从ChatGPT到世界模型：李飞飞一天三篇论文，AI下半场开始了

No.0313

Science Partner

Bring you to the side of science

导 读

6月11日，李飞飞的World Labs在同一天悄悄上传了三篇技术论文到arXiv。没有发布会，没有CEO直播，没有吊足胃口的预热推文。三篇论文、代码链接、项目主页、Demo全部附上。

熟悉AI圈节奏的人会意识到这意味着什么：这家公司要出那口憋了快两年的气。

三篇论文的主题分别是深度感知与图像生成的统一、3D场景的可见域外几何预测、以及人体动态的4D重建，覆盖了空间智能这个赛道从底层表示到高层应用的三个关键环节。也让我们管窥到世界模式是什么，也知道这件事有多难。

走，跟伙伴君来！

今日主笔 | 恒意

从ChatGPT到世界模型：李飞飞一天三篇论文，AI下半场开始了

01. 一场被很多人低估的路线之争

要理解这三篇论文的意义，得先弄清楚一个问题：大语言模型（LLM）和世界模型（World Model），到底在争什么？

过去三年，ChatGPT的成功让“下一个词预测”这件事变成了全球最热门的投资主题。训练数据更多、参数更大、算力更强，模型就越聪明。这套逻辑驱动了数千亿美元的资本流向，也主导了整个AI行业的技术路线。

但“邪路”从2024年底就已经出现了。

OpenAI的联合创始人之一Ilya Sutskever在2024年12月的NeurIPS年会上领了一个“时间考验奖”，上台发言时说了一句被广泛截图的话“我们所知道的预训练将会终结”。他把互联网比作AI的石燃料，警告这种资源是有限的。这位亲手参与建造大语言模型体系的人，给自己的路线判了一个有条件的死刑。

Yann LeCun比Ilya早说了好几年，炮火也猛烈的多得多。这位2018年与Hinton、Bengio共享图灵奖的得主（三人后来撕了），在Meta担任首席AI科学家超过十二年，期间反复在公开场合宣称：大语言模型永远无法实现人类水平的推理，因为它们缺少一个对世界的内在模型。2025年11月，他宣布离开Meta，2025年12月正式确认创立AMI Labs（Advanced Machine Intelligence），目标只有一个：训练世界模型。

虽然方向相同，但李飞飞给出的是另一种表述。她在2026年6月3日那篇长文里写道：大语言模型学的是文本的统计规律，而世界模型学的是时空的统计规律，光怎么照在物体上，东西受力后怎么运动，空间里的遮挡关系如何变化。一个从未见过物理世界的系统，对“苹果从树上掉下来”的理解，永远只是一组词与词之间的条件概率。

说白了，这是一场关于AI的下一步到底是什么的根本性分歧。

02. 数据墙有多真实

批评LLM路线的人，最常拿出来说的论据是数据墙（Data Wall）。

这个概念的核心逻辑并不复杂：互联网上的高质量文本数据是有限的。Forbes在2026年3月的分析指出，某些研究机构预测，可公开获取的高质量文本数据最早可能在2029年前耗尽，这一拐点正在加速逼近。AI公司的应对方案是合成数据，即用AI自己生成训练数据再喂给自己。但Forbes的分析直白地说，这时候真正稀缺的是人类无法被合成替代的高信号数据：合成数据可以量产，但它无法复现人类思维中那些罕见、独特、有创造性的边缘样本，模型反复在自我生成的数据上训练，最终会退化成对均值的模糊近似。

世界模型这条路的回答是：绕开文本数据的瓶颈，从视觉、空间、物理交互中学习。三维世界的信息密度远高于文字，而且不会枯竭。

现实世界永远在产生新的数据。

TechCrunch在2026年5月的一篇报道里揭示了这条逻辑链的商业延伸：一家叫Origin Lab的初创公司刚刚完成800万美元融资，专门帮电子游戏公司把游戏资产转化成世界模型训练数据，客户直接锁定的就是AMI Labs和World Labs。数据稀缺的问题，整个行业都感受到了。

03. 三篇文章看World Labs在赌什么

从外部能观察到的动作来看，World Labs的打法相当激进。

这家公司2024年9月从隐身状态现身，融了2.3亿美元。2026年2月18日，它宣布完成10亿美元融资，投资方包括NVIDIA、AMD、Autodesk，其中Autodesk单笔投入2亿美元，并拿下了一个战略顾问席位。彭博此前报道该轮估值约为50亿美元。从隐身到估值50亿美元，不到18个月。

2026年4月，World Labs入选Forbes年度AI 50榜单，被定位为空间智能赛道的奠基型公司。

这周的三篇论文，本质上是在给World Labs的产品Marble补技术底座。Marble是2025年11月上线的第一款商业产品，核心是从文字、图像或视频生成可导航的三维世界，定价从免费到95美元/月四个档位。咱们就看看，这三篇都说了啥：

第一篇：Modality Forcing

解决的是“如何用同一个模型同时学会看图和估深度的问题，即把图像和深度信息统一到一个Diffusion Transformer（DiT）里训练，仅用稀疏的深度数据就让模型学会几何感知。关键数据：深度估计误差（AbsRel指标）比现有同类方法降低57%；从3.7亿参数扩展到33亿参数时性能持续提升，说明这条路线有效的Scaling性质。

第二篇：World Tracing

传统的3D重建只能重建相机能看到的部分，如被遮挡的物体背面、桌子底下的地板，全是盲区。World Tracing为每一个输入像素预测一个“有序3D点堆栈”，第一层是可见表面，后续层是被遮挡的几何面，让模型能够“猜”出视野之外的世界结构。这篇论文在arXiv上直接标注为World Labs Technical Report（技术公告）。

第三篇：Flex4DHuman

把一段普通的单目视频里的人物，变成可以从任意角度观看的4D高斯泼溅（4D Gaussian Splats）。不需要骨骼数据、不需要深度图，只需要相对相机位姿。怎么样，这个能力对游戏、AR/VR、影视制作的意义不言而喻了吧。

04. LeCun和李飞飞的路线是两回事

虽然都是做世界模型，大家也经常将Yan LeCun和李飞飞并提，但其实，有一个细节容易被忽略：他们走的其实不是同一条路，甚至在某些技术假设上是对立的。

LeCun主推的是联合嵌入预测架构（Joint Embedding Predictive Architecture，JEPA）。2026年2月4日，他在蒙特利尔MILA研究院举办的世界建模研讨会上做了一场主题演讲，题目直接叫“为什么世界模型需要用JEPA，而不是生成式架构”。JEPA的逻辑是：不生成原始图像或视频，只在压缩的抽象表示空间里做预测，避开高维感官数据的噪声问题。LeCun认为生成每一个像素是浪费，世界模型应该学的是抽象的因果结构，而不是表象的视觉细节，感觉他读了经书有没有，LoL。

2026年3月，AMI Labs宣布完成10.3亿美元融资，估值35亿美元，创下欧洲史上最大种子轮纪录。机构投资方包括Cathay Innovation、Greycroft等五家，天使投资人名单里有Tim Berners-Lee、Mark Cuban和Eric Schmidt。

World Labs走的则是生成式路线。这周三篇论文核心也都是生成。李飞飞在6月3日那篇分类文章里明确写道，能够生成符合物理规律的世界，是世界模型区别于其他AI系统的首要标志。

这两条细分路线谁对谁错，现在下结论还太早。但这个分歧本身很有意思：两个都在批评LLM的人，但对于接下来该怎么做的答案，是相当不一样的。

05. 这对真实世界意味着什么

如果用最简单的话来说，大语言模型改变了我们和信息打交道的方式，世界模型要改变的是机器和物理世界打交道的方式。

这不是一个抽象的哲学问题。机器人、自动驾驶、工业自动化、AR/VR内容生成，这些领域的瓶颈，几乎无一例外是机器无法理解三维空间和物理规律，而不是机器不够会说话。Forbes在2026年1月指出，AI的下一阶段正在向“从自身感知和经验中学习的系统”倾斜，这描述的正是世界模型的基本工作逻辑。

World Labs这三篇论文，技术细节扎实，工程取向明确，没有Anthropic和OpenAI那种颠覆一切的宏大叙事。但恰恰是这种低调，是不是反而成了判断一个技术团队是否真的在做事的正向信号？

当然，回到最开始”世界模型最终能不能打败大语言模型“？其实这个问题本身就问错了。更可能的结局是：LLM负责语言和推理，世界模型负责感知和空间，两者协同，共同构成下一代AI的骨架。

伙伴，你怎么看这个事儿？欢迎后台私信留言～

本文仅作科普分享使用，欢迎小伙伴们点、收藏、关注，以备不时之需，当然更欢迎您把 介绍给周边可能需要的更多伙伴们呀。