智东西 作者 Ada 编辑 漠影 过去三年，通往AGI的主叙事，几乎都从语言开始：更多文本、更大参数、更长上下文、更强推理，再加上工具调用与智能体。 这条路已经证明了自己的力量。它让机器能够读写、编程、检索、规划，并开始接管一部分原本只存在于电脑屏幕里的复杂工作。 但当任务从“在网页上完成一份表格”变成“把一个灯泡稳稳拧进灯座”，问题忽然变了。机器人不仅要看见物体，还要判断手指该怎样接触、这一下转动会发生什么、拧偏了是否应该停下、下一步怎样纠正。它需要的，不只是一个能描述世界的模型，而是 一套能在行动前预演后果、在行动后复盘得失的内部世界 。 这正是当下AGI竞争开始出现分岔的地方。 同样脱胎于清华实验室的智谱与生数，恰好提供了两组值得观察的中国样本：前者 以语言模型与智能体为核心组织能力 ，后者 以世界生成、实时交互与世界动作模型为线索推进 。它们像在同一座山的两面攀爬：一面从人类已编码的语言和知识出发，另一面从世界持续发生的变化与反馈出发。 一条路从语言出发，一条路从世界出发。地貌不同，难题不同，却指向同一座山。 而要看清第二条路究竟难在哪里，最好先把镜头从宏大的AGI拉回一双正在工作的手。 把一只灯泡拧进灯座，看上去是一个再简单不过的动作。 真正难的地方，恰好发生在最容易被忽略的一瞬间：灯泡的螺纹刚刚碰到灯座，手指需要感到那一点阻力；旋转角度偏了，玻璃会卡住；握得太紧，动作又会变形。人的手并不会先算完一长串公式再行动，它会一边看、一边碰、一边根据细小的反馈调整下一下力道。 这才是“手巧”的本质。它不是把一段动作重复得更像人，而是在每一次动作之前，能判断这样做会发生什么；在每一次接触之后，能知道自己该如何改。 今天的机器人，离这件事仍有距离。 它可以看懂“把灯泡拧上去”这句话，也可以在实验室里复刻一段训练过的轨迹。但当灯泡的位置偏了一点、手指碰到了新的材质、物体在旋转中开始打滑时，真正考验它的不是有没有一双会动的手，而是有没有一个会预演后果、理解反馈的“内在世界”。 这也是 世界模型之所以成为AI新前沿的原因 。 而不久前亮相的 Motus2 ，正是生数沿着这条路线，走到“手必须真的碰到世界”这一关时，给出的一个新答案。 一、世界模型越说越乱，闭环却越来越清楚 世界模型—— 不同领域正从不同入口，撞向同一个问题。 视频生成，想让模型学会世界如何随时间展开：人物转身后是否还是同一个人，镜头移动后空间关系是否依然成立，一只杯子落下时会不会遵守重力。空间智能，希望模型生成可以从不同视角检验的环境；机器人和自动驾驶，则必须回答一个更苛刻的问题：如果我向左移动两厘米、夹爪收紧一点、手腕多转五度，世界接下来会变成什么样？ 表面上，它们产出的东西不同：像素、空间状态、动作轨迹。底层却都绕不开同一个闭环： 智能体观察世界，采取行动，行动改变世界，新世界再产生新的观察 。 今年6月，李飞飞与World Labs团队在《A Functional Taxonomy of World Models》中，给这个混乱的概念画了一张功能地图。文章从经典的POMDP框架出发，将当下被称为世界模型的系统概括为三种主要功能：输出像素观测的渲染器、输出几何或物理状态的模拟器，以及输出下一步行动的规划器。 这套分类的重要之处，在于先把“大家到底在做什么”讲清楚。 两个月后，朱军团队发布《General World Models from First-Principles》，又从另一个方向向前推了一步。 如果说前者问的是：今天被称作世界模型的系统，分别在这条链路上输出了什么？ 后者问的则是：一个模型若要真正走向“通用”，这些能力应当如何在同一个循环中耦合、成长和自我修正？ 这两个问题并不冲突，反而构成了理解当前世界模型的一对坐标。 李飞飞团队为行业拆开了“渲染、模拟、规划”这些功能部件；朱军团队则把视线放在部件之间如何真正转起来：模型要理解此刻的世界，预测不同条件下的未来，采取改变世界的行动，再让真实反馈进入下一轮理解与决策。 这也是朱军团队所说的通用世界模型第一性原理： 理解、想象、行动 ，不是并列的功能标签，而是一条不能断开的因果链。 只会生成未来画面，模型仍可能只是一个“看起来很懂世界”的旁观者；只有当它的动作会改变环境，而环境又能反过来修正它下一次动作时，模型才开始成为这个世界里的参与者。 为了把这条路讲得更清楚，朱军团队将通用世界模型划分为五级： L1 是世界生成，模型学习世界如何演化； L2 是与世界交互，外部输入开始持续改写后续状态； L3 是在世界中行动，模型的动作进入环境，并从环境变化中获得反馈；再往上， L4 是能够围绕长期目标自主感知、规划、探索和学习的世界智能体， L5 则进一步走向多个机器人、数字智能体、人类与工具之间的协同组织。 这是自