AGI之路，終于交匯到了世界模型的戰場。

李飛飛，發布了旗下首款商用世界模型Marble；

幾乎同一時間，Lecun離職Meta，準備創立自己的世界模型公司；

在此之前，谷歌旗下的世界模型Genie 3，也曾掀起業界轟動。

AI界三股大佬力量，雖然同樣進軍世界模型，卻意味著三種截然不同的技術路線賭注——

世界模型之爭

李飛飛剛剛為空間智能舉大旗的萬字長文發布，她旗下的創業公司World Labs，就緊鑼密鼓推出了首款商用世界模型Marble。

業界普遍認為Marble有商業化潛力，是因為它生成的是持久的、可下載的3D環境。

團隊表示，這種方式能顯著減少場景變形和細節不一致的問題，而且還能把生成的世界導出成高斯斑點、Mesh網格，甚至直接導出視頻。

更進一步，Marble還內置一個原生的AI世界編輯器Chisel，用戶只需一句提示，就能按自己的想法自由改造世界。

對于做VR或游戲的開發者來說，「一句提示→直接生成3D世界→一鍵導出到Unity」這樣的鏈路，非常有幫助。

然而，Hacker News的一名機器學習工程師指出，比起所謂的世界模型，Marble看起來更像是一個單純的3D渲染模型。

這難道不就是高斯Splat模型嗎？我在AI行業干了這么久，到現在都還是搞不明白「世界模型」里的「世界」究竟指什么。

Reddit網友的說法則更加直接：

用高斯散射、深度和圖像修復把圖片轉成3D環境，確實很酷，但這就是一套3D高斯生成流水線，不是機器人的大腦。

這里的高斯潑濺，指的是近幾年3D建模里最火的一類新技術。

它把一個場景表示成成千上萬個漂浮在空間中的彩色模糊小斑點（也就是高斯），再把這些斑點「潑濺」到屏幕上，讓它們自然融合成一張圖像。

可以這么理解：高斯就像一個漂浮在三維空間里、半透明、帶光暈、邊緣柔軟的小氣泡。

單個氣泡當然軟乎乎的成不了形，但如果成千上萬個這樣的氣泡聚在一起，再從不同角度渲染出來，就能組合出一幅精美的三維畫面。

這樣做，不需要像傳統攝影測量那樣走復雜的建模流程，雖然犧牲了一些精度，但速度極快，而且操作更輕松。

Marble采取的正是這樣一種路徑。

然而，這也意味著，Marble可能并不是大家想的那種、可以直接用于機器人訓練的「世界模型」。

Marble確實構建了一個完整世界，但我們看到的其實只是一個能被渲染器直接轉成像素的視圖。

換句話說，它捕捉的是「表面是什么樣子」，而并沒有內置「這個世界為什么會這樣運作」的物理規律。

這對于人來說是完全夠用了，但對于機器人來說，重要的其實不是這些視覺信息，而是背后的因果結構——

比如，一放在斜坡上的球會滾下來，這對人類來說是看一眼就懂的事；

但機器人想做出類似判斷，還需要質量、摩擦、速度……這些信息在Marble里根本不存在。

或許正是因為如此，在Marble自己的博客上，雖然屢屢提及「世界模型」與「導出高斯散射體、網格和視頻」，但幾乎完全沒有提到機器人。

不過在商業化層面，Marble明顯更具優勢。

相比起被AI圈熱議的那類、可孕育具身智能世界模型，Marble已經不是一個遙遠的概念，而是一款能夠立刻融入游戲開發者日常工作流程的實用工具。

但這也不禁令人有些黯然，難道那條能通往AGI的「世界模型」之路，只是個噱頭嗎？

當然不是。

確實存在能與機器人真正互動的世界模型，比如——LeCun的JEPA。

LeCun理解的「世界模型」，根子并不在3D圖形學，而是在控制理論和認知科學。

它不需要輸出漂亮的畫面，因為你根本「看不到」這種世界模型。

這類世界模型的任務，不是渲染精美的像素，是讓機器人能提前想幾步，學會在行動前預判世界的變化。

JEPA走的正是這條路——

LeCun認為，對于AI來說，只有中間那個抽象表征才重要，模型沒必要浪費算力去生成像素，只需專注于捕捉那些能用于AI決策的世界狀態。

所以，這類模型雖然沒法像Marble那樣生成精致的3D圖像，看上去不那么「驚艷」，但它更像是在訓練機器人的「大腦」。

其優勢在于對世界更本質的理解，因此，更適合作為機器人的健身房。

這么一對比，李飛飛和LeCun在「世界模型」上的路線幾乎南轅北轍——

前者做的是一個前端資產生成器；后者則更像一個后端預測系統。

而在這二位神仙打架的中間，還站著一位科技巨頭——谷歌。

今年8月，谷歌DeepMind推出了新版世界模型，這就是Genie 3。

只需一句Prompt，模型就能生成一個可交互的視頻環境，用戶可以在其中自由探索數分鐘。

最令人印象深刻的是，Genie 3首次在這一類模型中解決了長時一致性的問題——不會再出現那種「轉個身整棟樓消失」的狀況。

同時，它還支持觸發世界事件，比如「開始下雨」「夜幕降臨」等，整個過程就像一款由模型而非傳統引擎驅動的電子游戲。

不過，Genie應該更像一款「世界模型式視頻生成器」。

盡管Genie 3讓「世界動了起來」，它的核心仍然是視頻邏輯，而非JEPA那種基于物理和因果的邏輯。

也就是說，它雖然可以生成動態畫面，但也不能完全「理解」這些畫面背后的物理規律。

依然可以用于機器人訓練，但不如JEPA那樣直擊本質。

與此同時，畫面質量和分辨率也有限，難以與Marble那種高精度、可導出的3D資產相提并論。

綜上來看，三種「世界模型」雖然都在描繪「世界」，但理解路徑完全不同，也因此各有千秋——

Marble渲染「世界長什么樣」，Genie 3展示「世界怎么變」，JEPA則探究「世界的結構是什么」。

而市面上幾乎所有的「世界模型」，大致也都可歸入這三種范式：

世界模型金字塔

第一種：世界模型即界面

以Marble為代表，它讓人們能夠從文字或二維素材，直接生成可編輯、可分享的三維環境。

在這種模式下，「世界」是呈現在VR頭顯、顯示器或電腦屏幕上的那片可供人觀看與游走的空間。

第二種：世界模型即模擬器：

以Genie 3為代表，這類模型能生成連續、可控制的視頻式世界，讓智能體在其中反復嘗試、失敗、再嘗試。

像SIMA 2這樣的智能體，便可把這類世界當作「虛擬健身房」。

第三種：世界模型即認知框架

以JEPA為代表，這是一種高度抽象的形式，沒有像前兩種一樣可供人欣賞的畫面。

在這里，關注點不在于渲染，「世界」以潛在變量和狀態轉移函數的形式呈現，可以說是機器人完美的訓練基地。

在智源學者趙昊看來，其實可以將三者拼裝為一個「世界模型金字塔」——

自下而上依次是李飛飛、Genie 3、Lecun。

站在地面仰望這座金字塔：

越往上，模型越抽象、也越貼近AI的思維方式，因此更適合用于機器人訓練與推理；

越往下，模型在外觀、交互與可視化等方面對人類來說更真實，但卻更難被機器人理解。