李飞飞最新长文：当视频生成、机器人和 NVIDIA 都自称世界模型，我们需要一个分类法
李飞飞发表文章，针对当前AI领域中“世界模型”一词被广泛滥用的现象提出一个清晰的功能分类法。她指出，尽管视频生成、机器人和NVIDIA等不同领域都自称构建“世界模型”，但它们实际指的是强化学习闭环（POMDP）中三种不同的功能模块。
**分类法如下：**
1. **渲染器**：输出**观测**（如像素），追求视觉保真度，例如Sora、Genie等视频生成模型。其局限在于“好看不等于物理正确”。
2. **模拟器**：输出**状态**，即在几何、物理和动力学层面忠实的世界表征，服务于建筑设计、机器人训练等需要精确模拟的场景。李飞飞认为这是连接渲染和规划的关键枢纽，被严重低估。
3. **规划器**：输出**动作**，根据观测和目标决定智能体（如机器人）应执行的动作，是感知-行动回路的闭环。
**现状与趋势：**
* **渲染器**商业化最成熟，但有物理准确性天花板。
* **规划器**最令人兴奋但最不成熟，实验室演示与实际部署存在巨大鸿沟。
* **模拟器**是核心桥梁，掌握了模拟就同时为渲染和规划提供了基础。
当前最重要的趋势是这三类功能的边界正在消融，因为它们共享对世界底层运作（几何、物理、动力学）的同一套理解。例如，World Labs的Marble模型能同时输出用于视觉的高斯泼溅和用于物理模拟的碰撞网格。
逻辑终点是构建一个**统一的世界基础模型**，能根据下游需求在渲染、模拟和规划模式间自由切换。尽管面临数据不均衡、优化目标冲突等挑战，但三者的融合将重新定义机器智能与物理世界的关系，推动空间智能的发展。
链捕手9 小時前
