来源：机器之心（关注AI的） · 2026-09-10 · 原文链接
分类：综述 / 理论框架（主线正中：与"未来信息形态"线索直接对话，且首次给出能力分层坐标系）
一句话概括
机器之心借朱军团队《General World Models from First-Principles》梳理"世界模型"这个最没有共识的词：三家的分类法（World Labs 渲染器/模拟器/规划器、LeCun 的潜空间可预测结构、朱军的理解-想象-行动闭环 + L1 生成世界→L5 世界组织者五级路线）并列摆出，并指出视频生成只是 L1；生数的落地路径是 Vidu（数字侧，实时交互）与 Motus/Motubrain（物理侧，L3）对同一假设做两次验证，Motus2 则以"一套共享参数暴露策略/模拟器/评估器三接口"外加独立轻量触觉专家补"最后一厘米"，走向 L4 的闭环自进化。
核心要点
先摆出混乱：一段能连续生成的视频、一个随键鼠实时变化的数字环境、在潜空间预测未来状态的系统、直接输出机器人动作的策略——四样东西全叫"世界模型"，能力边界却相去甚远。生成视频画面够逼真却可能违背物理；机器人能完成一次抓取也可能只熟悉实验室里的物体、机位和轨迹。一个系统究竟学到了视觉相关性、物理结构，还是行动与结果之间的关系，仅靠 Demo 很难回答。 概念混乱的代价是"画质、几何精度、预测能力和任务成功率被混在一起比较"。
三种分类法并列：
- 李飞飞 / World Labs：按功能分为渲染器（输出像素）、模拟器（输出世界状态）、规划器（输出动作）。
- LeCun（V-JEPA）：主张在抽象潜空间中学习可预测的世界结构，让模型保留对理解、推理和规划有用的信息。
- 朱军 / TSAIL（本篇主线）：从第一性原理定义核心能力，给出五级进化路线图。
思想源头：1943 年 Kenneth Craik 提出人类会在头脑中形成关于现实的"小尺度模型"，借此推演不同行动的可能结果；强化学习中的 POMDP 进一步形式化（接收局部观测→估计世界状态→采取动作→按新观测更新判断）。原文的比方是学自行车：看到车把偏、感觉到重心下沉、随即调整、再按新反馈修正。
三项核心能力构成闭环：
- 理解（Understanding）：把视觉、语言、声音、触觉或机器人传感器等信息，整合成对当前世界的内部判断；
- 想象（Imagination）：从当前状态推演多个可能未来，尤其是"如果我采取动作 A 而不是 B，结果会怎样"；
- 行动（Action）：把预测变成对数字或物理环境的干预，并让行动后的新观测反过来检验、修正模型。
这也是"视频生成 ≠ 世界模型"的论证：视频模型能回答"接下来画面可能是什么样"，但走向通用世界模型还要回答"如果我改变条件、移动物体、施加动作，世界会如何不同"——这类带行动条件的预测才触及因果、反事实和可执行决策。
五级路线图（L1–L5），用"一只被推到桌边的玻璃杯"串起来：
层级 名称 那只玻璃杯 检验标准 L1 生成世界 生成杯子滑落、撞击、碎裂的连续画面 生成轨迹是否连贯 L2 交互世界 用户改了视角、改变推动方向后，世界继续演化 世界能否持续响应 L3 在世界中行动 判断杯子是否要掉、预测伸手是否来得及，输出机器人真能执行的抓取动作 能否改变物理环境 L4 自主世界智能体 不再等人给指令：发现风险、主动观察、补充信息、失败后修正策略 能否主动探索与持续学习 L5 世界组织者 多主体协作：谁抓杯子、谁避障、谁调配工具，环境变化后重排任务 能否组织开放环境中的多主体协作 论文判断：现有系统已触及前三层，L4/L5 仍是开放问题。 主要缺口五项：因果与物理接地、持久记忆、在线学习、高效部署、安全控制。评测也要比较预测与真实结果，考察在陌生任务、环境和本体上的迁移能力。
数据金字塔（这是我最想记住的一张图）。底层是互联网规模视频（学世界知识与动态先验），向上依次是领域视频 → 第一视角人类视频 → 带动作记录的人类示范 → 顶层真实机器人交互数据。越往上越稀缺、成本越高，但动作、任务与机器人本体的对应关系越清楚。
对应的数据张力：互联网视频规模巨大但很少同步记录造成变化的动作、力量和意图；机器人轨迹能连接观测-动作-结果，采集成本却更高，也容易绑定具体硬件和任务。生数同时做两条产品线，正是为了让"视频提供世界知识的广度，机器人数据完成行动接地"。
MoT（Mixture-of-Transformers）架构：为什么不完全共享参数——传统模块化系统逐级传递信息，容易在接口处损失几何、时间和不确定性信息；但所有模态完全共享参数也可能造成训练冲突，让海量视频数据压制稀缺的机器人信号。MoT 的折中：不同模态保留各自专家参数，再通过共享注意力机制交换上下文。视觉说发生了什么，语言给目标与约束，动作带来干预，三类信息共同更新对世界的判断。MoT 只是统一计算的基础，物理规律、跨本体迁移、实时推理、安全控制仍需靠数据、训练与系统工程解决。
Motus2：一套参数、三个接口。它没把动作生成、未来模拟、结果评估做成三套独立系统，而是以一套共享参数的视频-动作模型暴露三种控制接口：
- 策略（Policy / World-Action Model）：提出可执行的候选动作；
- 模拟器（Simulator / Action-Conditioned World Model）：预测这些动作在视觉世界中可能造成的后果；
- 评估器（Evaluator / Value Model）：判断哪种结果更接近任务目标，并用于选择和改进。
原文的说法是"先心灵，再手巧"：不再看到物体直接给动作，而是先提几个候选、在模型里预演各自的画面与任务进度、再选更好的一步；执行后成功、失败和不那么理想的结果都不再是数据废料，而成为下一轮动力学建模与价值学习的证据。
Motus2 的训练数据分层：从单目第一视角视频扩展到同步双目第一视角数据，再用机器人数据完成本体适配。用约 13 万小时人类第一视角记录，以及超过 100 小时机器人轨迹与人机对齐数据。路径是"先让模型累积一份关于人如何与世界互动的共同经验，再让它通过机器人数据学习这具身体如何把理解变成动作"。
🎯 Motus2 的触觉专家（对我们最相关的一句）：“通过独立的轻量触觉专家，对即将执行的短动作进行细化，并预测接触后的力反馈。视觉擅长看清物体在哪里、世界大致如何变化，触觉则补上接触发生时最难的’最后一厘米’，让模型在’看得见’之外，对压、碰、抓、旋等细腻操作多一层即时校正。”
Motus2 仍处在 L3→L4 的延伸阶段：当前验证集中在特定机器人和操作任务；自主目标形成、持久记忆、开放环境泛化、长期在线学习、安全控制都还没探索。它的进展在于把策略生成、未来模拟、价值评估和触觉反馈放进同一套系统，让机器人能在行动前预演后果、行动后用结果改进策略。
两条 AGI 入口与中国版图：一类从语言出发（推理、Coding、Agent），另一类从视觉与动态世界出发（实时交互、具身行动）。智谱代表前者，生数代表后者（Vidu → 实时交互 Vidu S1 → 具身行动 Motus/Motubrain → 策略优化）。原文判断两者正在互相渗透：语言 Agent 需要视觉反馈和环境模型，世界模型也需要语言来表达目标、规则与计划。
金句
2026 年，「世界模型」是 AI 圈最没有共识的词之一。
一个系统究竟学到了视觉相关性、物理结构，还是行动与结果之间的关系，仅靠 Demo 很难回答。
视频模型可以回答接下来画面可能是什么样，但要走向通用世界模型，它还需要回答「如果我改变这个条件、移动这个物体、施加这个动作，世界会如何不同？」
越往上，数据越稀缺、成本越高，但动作、任务与机器人本体的对应关系也越清楚。
所有模态完全共享参数，也可能造成训练冲突，让海量视频数据压制稀缺的机器人信号。
机器人不再只是看到物体后直接给出一个动作，而是先提出几种候选方案，在模型中预演各自会带来的画面与任务进度，再选择更好的那一步。执行以后，成功、失败和不那么理想的结果也不再只是数据废料。
视觉擅长看清物体在哪里、世界大致如何变化，触觉则补上接触发生时最难的「最后一厘米」。
世界模型的竞争，最终会从 Demo 的震撼程度，转向系统经受反馈的能力。
模型理解了什么，能够想象多远，行动之后能否修正自己。
质疑与核查
- 这是机器之心的企业稿，生数科技的露出非常明显。 全文后半段就是生数产品线介绍（Vidu / Vidu S1 / Motus / Motubrain / Motus2），结尾还在讲"中国 AGI 产业版图"、智谱 vs 生数。朱军是生数的联合创始人，论文 PDF 挂在 shengshu.com 域名下。所以：这是一家公司用自己的框架讲自己的路线图，不是中立的领域综述。 它把三家并列（World Labs / LeCun / 朱军）看似公允，但只有第三家的内容被展开，前两家各占两行。
- 五级路线是自家提议，不是社区共识。 L1–L5 这套分级没有任何标准组织背书，也未见其他团队采用。“现有系统已触及前三层、L4/L5 仍是开放问题"这个判断是生数自己的定位，恰好把自己的 Motus2 放在"L3 向 L4 延伸"这个最有利的位置——既在已实现的区间里，又朝着未解决的方向。这类自我定位要打折读。
- 13 万小时 vs 100 小时，这个对比本身就是最大的折扣。 人类第一视角视频与机器人轨迹的比例是 1300:1。原文把它讲成"先积累共同经验、再学这具身体”，但换个说法就是：机器人侧的数据量小到不足以支撑它宣称的能力，所以必须靠人类视频兜底。 那么 Motus2 在陌生本体、陌生任务上的表现，边界应该由那 100 小时决定，而不是由 13 万小时决定。原文承认"当前验证主要集中在特定机器人和操作任务"，这是诚实的，但"主要集中在"的表述弱化了它的严重性。
- 触觉专家只有一句话，零数字。 “独立的轻量触觉专家，对即将执行的短动作进行细化，并预测接触后的力反馈”——没有说用什么传感器、多少维、多长时程、预测误差多少、在哪个任务上起多大作用、有没有消融。 在一个号称"把触觉反馈放进同一套系统"的框架里，触觉只得到一句话，这本身就说明了它的实际权重。我上面关联③、④ 的所有推论都建立在这一句上，必须回原文核实，不要拿这句当论据写进论文。
- “先心灵，再手巧"没有给代价。 Motus2 每步都要先提候选、预演、评估、再选——这在实时控制里是要花时间的。原文完全没提延迟，也没提预演几个候选、在什么控制频率下跑得动。对照我们已有的延迟预算表（PFD +13ms、Fast-WAM-Joint 3.05×、Zeno-1 整体 30Hz、DELE 87.5ms@4090），Motus2 缺的正是这个数。 没有它，“预演后选择"到底能不能进闭环是未知数。
- L4/L5 的定义有点空。 L4 是"发现风险、主动观察、补充信息、失败后修正”，L5 是"多主体协作与环境变化后重排任务”——这两条描述的是期望行为，不是可检验的能力定义，跟 L1–L3 那种"生成轨迹是否连贯 / 世界能否持续响应 / 能否改变物理环境"的可操作判据不在一个精度上。原文自己也说 L4/L5 仍是开放问题，但如果判据本身就没定义清楚，“开放问题"是必然的。
- 一个我没想通的地方：MoT 的理由是"防止海量视频压制稀缺机器人信号”，但 Motus2 又声称"一套共享参数暴露三种控制接口"。“共享参数"和"专家参数"的边界在哪？ 三种接口之间是完全共享，还是也走 MoT？原文没说清，而这一点直接决定"预演"这个能力的成本与 achievable 程度。
- 结尾那句"从 Demo 的震撼程度转向系统经受反馈的能力"说得好，但通篇没有给"经受反馈"的度量。 它说了要"比较预测与真实结果"“考察陌生任务环境与本体的迁移能力”，但没给指标。这是句漂亮话，不是评测方案。 对照医疗那篇（AUC + 人机对照 + 前瞻队列）和 HAND 那篇（四层敏感性链），这篇在评测的具体性上是最弱的——尽管它整篇都在谈评测。
本文为阅读剪藏（摘要 + 摘录 + 评论），非原文转载。查看原文