymo World Model：世界模型第一次上生产线。 今年2月，Waymo采用Genie 3的微调版本，专门仿真自动驾驶的极端场景——龙卷风、路面上的大象、金门大桥积雪。这些场景在现实中没法安全复现，现在可以无限次地"生成"出来让自动驾驶模型练手。这是世界模型在真实商业场景中最硬核的落地。

Street View接入：无人能复制的护城河。 今年的谷歌I/O上，DeepMind把Genie 3与街景打通——20年、110个国家、2800亿张照片。你在地图上钉一个点，选个画风，描述你想扮演的角色，就能走进一条还原真实街道布局的AI世界，还能改变天气、时间、场景。谷歌称其为"空间连续性"：你转身360度，AI记得你身后是什么，而不是重新编一个。

这份2800亿张图像的数据资产，是其他任何实验室都无法复制的。李飞飞要靠几张照片"脑补"世界，谷歌直接把地球搬来了。

SIMA 2：给世界装上"大脑"。 基于Gemini Flash-Lite构建的具身智能体，能在3D游戏世界里推理、对话、执行多步任务，更妙的是它的自我改进闭环：Gemini提出任务、给动作打分，SIMA 2用这些自我生成的经验持续训练——甚至能钻进Genie 3生成的陌生世界里自主适应。世界（Genie）+ 智能体（SIMA）+ 底座模型（Gemini），DeepMind的野心官方说得很直白：让Gemini升级为完整的世界模型。

不过谷歌自己也坦承短板：Genie 3的画面还是"游戏画质而非照片级"，缺乏真正的物理感知——演示里小人径直穿过了仙人掌。研究员估计，交互式世界生成比视频生成还落后6~12个月。

三条路线，三种信仰

把三家的路线放在一起看，分歧其实非常本质：

三个有趣的观察：

第一，像素之争是最大的分水岭。 杨立昆坚持"不要在像素级预测世界"——生成式模型会浪费算力在不重要的细节上，且无法处理多种可能的未来。而李飞飞和谷歌都押注生成式路线，只是李飞飞生成的是显式3D结构，谷歌生成的是视频流。谁对谁错，现在下结论还太早，但H-JEPA那73%对18%的成绩单，至少证明非生成式路线不是空中楼阁。

第二，所有人殊途同归，终点都是机器人。 李飞飞收购SceniX、发布R2S2R，是为了机器人训练场；杨立昆的分层规划，示范任务就是机器人导航；谷歌的Genie 3接Waymo、SIMA 2做具身智能体。大家心里都清楚：语言模型的钱已经赚到了，物理AI的钱还在路上，而谁掌握世界模型，谁就掌握物理AI时代的"仿真引擎"。

第三，芯片厂商开始抢模型团队了。 AMD 82亿美元买World Labs、英伟达129亿美元收购Hugging Face、高通拿下Modular——硬件巨头纷纷向上游模型层延伸。逻辑很简单：世界模型需要的算力形态（时空推理、高内存带宽）与传统文本GPU不同，谁理解下一代模型的负载，谁就能定义下一代芯片。李飞飞卖掉公司，其实是把自己变成了AMD技术路线图的"人形罗盘"。

结语：一场还没有标准答案的豪赌

回看这三条路线，你会发现它们对"什么是智能"的理解截然不同：

• • 李飞飞说，智能始于理解空间——"看到"是为了"做到"；
• • 杨立昆说，智能在于预测抽象——不是画出一个世界，而是理解世界为什么会这样；
• • 谷歌说，别争了，数据和生态会笑到最后。

82亿美元的收购、10.3亿美元的种子轮、2800亿张街景照片——三家都在用真金白银投票。而它们共同的赌注是：大语言模型不是终点，理解物理世界的AI才是下一个纪元。

END

#杨立昆 #JEPA #世界模型 #李飞飞 #Atlas #Genie

如果这篇文章对你有帮助，欢迎点赞、在看、转发