這半年來(lái)我陸續(xù)和不少做機(jī)器人與多模態(tài)方向的同行深聊過(guò)幾乎每次都會(huì)撞上同一個(gè)困惑大家明明討論的是同一類技術(shù)嘴里冒出來(lái)的詞卻很不一樣。有人張口閉口“世界模型”有人堅(jiān)定地管這叫“物理AI”還有人更愿意說(shuō)“具身智能的底座”甚至在某些場(chǎng)合“空間智能”“可交互的生成式模擬器”這類的提法也會(huì)跳出來(lái)。前陣子某場(chǎng)技術(shù)分享會(huì)臺(tái)上嘉賓剛講完“用世界模型做長(zhǎng)時(shí)序規(guī)劃”臺(tái)下就有觀眾直接追問(wèn)“你說(shuō)的這東西是不是就是物理AI”。兩個(gè)人來(lái)回掰扯了十幾分鐘最后發(fā)現(xiàn)聊的其實(shí)是同一套架構(gòu)里的同一塊模塊。這個(gè)現(xiàn)象挺有意思的。它不是某一個(gè)詞正確、另一個(gè)詞錯(cuò)誤的問(wèn)題而是整個(gè)領(lǐng)域還處在術(shù)語(yǔ)沒(méi)有收斂的階段。物理AI和世界模型之間的邊界、層級(jí)、側(cè)重點(diǎn)大家心里都有自己的理解但誰(shuí)也說(shuō)服不了誰(shuí)。作為從業(yè)者我覺(jué)得這件事本身就很值得拆開(kāi)聊一聊為什么會(huì)出現(xiàn)兩個(gè)主流叫法它們各自代表了什么名字亂這種狀態(tài)對(duì)我們的實(shí)際工作又會(huì)造成哪些真實(shí)影響這篇內(nèi)容我就以自己在項(xiàng)目中的觀察和體會(huì)來(lái)說(shuō)一說(shuō)。1. 先從“名字之爭(zhēng)”這個(gè)現(xiàn)象聊起1.1 同一個(gè)方向兩套流行話術(shù)過(guò)去兩年里行業(yè)里最熱的兩個(gè)技術(shù)表述一個(gè)來(lái)自偏學(xué)術(shù)和仿真的一側(cè)一個(gè)來(lái)自偏產(chǎn)品和硬件落地的一側(cè)。“世界模型”這個(gè)詞在學(xué)術(shù)圈、深度學(xué)習(xí)社區(qū)里明顯更流行因?yàn)樗趶?qiáng)化學(xué)習(xí)、認(rèn)知科學(xué)、視頻預(yù)測(cè)這些方向上有很長(zhǎng)一段歷史脈絡(luò)研究者叫起來(lái)順口。而“物理AI”這個(gè)說(shuō)法更多出現(xiàn)在產(chǎn)業(yè)發(fā)布、投資分析、高層戰(zhàn)略里它想強(qiáng)調(diào)的是“AI不能只活在數(shù)據(jù)中心里得走進(jìn)物理世界去干活”。兩種話術(shù)覆蓋的人群高度重合但情緒和敘事完全不同。說(shuō)“世界模型”的人突出的是模型本身的預(yù)測(cè)能力和泛化潛力。說(shuō)“物理AI”的人突出的是機(jī)器人、自動(dòng)駕駛、工業(yè)自動(dòng)化這些場(chǎng)景的最終效果。用同一個(gè)技術(shù)棧卻用不同的話術(shù)去包裝這在快速演進(jìn)的技術(shù)領(lǐng)域太常見(jiàn)了。1.2 為什么我會(huì)特別在意這種混亂如果你只是在文章里讀讀概念術(shù)語(yǔ)怎么叫都無(wú)所謂。真正頭疼的是當(dāng)你帶著具體任務(wù)去查資料、做方案、給團(tuán)隊(duì)分工的時(shí)候就會(huì)發(fā)現(xiàn)同一個(gè)概念居然對(duì)應(yīng)著好幾種叫法而你按其中一個(gè)詞去搜論文會(huì)漏掉大量關(guān)鍵工作。比如“世界模型”方向的關(guān)鍵工作可能被作者標(biāo)注為“l(fā)atent dynamics model”“neural simulator”“l(fā)earned environment model”之類更細(xì)分的名字而“物理AI”相關(guān)的落地系統(tǒng)也可能被叫做“robot foundation model”或者“embodied policy”。這種不一致直接抬高了入門門檻。一個(gè)新人想了解這個(gè)方向光是把名字對(duì)應(yīng)的關(guān)系搞清楚就得花掉不少時(shí)間。我甚至見(jiàn)過(guò)有團(tuán)隊(duì)因?yàn)閷?duì)術(shù)語(yǔ)理解不一致在項(xiàng)目立項(xiàng)會(huì)上爭(zhēng)論了整整一輪最后發(fā)現(xiàn)大家想做的事情其實(shí)完全一樣。所以“名字還沒(méi)收斂”不只是一個(gè)語(yǔ)言現(xiàn)象它實(shí)實(shí)在在影響著我們的溝通效率、資源投入和技術(shù)判斷。2. 兩個(gè)核心概念到底分別指什么2.1 世界模型源遠(yuǎn)流長(zhǎng)的“環(huán)境模擬器”世界模型這個(gè)想法在認(rèn)知科學(xué)和心理學(xué)里很早就有雛形了。人之所以能在腦內(nèi)預(yù)演、想象、做計(jì)劃就是因?yàn)樵诖竽X里維護(hù)了一個(gè)關(guān)于外部世界的內(nèi)部模型。后來(lái)這個(gè)想法被引入到強(qiáng)化學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)研究里變成一套更具體的建模思路讓模型從觀測(cè)中學(xué)習(xí)環(huán)境的動(dòng)態(tài)規(guī)律能夠在沒(méi)有真實(shí)環(huán)境交互的情況下預(yù)測(cè)下一步的狀態(tài)、獎(jiǎng)勵(lì)、場(chǎng)景變化。在今天的大模型時(shí)代世界模型的形態(tài)也變得更多樣。有的工作把它做成自回歸的視頻生成器輸入一幀圖像和動(dòng)作指令模型就生成后續(xù)多幀畫面相當(dāng)于一邊“腦補(bǔ)”一邊做規(guī)劃。也有工作把它做成隱空間里的動(dòng)力學(xué)模型不直接生成像素而是學(xué)一套緊湊的表征然后在這個(gè)表征空間里做推理和搜索。從本質(zhì)上看世界模型承擔(dān)的角色是“可學(xué)習(xí)的物理模擬器”而且這個(gè)模擬器不是人為寫死規(guī)則的而是從數(shù)據(jù)里自己長(zhǎng)出來(lái)的。2.2 物理AI強(qiáng)調(diào)“進(jìn)入真實(shí)世界干活”物理AI這個(gè)說(shuō)法我更傾向于把它理解成一個(gè)產(chǎn)業(yè)級(jí)的目標(biāo)定義而不是一個(gè)嚴(yán)格的學(xué)術(shù)概念。它的核心意思是讓AI系統(tǒng)不僅能在數(shù)字世界里識(shí)別、生成、推理還能在真實(shí)的物理環(huán)境中感知、決策、執(zhí)行。典型場(chǎng)景包括機(jī)器人在倉(cāng)庫(kù)里抓取物品、機(jī)械臂在產(chǎn)線上裝配零件、自動(dòng)駕駛汽車在城市道路上行駛甚至是四足機(jī)器人在野外復(fù)雜地形中行動(dòng)。和世界模型相比物理AI更關(guān)心一個(gè)非常樸素的問(wèn)題你造出來(lái)的這套系統(tǒng)放到真實(shí)的物理環(huán)境里到底能不能可靠地完成任務(wù)溫濕度、摩擦系數(shù)、光照變化、機(jī)械磨損、傳感器噪聲這些在數(shù)字世界里被忽略的因素在物理AI的視角下全部變成頭等大事。也因此物理AI的敘事里經(jīng)常帶著“數(shù)字孿生”“仿真到真實(shí)遷移”“具身智能”這些詞它們都是圍繞“落地”這個(gè)核心來(lái)組織的。2.3 讓人頭大的是它們的交集與邊界兩套術(shù)語(yǔ)最?yuàn)W妙的地方在于不是完全重疊也不是完全無(wú)關(guān)而是高度相關(guān)但各有側(cè)重。世界模型可以服務(wù)于物理AI它給AI提供“內(nèi)部模擬”的能力讓系統(tǒng)在動(dòng)真格之前先在腦子里過(guò)一遍。物理AI也可以反哺世界模型的研究真實(shí)機(jī)器人采集的數(shù)據(jù)、多模態(tài)的交互經(jīng)驗(yàn)恰好是世界模型最需要的訓(xùn)練素材。它們像兩塊咬合的齒輪轉(zhuǎn)起來(lái)誰(shuí)也離不開(kāi)誰(shuí)。問(wèn)題在于不同的人會(huì)把其中一個(gè)概念提升到更高的層級(jí)。有人覺(jué)得世界模型是物理AI的核心部件物理AI是更大的框架有人覺(jué)得物理AI只是世界模型的一種應(yīng)用場(chǎng)景世界模型才是那個(gè)根本性的科學(xué)問(wèn)題。這兩種層級(jí)關(guān)系恰好相反的理解會(huì)直接影響到一個(gè)團(tuán)隊(duì)決定先投入資源做數(shù)據(jù)采集還是先投入資源做大規(guī)模預(yù)訓(xùn)練。名字背后的優(yōu)先級(jí)判斷比表面上看起來(lái)要沉重得多。3. 名字之爭(zhēng)背后爭(zhēng)的到底是什么3.1 學(xué)術(shù)傳統(tǒng)不同話術(shù)就不同學(xué)術(shù)圈偏愛(ài)“世界模型”是有原因的。這個(gè)術(shù)語(yǔ)有明確的學(xué)術(shù)血統(tǒng)過(guò)去幾十年的研究一脈相承從早期的認(rèn)知地圖、內(nèi)部模型到后來(lái)的模型預(yù)測(cè)控制、基于模型的強(qiáng)化學(xué)習(xí)再到如今的大規(guī)模視頻預(yù)測(cè)模型每一步都有文獻(xiàn)可以追溯。學(xué)術(shù)寫作講究引用鏈清晰、術(shù)語(yǔ)有據(jù)可查“世界模型”恰好都滿足。對(duì)于做研究的團(tuán)隊(duì)來(lái)說(shuō)用這個(gè)詞能更好地融入已有的學(xué)術(shù)對(duì)話不必從頭解釋概念邊界。而“物理AI”在學(xué)術(shù)論文里使用時(shí)會(huì)比較尷尬。它太大、太像愿景了一般論文題目里如果帶上它審稿人反而會(huì)問(wèn)“你的方法具體在哪里體現(xiàn)了物理性”。所以在期刊和會(huì)議論文里作者更愿意使用“世界模型”“神經(jīng)模擬器”這類操作性更強(qiáng)的詞。但這并不代表物理AI在學(xué)術(shù)圈沒(méi)有市場(chǎng)很多交叉團(tuán)隊(duì)和研究院在對(duì)外宣傳時(shí)反而偏愛(ài)它因?yàn)樗芤痪湓捴v清楚團(tuán)隊(duì)的使命這對(duì)爭(zhēng)取資源很有幫助。3.2 產(chǎn)業(yè)敘事的落點(diǎn)完全不同產(chǎn)業(yè)界說(shuō)話辦事更看重溝通成本和商業(yè)閉環(huán)。如果一個(gè)CEO說(shuō)“我們?cè)谧鍪澜缒Ｐ汀蓖顿Y人第一反應(yīng)可能是“這能賺錢嗎離落地有多遠(yuǎn)”但如果換成“我們?cè)谧鑫锢鞟I讓機(jī)器人在真實(shí)產(chǎn)線上干活”投資人的代入感馬上就不一樣了。物理AI一詞天然帶“物理世界執(zhí)行”的暗示是典型的場(chǎng)景先導(dǎo)式表達(dá)很適合用來(lái)講商業(yè)故事。世界模型則更偏“能力先導(dǎo)”的表達(dá)。它強(qiáng)調(diào)的是系統(tǒng)擁有對(duì)世界的理解、想象和預(yù)測(cè)能力至于這種能力具體用來(lái)做機(jī)器人還是做視頻生成可以由后續(xù)的落地產(chǎn)品去定義。這種表達(dá)更適合技術(shù)平臺(tái)型的公司因?yàn)榈讓幽芰梢宰龊芏喾较虿患庇诮壎▎我粓?chǎng)景。你會(huì)發(fā)現(xiàn)做芯片和硬件平臺(tái)的公司更傾向于講物理AI做算法平臺(tái)和模型層的公司更傾向于講世界模型這兩者的商業(yè)路徑本身就不同詞的選擇自然也分叉。3.3 目標(biāo)用戶不同叫法自然分叉另一個(gè)有意思的維度是術(shù)語(yǔ)是講給誰(shuí)聽(tīng)的如果你的目標(biāo)用戶是機(jī)器人開(kāi)發(fā)者和工廠集成商那么“物理AI”幾乎就是最優(yōu)解。這個(gè)詞一出來(lái)用戶就知道你是來(lái)解決真實(shí)環(huán)境問(wèn)題的不需要額外解釋“什么叫物理性”。反過(guò)來(lái)如果你的目標(biāo)用戶是算法工程師、研究員、AI平臺(tái)開(kāi)發(fā)者那么“世界模型”更能精準(zhǔn)傳達(dá)你的技術(shù)屬性因?yàn)樗苋菀鬃屗麄兟?lián)想到生成模型、強(qiáng)化學(xué)習(xí)、表征學(xué)習(xí)這一套工具鏈。觀察業(yè)界其實(shí)會(huì)發(fā)現(xiàn)同一個(gè)團(tuán)隊(duì)對(duì)外和對(duì)內(nèi)使用的話術(shù)都可能不一樣。對(duì)內(nèi)的技術(shù)文檔里寫“世界模型”對(duì)外的發(fā)布會(huì)提“物理AI”這并不說(shuō)明他們立場(chǎng)模糊而是兩種語(yǔ)境下的受眾接受度不同。我個(gè)人的判斷是名字之爭(zhēng)短時(shí)間不會(huì)有一個(gè)標(biāo)準(zhǔn)答案除非某一天某一個(gè)詞在產(chǎn)業(yè)和學(xué)術(shù)兩個(gè)維度都取得統(tǒng)治性地位否則兩種敘事會(huì)繼續(xù)共存很長(zhǎng)一段時(shí)間。4. 術(shù)語(yǔ)不收斂到底帶來(lái)了哪些真實(shí)麻煩4.1 論文檢索時(shí)真的會(huì)漏掉關(guān)鍵信息我先說(shuō)最直接的影響。如果你想調(diào)研世界模型在機(jī)器人規(guī)劃中的應(yīng)用只拿“world model”去搜你確實(shí)能搜到一批結(jié)果但會(huì)漏掉大量用“l(fā)atent dynamics”“model-based RL”“predictive model”表述的工作。反過(guò)來(lái)如果你拿“physical AI”去搜真正的學(xué)術(shù)成果反而很少因?yàn)榇蟛糠窒嚓P(guān)論文用的是“embodied AI”“robot learning”“sim-to-real transfer”這些更細(xì)分的詞。這個(gè)問(wèn)題的本質(zhì)是一個(gè)交叉領(lǐng)域的成果散落在多個(gè)相鄰子領(lǐng)域的術(shù)語(yǔ)體系里。對(duì)于剛?cè)腴T的人來(lái)說(shuō)這種狀態(tài)非常不友好你可能花了很多時(shí)間閱讀卻依然拼不出一個(gè)完整的技術(shù)地圖。我現(xiàn)在的做法是把幾條檢索詞鏈同時(shí)鋪開(kāi)各自搜索后再做交叉去重和歸類雖然麻煩但至少不容易漏掉重大問(wèn)題。4.2 團(tuán)隊(duì)溝通每天都在現(xiàn)場(chǎng)“翻譯”名字不統(tǒng)一最直接受影響的就是團(tuán)隊(duì)協(xié)作。做機(jī)器人控制的人聊起世界模型腦子里想的可能是“用模型預(yù)測(cè)未來(lái)狀態(tài)然后做MPC規(guī)劃”做多模態(tài)大模型的人聊起世界模型想的可能是“一個(gè)大規(guī)模視頻生成器”。這兩者雖然有關(guān)系但工程架構(gòu)、訓(xùn)練資源、評(píng)測(cè)方式完全不同。如果大家在同一個(gè)會(huì)議室里使用同一個(gè)詞卻各自帶著完全不同的語(yǔ)境討論的效率會(huì)非常低。我在實(shí)際項(xiàng)目里遇到的情況是算法團(tuán)隊(duì)和仿真團(tuán)隊(duì)對(duì)“世界模型”的職責(zé)邊界產(chǎn)生過(guò)明顯分歧。仿真團(tuán)隊(duì)認(rèn)為世界模型應(yīng)該提供像素級(jí)逼真的交互環(huán)境供策略訓(xùn)練使用算法團(tuán)隊(duì)則認(rèn)為世界模型只需要在抽象表征層面做預(yù)測(cè)不需要渲染出畫面。兩邊對(duì)著同一個(gè)詞吵了很長(zhǎng)時(shí)間最后發(fā)現(xiàn)其實(shí)是“世界模型”這個(gè)詞承載了太多顆粒度不同的期望。后來(lái)我們?cè)谖臋n里強(qiáng)制區(qū)分“渲染型世界模型”和“規(guī)劃型世界模型”討論立刻順暢了很多。4.3 招聘、評(píng)審和合作也被帶偏術(shù)語(yǔ)混亂的影響還會(huì)蔓延到更現(xiàn)實(shí)的事務(wù)中。比如招聘時(shí)一個(gè)崗位JD里寫“世界模型方向”投遞簡(jiǎn)歷的大概率是做過(guò)生成模型和表征學(xué)習(xí)的人如果寫“物理AI方向”吸引的則更可能是做過(guò)真機(jī)實(shí)驗(yàn)、有硬件經(jīng)驗(yàn)的人。但很多團(tuán)隊(duì)兩者都缺用一個(gè)詞去招人很可能漏掉另一類關(guān)鍵候選人。項(xiàng)目評(píng)審和跨團(tuán)隊(duì)合作也一樣。評(píng)審專家如果是從“世界模型”背景來(lái)理解項(xiàng)目關(guān)注點(diǎn)會(huì)落在模型泛化性、長(zhǎng)時(shí)序預(yù)測(cè)能力上如果是從“物理AI”背景來(lái)理解關(guān)注點(diǎn)則會(huì)落在真實(shí)世界測(cè)試、域遷移、安全邊界上。同樣的技術(shù)方案在不同話語(yǔ)體系里得到的評(píng)價(jià)可能截然不同。這也是為什么很多人現(xiàn)在會(huì)在PPT和文檔里同時(shí)標(biāo)注兩個(gè)概念把“物理AI世界模型”或“世界模型物理AI”配一個(gè)括號(hào)來(lái)保證不同背景的人都能快速對(duì)齊。5. 我的應(yīng)對(duì)方法不做“術(shù)語(yǔ)警察”只做“底層對(duì)齊”5.1 回到問(wèn)題本身去定義面對(duì)這種術(shù)語(yǔ)亂局用處最大的一個(gè)習(xí)慣是先不急著貼標(biāo)簽而是先回答“我們要解決什么問(wèn)題”。如果問(wèn)題是“機(jī)器人從未知環(huán)境中學(xué)習(xí)并完成長(zhǎng)時(shí)序任務(wù)”那它既可以是物理AI問(wèn)題也可以是世界模型問(wèn)題具體叫什么取決于你要向誰(shuí)匯報(bào)、和誰(shuí)協(xié)作。如果問(wèn)題進(jìn)一步細(xì)化成“學(xué)習(xí)一個(gè)可遷移的動(dòng)力學(xué)模型用于規(guī)劃”那這個(gè)時(shí)候“世界模型”才開(kāi)始站穩(wěn)腳跟。我在內(nèi)部討論中會(huì)刻意把討論錨定在功能模塊和評(píng)價(jià)指標(biāo)上而不是錨定在術(shù)語(yǔ)上。先把模型輸入輸出、訓(xùn)練數(shù)據(jù)、評(píng)測(cè)基準(zhǔn)說(shuō)清楚再用術(shù)語(yǔ)去命名就只是走個(gè)形式。很多時(shí)候爭(zhēng)執(zhí)的雙方并不是對(duì)技術(shù)有分歧而是對(duì)“該用什么詞表達(dá)技術(shù)”有分歧這類問(wèn)題不解決其實(shí)也不影響做事。5.2 給自己建一張術(shù)語(yǔ)映射表因?yàn)楣ぷ餍枰艺砹艘粡堊约旱膬?nèi)部映射表把常見(jiàn)的術(shù)語(yǔ)按“能力側(cè)”和“場(chǎng)景側(cè)”分開(kāi)。能力側(cè)包括世界模型、神經(jīng)模擬器、隱空間動(dòng)力學(xué)模型、前向模型它們的共同特征是“預(yù)測(cè)未來(lái)、模擬環(huán)境”。場(chǎng)景側(cè)包括物理AI、具身智能、空間智能、機(jī)器人基礎(chǔ)模型它們的共同特征是“在真實(shí)物理世界中感知并行動(dòng)”。實(shí)際工作中遇到一個(gè)表述我會(huì)先判斷它說(shuō)的是能力還是場(chǎng)景再判斷它內(nèi)部的細(xì)分顆粒度。這張表不需要很精密但非常實(shí)用。至少它能讓我在看到那些用詞天花亂墜的論文、項(xiàng)目方案、會(huì)議報(bào)告時(shí)不至于被繞暈。它也能幫我判斷哪些工作是真的在建模環(huán)境動(dòng)態(tài)哪些只是在炒作概念。語(yǔ)言可以混亂但底層技術(shù)路線必須要能看清楚。5.3 用評(píng)測(cè)和落地場(chǎng)景當(dāng)“錨點(diǎn)”術(shù)語(yǔ)再怎么變有一個(gè)東西相對(duì)穩(wěn)定那就是評(píng)測(cè)基準(zhǔn)和真實(shí)落地效果。你說(shuō)你做了世界模型那就在仿真環(huán)境里跑一組長(zhǎng)時(shí)序預(yù)測(cè)任務(wù)輸出連續(xù)幀預(yù)測(cè)誤差和規(guī)劃成功率。你說(shuō)你做了物理AI系統(tǒng)那就在真實(shí)機(jī)器人上測(cè)一組抓取成功率和任務(wù)完成時(shí)間。拿指標(biāo)說(shuō)話很多“名字之爭(zhēng)”自然就淡了。我個(gè)人的體會(huì)是處于術(shù)語(yǔ)未收斂階段的領(lǐng)域恰恰說(shuō)明它正處在快速生長(zhǎng)的早期。如果哪天“物理AI”和“世界模型”的概念邊界被徹底定義清楚、術(shù)語(yǔ)最終收斂了那反而意味著這個(gè)領(lǐng)域已經(jīng)進(jìn)入穩(wěn)定期、競(jìng)爭(zhēng)格局已經(jīng)固化。對(duì)我們做技術(shù)的人來(lái)說(shuō)與其糾結(jié)用哪個(gè)詞不如在窗口期多積累一些實(shí)操經(jīng)驗(yàn)、多跑通幾個(gè)真實(shí)場(chǎng)景然后把選擇術(shù)語(yǔ)的自由留給市場(chǎng)和后續(xù)的歷史定名。這樣等這波技術(shù)浪潮沉淀下來(lái)的時(shí)候我們手里握著的至少是實(shí)打?qū)嵉南到y(tǒng)能力而不只是一個(gè)聽(tīng)起來(lái)響亮但定義模糊的名詞。