Momenta获贝莱德比亚迪加持 领跑高摩擦世界模型路线

Momenta获贝莱德与比亚迪加持 领跑高摩擦世界模型路线 由于物理世界数据获取成本高且不容忍任何幻觉，2026年中世界模型的GPT时刻尚未到来，未来将因高壁垒的垂直场景数据而呈现割裂竞争格局。 随着大语言模型在数字世界的格局逐渐清晰，AI正加速迈向物理世界。节目深入探讨了“世界模型”作为物理AI核心底座的崛起背景，并结合李飞飞老师的分类体系（Taxonomy）将其拆解为渲染器、仿真器和规划器三大融合流派。通过剖析自动驾驶公司Momenta的招股书与R7模型三层架构，节目指出世界模型虽有Scaling Law，但面临着更贵、更慢、数据密度更低的高摩擦现实，目前整体仍处于GPT-2的破晓前夜，未来将呈现场景割裂与渐进式演进的格局。 2026年AI行业迎来“物理AI”新叙事，世界模型被视作核心底座；随着大语言模型格局趋于明朗，顶尖科学家纷纷创办“New Labs”，推动单笔融资门槛升至数亿美元。 (7:34) 李飞飞将世界模型归纳为渲染器、仿真器与规划器三大流派，当前最重要的行业演进趋势是这三条技术路线正在快速融合，以打通从视觉呈现到物理因果推演的全链路。 (11:39) 相比文本模型，世界模型面临的是数据获取昂贵且语义信息密度更低的“高摩擦版本”Scaling Law，截至2026年中在大泛化场景尚未出现涌现，仍处于类似“GPT-2”的探索阶段。 (24:24) 顶尖研究力量在技术路线上分化为潜在空间预测派（V-JEPA）、多模态演进派与3D空间表征派；自动驾驶公司Momenta则依托量产车落地构建起“多车-多数据-强模型”的数据飞轮，成为物理AI的商业样本。 (33:11)

主讲人明浩认为，尽管资本市场与前沿机构正将重心从大语言模型转向“物理AI”与世界模型，但受制于真实世界数据的高昂成本、极低容错率与低信息密度，世界模型目前仍处于类似“GPT-2”的早期阶段，其演进遵循的是一种高摩擦的规模法则（Scaling Law）。 资本转向与物理AI新叙事 随着大语言模型格局逐渐成熟，头部公司如 OpenAI、Anthropic 估值迈向万亿美元，早期风险投资已难以切入纯语言模型赛道，资金与顶尖人才开始集中涌向以“物理AI”为核心的世界模型。据 Menlo Ventures 统计，约 63 家由 Ilya Sutskever、李飞飞、Yann LeCun 等科学家领衔的“New Labs”已筹集数百亿美元，Menlo 自身新一期基金也大幅超募至 30 亿美元。投资人甚至形容每天至少收到一份世界模型商业计划书，热度堪比当年的加密货币市场。 世界模型的三大流派与认知局限 李飞飞指出，大语言模型仅在符号层面统计文本规律，缺乏对光影、几何、摩擦力与流体等物理现实的观察。真正的世界模型必须回答“施加动作后接下来会发生什么”，目前主要分为三类：追求视觉逼真的渲染器（如视频模型）、符合几何与动力学状态的仿真器，以及能够决策并输出动作的规划器。当前行业趋势是三者走向融合，但影视飓风在 AI 中抛硬币得出超 70% 正面概率的实验表明，仅凭表面视觉生成的模型仍深陷数据偏见与巧合学，尚未具备严格的物理因果推演能力。 高摩擦规模法则与信息密度困境 大语言模型压缩的是人类文本知识，而世界模型必须压缩物理世界的运行规律。二者核心差异在于数据获取与信息密度：文本表述“司机急刹避让”仅有数十字，而若用传感器记录这几秒，数据体量极大但核心事实信息密度极低。每一条物理交互数据都需要硬件、场地、合规与人力成本，导致物理世界的 Scaling Law 呈现出更贵、更慢的高摩擦特征。此外，语言预测失误仅表现为模型幻觉，而物理世界的预测错误直接关乎现实碰撞与生命安全，极度苛刻的容错率阻碍了通用智能的突然涌现。 垂直落地壁垒与商业样本验证 相较于纯烧钱的科研实验室，垂直领域自动驾驶企业展现出不同的生存逻辑。以通过港交所聆讯的 Momenta 为例，其搭载车辆超 90 万台，在第三方独立方案中市占率超 65%，与全球前十大车企中的 9 家合作。其多元车型与地域数据构成了防过拟合的飞轮。财务上，其营收由 2023 年的 7 亿多元增至 2025 年的 20 余亿元，毛利率升至 71.6%，验证了从项目制向软件许可的商业过渡。在其 R7 架构中，系统通过“预训练基础物理认知、仿真闭环测试长尾、强化学习超越人类决策”的三层体系，将自动驾驶演进为世界模型的具象商业实体。 主讲人判断，截至 2026 年中，大众级、零门槛且高通用的物理世界“GPT时刻”并未到来。由于自动驾驶、机器人和工业仓储等垂直场景间存在坚固的数据壁垒，世界模型未来难以被极少数寡头完全垄断，更可能在底层共享空间表征的基础上，由跑通商业正循环与数据飞轮的垂类场景公司实现渐进式突破。

物理AI 世界模型 [2:26] 明浩: 在AI里抛硬币概率是50%吗？ [2:26] 王天凡: 目前看来主流基金有几个合伙人，就有几个主流融资的世界模型项目。 [2:26] 王天凡: 有种回到币圈的感觉 [11:44] 李飞飞: 身处黑暗中的语言大师 [11:44] 李飞飞: The world is not made of words [11:44] 时空的、物理的统计规律 [22:06] 明浩: 高摩擦版本 [42:30] Momenta: 端到端大模型 + 强化学习 + 世界模型 [38:23] 曹旭东: 门票理论

[0:00] Hello 大家好 我是明浩 欢迎回到通路之书今天这期我们聊一个最近特别热 也特别容易被滥用的词 世界模型过去几年 AI 行业的主线基本上是大语言模型我们关心大语言模型的参数量 投肯消耗 山海文的窗口 推理能力过去一两年大家开始关心Agent编程自主进化其实回顾这一轮大蒙形发展本上来讲它其实是一个核心的议题就是机器到底能不能理解语言能不能在符号世界里实现所谓的推理但到了2026年一个新的叙事正在被打开或者变得越来越被提及AI似乎不能只活在数字世界他要进入物理世界他要开车要搬箱子要操作机械臂要理解空间几何要预测碰撞避开行人和真实环境发生交互于是物理AI似乎成了新的关键词而世界模型被认为是物理AI的底座所以引出今天的议题当我们去研究所谓的世界模型的时候回看大模型的发展路径那个核心的议题世界模型是否也有所谓的SkyDial换句话说我们过去这些年在大语言模型上所获得的成功经验能不能迁移到物理世界大语言模型是靠一个极其简单但极其强大的范式也就是预测下一个token来实现的所以只要数据足够多算力足够强模型够大在算法已经基本上收敛的前提下能力也就是大语言的模型能力就会沿着某种规模不断的提升甚至在某些阶段会出现所谓的涌现这就是过去这些年我们在大模型上看到发生的事情那么自动驾驶机器人巨星智能这些物理世界的智能系统有没有类似的路径呢他们是不是也可以通过大量真实世界的数据训练出一个可以预测下一个物理状态的模型如果有这个模型会不会就是物理世界的AI的GPT那我为什么决定做这期节目在这个时间点我觉得是看到了一些双眼号的信号这信号刺激了我说应该做对第一个信号是什么呢比如说最近618对618刚过在6月中左右影视飓风更新了一期广告片对是天猫找到他们做的一期广告你想天猫是为了推618然后找的是影视飓风来做了一个视频你想如果你是Tim你应该怎么给天猫这个甲方交一个比较满意的答卷最后这个视频出现了大家有心就可以去B站看一下这个视频其实讲的就是今天我要讲的实践模型他这个视频的标题特别有意思这个标题叫在AI里抛硬币概率是50%吗你想想这个问题啊这个问题其实非常非常有意思他让我想到了另外一个之前我碰到一个很有意思的问题也发生在世界模型领域李维菲老师的Wordelib刚刚测试的时候他在接受采访他说他一位身边很多年的好友问他在他们那个Wordelib的世界里面有一个他的好友他说他在现实世界里是晕3D的或者叫晕车的他就问在那个新城城的世界里面有一个他的好友他说他在现实世界里是晕3D的或者叫晕车的他就问在新城城的世界里是否也会晕然后Tim这个视频叫AI里抛硬币概率是50%吗你去想这两个问题其实是一个问题然后Tim他们这个团队在视频当中大概做了100多次实验最后得出的数据是70%多的硬币是证明而不是50%100多次我觉得这个数量级也基本是够的那为什么是70%这个解释起来大家就会延伸到比如说这模型的数据来源跟这些数据来源当中硬币的比例的问题包括可能后训练过程中大家的所谓的偏好跟巧合学的过程导致的倾向等等这是一个信号对吧连team给天猫做618的视频都要讲世界模型第二个信号是我的好友天凡王天凡BAI基金的合伙人他在4月跟6月分别发了两条极客4月的极客叫目前看来主流基金有几个合伙人就有几个主流融资的事业模型主流基金是红杉了是IDG了 [5:00] 是高领楼这些基金可能有七八个十个左右的合伙人那也就是说在这些基金内部就可能有七八条线同时在看不同的七八个世界模型项目这是他四月份发的然后他在六月中也是上周也发了他说每天收到至少一个世界模型的BP有种回到B圈的感觉就是今天这个时间点世界模型似乎是所有AI在做模型相关项目都要写在BP里的一个关键词这是第二个信号三个信号我觉得更有意思一点也是引发今天我做这期播客的很核心的原因其实我在我的标题里在第三段放了一段小字叫从Momenta招股书看世界模型的路线之争国内领先的自动驾驶公司Momenta最近通过了赶照所的联讯我看了一下Momenta的招股书他们此前一直是做自动驾驶的那他们是如何看待世界模型的发展我觉得也蛮有意思的因为自动驾驶公司也是这一波试验模型公司的很重要的一些角色方有了三个信号开始做今天的内容我们正式开始今天的内容今天内容分四个章节我本来是想按比如说十个问题那种方式来展开的但是我通过跟Nial对话几个模型都不建议我这么做他们会觉得这种方式不太利于这个结构的展开最后还是按正常的章节展开了四个章节第一个章节为什么世界模型在这个时间点突然热起来了为什么是现在第二个问题世界模型跟大宇模型到底像不像它有没有所谓的Skyling Law也就是标题的问题第三Moment作为自动驾驶的代表公司它为什么值得放在这个语境下来做单独的讨论第四物理世界的所谓世界模型的AI的GPT时刻到底来了没有它是一个偏这个时间点的结论的问题所以四个问题为什么是现在和大元模型的对比Moment的主张以及GPT时刻是否到来先说结论 世界模型我觉得确实有些像大约模型 但是它比大约模型更贵更慢 更依赖真实世界的数据MOMENTA的故事本质上是在讲一个自动驾驶这个场景里的AI的废论 但是放在饭同用领域来看所谓的物理AI世界的GPT时刻我觉得截止到20年中这个实验点还没有来这是我的结论我们一张来看先看第一张为什么是现在这个热度从何而来为什么今天这个实验点所有人都在讲实验模型一个直观的背景其实是语言模型的边界已经非常清楚或者说在越来越清楚大模型在过去这半年我经常用的说法叫挡不住了对吧OpenAggas 扫盘两个公司已经去碰万亿美金的估值了他们已经马上去伤势了AI领域的融资尤其集中在模型领域融资可能占整个美国一场的超过60%甚至70%的状态了而且这个数字大到所有人都忽略不了今天这个时间点的AI模型尤其是语言模型可以写作 编程 总结 推理可以调运工具甚至大家去研究自主进化所有的一级都推向了一个非常非常大的极端最头部的公司LR已经到了几百亿美金这个体量两个公司加一起可能已经开始碰到千亿美金的体量对吧但所有这些事情可能还是局限在语言这个领又因为这两家已经大到可能对于很多早期经营来讲已经没有办法去再去投资这个公司也是因为这两家公司已经走到很多事情的极限里的情况下那其他的可能性是否会出现的当然会了所以其实从去年大概下半年开始出现了一堆我们叫New Labs也就是新的研发工作室美国那边跟中国那边基本上从去年大概去年上半年其实有一些去年下半年特别的多这些公司的创始人大部分来自于那几家最头部的AX级公司然后大概在五月份的时候门落几个基金它的这个基金应该是每半年会出一个非常有名的官员行业的报告那张非常有名的埃塞培克在图比领域超过OpenAI的那个饼图就是他们做的就是那个基金那个橙色logo的基金这基金的GP在五月份做了一个统计就以他们能够覆盖的范围其实他写了大概63家newlab这样的公司已经融了可能几百亿美金这家基金门路这家基金应该是上上周刚刚募集了他们第17期早期基金加第4期成长基金一共募30亿美金那么上一个上一个周期也募了大概只募了13亿美金那为什么这一期超募呢也就是因为这个环境变化导致的 [10:00] 这个时间点所有的new lab一出来就是容几下来美金几亿美金甚至像很多最自自头部的new lab一出来可能容十亿美金二十亿美金都有对吧所以逼着这些基金变大而我们也在这些new lab里面看到了一堆绝对意义上这一轮AI的创业的明星创业者EliaMira杨立坤李飞飞我觉得都是然后那这些new lab他们出来做什么其实我觉得也是共识那些关键词或者那些核心的议题本人来讲在过去这个可能大半点时间也被无数的媒体所报道比如说大家在研究能不能让模型自己进化自己改进自己对吧无论是loop还是hannis还是做很多其他的事情都是我觉得最投入模型厂上包括这些最最最前沿的new lab都在尝试用自己的主张主张来实现所谓的自主进化我今天会无数次提及这个主张我觉得今天这个时间点NewLab也好最头部的模型公司也好都在有所谓自己的主张今天的主张似乎已经不再是Bet而是在主张也就是他们认为的路径应该是什么样自主进化是一波然后物理AI是一波人形机器人居身然后事业模型当然也是非常非常重要的一波而且事业模型物理AI本人来讲它的界限非常的模糊当然还有一些做AI for Science可能还有一些做AI模型Infra那大概就是那四五个关键词可以几乎涵盖这六七十家NewLab公司对吧然后我们再把目光举及到所谓的视野模型上这个视野模型热到这个程度所以出现了非常多的主张那在这个时间点作为行业绝对意义上的大咖和绝对意义上的核心的创业者李菲菲老师在上个月发了一篇文章这篇文章其实在我上一期讲AI内容创作的那一篇博客我也有提起关注这个行业人应该都看过那篇文章了就是当世界模型world model成为所谓的boot war它变成了一个框什么都能往里装对吧类似这样的角色或者这样的关键词上一个可能还真的是元宇宙了对吧所以李飞学老师发了一篇文章来尽可能的速本清源对在文章的最开始李飞学老师有一个很形象的说法大意是语言模型像一个身处黑暗中的语言大师就是说大语言模型他能言善道不过学多文但缺乏真实的经验也缺乏根基很简单的说法是The word is not made of words这是他的原文我觉得这个说法特别准确一个语言模型可以读过无数关于杯子的文字他知道杯子可以装水杯子摔在地上可能会碎推到杯子水会洒出来但他知道这些很大程度是因为文本是这么描写的他不是通过持续的观察光线几何力摩擦重力液体流动而学到的这些东西仲清有说法说大元模型是瞎子对吧也就是说大元模型学的是文本的统计规律而世界模型要做的是是时空的物理的统计规律这个光线打到杯子上面怎么来做折射反射一个杯子推倒之后它的轨迹是怎么变化的甚至可能考虑到摩擦材质它是在桌子上是在水泥地上还是在冰面上一辆车在变道的时候旁边的车辆跟行人的反应会是怎么样的会慢下来还是会加速机器人的手指碰到一个鸡蛋想剥鸡蛋壳的时候会发生什么样的形变这个力度是多少是煮熟的鸡蛋还是一个生的鸡蛋就像当年天下无罪黎叔那样可以用手去剥生的鸡蛋一样所有这些东西都不是语言的问题都都是物理世界的问题所以世界模型不单纯是一个视频生成模型不是生成一段看起来很真实的视频就结束了很多时候他可能要回答的是如果我在这个世界里做一个动作接下来会发生生如果一个模型只是根据比如说提示词生成一段很漂亮的视频它其实还是在视频模型这个领域它能编出来一个看起来很合理的画面但是它不理解物体的结构也不一定能够保证所谓的物理之性那今天我们在这在视频模型的很多厂商的示范视频里面已经看到这样的状态但如果一个模型能够让agent在里面行动并且根据所谓的行动来做实时的物理的反馈那他似乎就更接近可交互的物理世界的模拟器对吧举个例子 [15:00] 如果输入一辆车在雨夜高速上必让突然出现的障碍物我觉得今天这个神检视频模型几乎都可以处理好这个提示词产生的结果镜头的晃动雨水的反光车灯扫过路面的效果非常OK但是这个事情能拿来给增加使用吗我觉得不太能因为这个模型本身生出来的这个结果他不知道什么时候该踩刹车踩油刹车会不会追尾后面有没有人如果往左打方向会不会进入旁边的车道如果要保持车道但减速那障碍物是不是会碰到碰到障碍物会产生什么样的效果什么样的速度下这个障碍物会对车产生什么样的效果不同策略下的风险到底是什么所以这些问题都不是渲染的问题所以李菲菲老师这篇文章非常非常清楚的把视野模型分了三类渲染器仿真器规划器这三个名字一放着你大概就知道他们在讲什么一类是渲染器也就是它输出的是像素主要服务的是人的眼睛追求视觉的逼真已经关了的SauroSauro 2Gumann DG3我们今天看到的很多视线模型号称在做视线模型都是在做这个方向就是渲染器它们优势确实是好看能生成人眼看得起来可信的事情但是问题就在于它只是看起来OK但是实际上它可能不对第二类叫仿真器它输出的是环境的状态要求这个输出的状态里面的几何物理动力学都符合人类的现实世界的状态比如说一个自动驾驶的仿真系统不能只要求所谓的画面的真实它要保证车辆轨迹碰撞关系交通法则所有这些事情都合理第三类叫规划器也就是说光仿真还不行我们还要做规划还要做未来的事情也就是说它要输出动作比如下一步机器人该怎么抓这个东西怎么去拧然后自动驾驶的车怎么去转弯怎么去加速怎么去减速要感知所有这些可能发生的情况这三个东西看起来不太一样一个是生成画面一个是模拟状态一个是生成动作但他们底层需要的知识其实是一套就如果我们按预训练的数据的储备来看其实都是几何物理动力学以及环境当中各种各样对象的所谓的互动的规律所以现在行业最重要的其实在李飞老师里面也讲就这三条线其实在融合他们之间的界限在越来越模糊所以一个理论上我们叫相对接近理想态的视野模型应该是真的理解一个杯子放在桌子上的状态它应该同时能做三件事情你能从任意角度渲染这个杯子的光影效果能模拟推倒它之后的运动状态也可以规划一只机械手把它拿起来并且保证它不碎这个就是理论中我们理想它的视野模型所以视野模型看起来是一个非常大的概念它既能连接生成视野AI又连接机器人又连接自动驾驶那这个故事又跟我们所熟悉的游戏娱乐甚至工业仿真相结合甚至可以被看作是AI从数字世界走向无理世界的底座所以这个故事为什么这么大也是个原因所以一路走来这个方向火成这个样子并不是过去这一小段时间突然火的其实过去几十年AI行业的发展过程中这个方向上的很多探索也非常的多研究上面的逻辑我们会发现非常多的厂商在过去年做了非常非常多的尝试比如说去模拟人类的梦境为什么是梦境梦境在很多时候可能不那么符合人类的物理学但是它大概是合逻辑的比如说规划各种各样的路径比如说Sara刚出来的时候的那个水杯的视频也应该很多人很有印象比如说波士顿动力公司这样研究机械狗跟机械臂的这个这种公司也在研究模型的事情比如说前一段时间实用模型直接一句话生成可以去操作的类似Doom那样的游戏对吧比如说让今天这个时间点机器人去得一碟衣服本质上来讲所有公司的努力都是在为所谓的事业模型做推动然后你会发现自然而然的过去这段时间最头部的这些所谓事业模型的出售公司拿了非常多的钱对吧杨立坤老师的公司李菲老师公司都已经是几十亿美金的公司了前两千没错的话另外一位另外一家之前就在做事业模型的公司叫 [20:00] 就是澳大塞时期那个澳大塞应该最近也拿了三四亿美金吧估值也独角兽了然后更多初上的公司加入然后你会发现Div1一直在做这个事情英伟达也在做这个事情Opera的Sora其实之前也是在做这个事情但是Sora现在不做了对很多公司未必在做的起初叫自己是世界模型但似乎他们都在做一件事情就是让AI进入真实的世界然后在这个事情上其实中美也基本上是同步的美国CBinside2020年Q1的报告已经出来了Q2还没有出因为现在Q2还没有结束AI当然是最重要的主题那在AI的细分板块里面有11%的项目投入到这个方向上是最大的分类11%因为它分散上分散但是在这个分散的过程状态里物理应该实验模型拿走了将近11%的人字然后中国这边其实也一样IT局次最近出了一份专门写中国的实验模型的初创公司的行业报告然后如果大家有兴趣就可以去我会把它放在show note里它统计了可能30几家今天这个实行点在AI的领域在做所谓实验模型的初创公司85%以上成立在23年之后对然后已经融了几百人民币了对这个方向在中美两国之间基本上同步的非常非常热的那世界模型这么热大家会说那是不是又一次的泡沫呢泡沫这个词我也解说了很多遍我也不想再就展开了我不想去回答是不是泡沫但你们能看到这个热度背后代表的是非常真实的行业焦虑对吧就是大元模型已经证明了一件事情是说如果你找到了正确的预测的任务再把数据模型算力堆上去能力就会得到提升也就是所谓的Scan-Up那问题就来了物理世界能不能这样大元模型预测下一个Token世界模型预测下一个物理状态如果这个类比成立的话那是不是物理AI的世界就被打开了呢所以当然我们进入第二章到底它跟大元模型是不是一样的像不像对吧就是运行链的数据要求像不像数据的环境搭建像不像强要学习的过程能不能导出更好的结果能不能所谓实现的死干领老能不能在某些地方出现意外的涌现甚至泛滑对吧这个关键词就是我们回头去看大元模型的过程所以我们再回到刚才今天可能无数次提及了大元模型预测下一个token压缩的是我们所谓的常识跟知识只要数据够多算力足够强合适的训练环境搭建就会实现涌现和泛化对吧给定双下文预测下一个token这个任务看起来今天回头来看双引号的特别简单所以为了预测下一个词大约模型已经可以模仿人类的语法知识常识逻辑风格各种各样的东西都可以甚至某种程度上的推理都可以了那世界模型呢这个循环能够建立吗预训练后训练强患学习Scan law用线泛滑世界模型可以世界模型压缩的是物理行业的定律那这些原始的数据从哪来这个训练环境怎么搭搭好了之后我们用所谓人类偏好的相反学习能够提升效果吗我们是否看到了涌现呢比如说资讯增加指这个世界里当前的摄像头雷达地图车速周围车辆的状态应该都这个数据应该是都拿得到的那给定一个动作刹车加速变道模型要预测几秒之后世界发生了什么这个状态达到了理想time那机器人也一样给定机械臂当前的状态视觉画面我们标物体的位置再给人一个动作你要模模型要知道这个动作指令下发之后之后你要抓的东西能不能抓起来会不会抓落会不会掉会不会滑倒会不会碰到旁边的东西对吧那么问题自然而然就来了很多人会说语言其实只是现实世界的极度压缩一个很简单的类比是说人类所有的语言跟这个数据站在一起跟一个四岁小孩去比他所接受的所有的感官数据而言去比都比不了整个物理世界的数据太过复杂也太贵了双引号的贵成本是非常重要那我们会想大原模型的数据从哪来的互联网的文本网页书代码百科 [25:00] 虽然越来越对数据质量的要求越来越高但几乎这些数据都是相对比较容易得到的而且规模很大但是世界模型的数据从哪来呢真是世界的交互对吧动物驾驶要在路上真的跑机器人真的要去做很多工作工业仿正真的要靠传感器设备流程你想想这每一条数据背后涉及到的硬件场地人力安全合规各种各样的成本这个事情跟爬一个网页不可能是一个数量级的而且还有一点问题在于物理世界的数据的数据本身的信息密度可能更低为什么这么想你想一句话里其实语言它包含的信息密度是很多的对吧语言包含信息密度是很多的比如说司机看到前方儿童突然间跑出来了急杀并且向左逼让这是一段语言你用视频来记录这件事情就是几秒钟然后摄像头雷达轨迹标注数据量就标完了但是这里面真正的事实只有那一瞬间这是为什么是说视觉的密度其实是比语意的密度低的对吧其实其实很多人原来认为是反的视觉的密度是低的语言的密度是更大所以要训练出对标大语言模型的世界模型所需要的数据量可能不是多一点而是要多几个两极因为光靠视频是不够的所以物理世界的世界模型的思考可能不会是出现像大元模型那么简单的越多越好因为它需要真实的数据很多然后要筛出来其中的所谓高质量的数据然后这里面高质量的常委数据要足够长才可能保证模型的安全的边界因为前面也说过世界模型对安全的要求更高那么接下来问题就出现了今天这些数据确实很难拿到成本很高但是毕竟还是可以拿到一些的那是在一定程度上数据OK的情况下或者说阶段性OK情况下能出现涌现吗接到这个时间点我觉得还没有出现涌现还是回到数据这一层我觉得首先麻烦的是数据供给的问题能不能持续的获得真实实验的数据数据的样本是不是足够多样包包含常委场景哪些是高质量的能不能闭关散会就强化学习到所谓的模型的数据环境里这件事情你听起来就特别特别为什么会代压那么多的一次次的把这个事情跟增加时关联的那么深听起来增加时应该是模型最先陆地的场景这个没有任何意外因为相较于所谓的机型而言车已经真正意义上跑在路上了每一辆的量产车都是一个非常非常强的数据的采集点他每天要开不同的路经历不同的天气在不同的样的城市面对不同的交通环境真是世界一次一次在给他为数据用户的生成内容就是用户开这个车变成了这个内容数据的来源当然这件事情能不能直接套用刚才我们说过大元模型的所谓的乐观的叙事我觉得也不要难因为在大元模型里面这个数据要大到一定量级到了一定所谓的预值之后才出现了涌现那在世界模型里这个大要到什么样的程度也就是那个预值到底在哪里现在大家我觉得还没有观察的态度因为我们从结果来看现在世界模型确实有很多的模型公司可以生成所谓上也好的实践可以预测一些简单的状态变化甚至可以在一些特定的任务场景里指挥机器人也好或者增加驶也好行驶行动的能力但是这件事情距离所谓的自主理解整个物理世界的因果关系并且在开放世界当中可靠的行动还有很长的距离所以最近不也有厂商在主张所谓的因果模型吗对吧就是把因果强调的比较高我觉得也是一种主张吧对吧你很难说对谁错然后如果一定要用所谓的GPT来做对比的话我会觉得今天这世界模型很像可能GP2GPT2的是还没有到GP3GP3已经基本是曙光了因为GP3.5就出现下GPT了那状态就是大概率这个方向很多人越来越信并且演示起来也比较兴奋资本也很密集在头但是距离到所谓HGBT那样一个大众级别认可的状态我觉得还有一段时间所以我的结论也一直在今天非常多的次提及物理世界的试验模型可能存在所谓的scanning law [30:00] 它不会像文本世界就是语言模型那么的平滑快速对它更像一个高摩擦版本的Sky0数据更贵反馈更慢安全要求更高常委更负责而且看起来每一个垂直场景在这个时间点都有所谓的数据壁垒那么每一个垂直场景都有壁垒的情况造成了什么样的结果呢那我们就在今天这个时间点自然而然的看到了参与这个世界模型主张的各种各样的角色前面提到了一些像李飞悠老师杨丽坤老师他们这种叫我们叫初创的公司真人意义上在做这一波新的世界模型的初创公司这是一对巨神智能公司对吧机械人公司然后增加是公司刚才已经提过很多次了那视频模型公司当然也会了甚至那些之前在做AS3D模型的公司也是其实这个逻辑我刚才我在我的去年的年总也讲过说多么泰战场在经历从垂涅战场到统一战场扮演变化那个统一战场就是世界模型那我原来给这个定义的时候只是把多么泰视频多么泰模型厂商放进来那今天这个模型这个范围进一步放大了它出现了自动驾驶公司巨神镇的公司对吧那很正常对吧因为大家确实远期的目标差不多的每一个厂商都有自己的主张对今天我真的无数次体积主张这个说法我们简单看一下我们就把这个领域目前最最最名头最大的三家的主张拉出来先看杨立坤老师的所谓JEPA派对吧杨立坤老师他想在做的世界模型是不生成像素的他是在潜在的空间里预测状态的变迁他是不跟像素走在一起的他的优势就是计算效率比较高泛化性强但是劣势是可解释性会比较差然后哈萨比斯就迪芬曼他们在做的还是偏多么他也加演进的这个状态所以你看Diamond的Gini3的很多演示还是基于视频生成加可操作的这个角度去演化所以他保留了大元模型底层的技术架构然后叠加了视觉空间感知跟强化学习的过程我觉得这是一个相对比较务实的路线而且看起来确实已经出现了一些比较好的效果我也用过很多次Diamo的视频来做我PPT的示范案例然后就是李飞老师他们的做的Worldlapse他们叫3D空间表征派就先把世界这个本身的世界生成出来对吧他们赌的我觉得就是空间的概念或者说空间物理是表示这件事情的极左三位绝对意义上的行业最明星最前沿的科学家们都有自己的主张在技术路线上出现了所谓的分野你很难说谁对谁错对吧那我们就进入第三章对吧那既然大家都有自己的主张也很难在这个时间点说谁对谁错那我们就看看自动驾驶派的代表公司Momenta的所谓他的主张是什么我们去看看他作为自动驾驶公司内部所谓的AI模型的演进过程最新一代的所谓世界模型的架构设计以及为什么是这样一家公司能够在这个时间点有所谓的壁垒的存在对吧我们聊Momenta的时候我建议大家如果有兴趣去翻一翻他的招股书其实并不长尤其是核心的业务部门并不长你可以看到一家自动驾驶公司去对实验模型的理解他不是说我也能做实验模型他更多的说的是说怎么去持续的拿到真实世界的数据并把这些数据用到模型上来提升模型的能力他更像是一个物理AI的在这个时间点的商业样本对因为他已经有商业的实施他不是一个纯lab对吧所以我们就正好看一看Momenta的主张是什么然后今天早上应该是他们已经在招股了对基石投资人差不多已经定了我看了一眼新闻都是长线的一些大家非常知道的对冲基金比如说像富达富达应该是中仓了之前中仓了宁德时代吧我们一错的话然后韩武器应该他们也投了不少中仓的比较多光猛花人算力的公司然后贝莱德可能是全球当下应该是目前最大的资产管理机构腾讯阿里比亚迪他们应该都非常长期然后像素传奇投资人华尔德马克思的资产管理公司也是可能跟中概股比较合作很多年的对付基金 [35:00] 他们之前应该是我们一错的话应该是参与了宁德时代的港股的二次配售没错的是然后比如像富兰克林邓普顿基金耀米康德宁德时代未来终极续创我们应该都是比较长期的持有者所以你看这个即时投资者的构成基本上排便拉满了对吧然后我们作为当前这个时间点自动驾驶的行业的代表公司我们看一下MOMENTA在所谓的业务角度来看他会认为他已经实现了刚才我们前面提及的这个飞轮的状态这个飞轮如果我们放到模型角度来看就是他是一个做自动驾驶的方案的公司然后他跟所有的汽车厂商合作做自动驾驶的汽车这些量产车的业务基本上负责规模化的部署给公司带来收入同时也带来最重要的这些世界的驾驶数据前面提及的然后他们把这些数据用来训练跟优化模型他们的模型变相之后反补给他们的自动驾驶的业务以及他们给未来要做的L4的业务然后L4的相关的尝试可能又回来反补了量产车的方案简单讲就是一个更多车带来更多数据更多的数据带来更好的模型更好模型带来了更多车企的合作更多合作带来更多的车这是一个听起来非常非常简单很容易理解的飞轮但是能够实现这个飞轮转起来的潜力条件其实是蛮多的就这个飞轮的解释并不难但是这个飞轮怎么转起来我觉得是难的那MOMETA的壁垒到底是在何处呢我觉得你要先有车的客户然后有量产车对吧然后你要先有量产车你要有数据你要先有数据才有模型进步所以它是一个机生机所以它是一个机生弹跟单身机的问题比如说一个壁垒是数据规模招呼上显示截止到2025年底蒙文塔安装的车辆超过68万辆目前搭载蒙文塔系统的量产车辆规模已经超过了90万台市占率应该超过65%对这个数字已经接近三分之二了对吧然后他和全球24家车企合作覆盖了全球前十大车企中的9家很多车企都是他们的战略投资人对把您关系非常深然后这里面就强出现一个变化是说今天这个时间点其实特斯拉也会在做自己的自动驾驶而且做了很多年也很强那国产的未来理想小鹏华为也都在做自己的自动驾驶那某文坦跟他们的区别在于它不是一个单一厂商合作的关系它带来的数据是不同车企不同车型不同的价格带不同的区域不同驾驶风格这种多样性是要远比任何一家汽车厂商自己要复杂的多的对吧那模型训练大家会说最怕的就是训练的数据的分布太窄对吧那如果你只熟悉偏一种车或者一个城市或者某一类的驾驶行为那你很难去期待那个训练好的模型的方法能力变得更好对吧模型的方法可能更多跟数据的多样性是有正向关系的这是第一个比例第二比例是商业规模今天很多公司讲的非常非常远大的故事但是这些公司其实在这个时间点没有稳定的先进流对吧机器人公司巨神智能公司事业模型的初创公司本人来讲都在烧钱的阶段当然现在资本热大家可以融到很多钱但万一如果资本出现一些变化这些公司可能还在研发过程中就出现了非常大的公司先进流的问题那蒙曼塔的好处是说在事业模型的研发过程中现有的基础的自动驾驶业务已经为公司提供了稳定的现金流MOMENTA的招股数上是从23年到25年的营收数据从7点几亿涨到了25年的20几亿更重要的数字是MOMENTA的毛利是从23年的17.5提到了25年的71.6这个毛利水平其实是一个非常可怕的数字如果没记错的话英伟达的毛利水平也大概是70几然后还有一点变化是Momenta的许可收入在变得越来越多它非常像软件行业的SaaS毛利会提的更高收入结构正在从所谓的项目值变成所谓的软件许可值那软件的毛利当然会比所谓的项目执行值变得更高当然了Momenta今天还在亏损对吧当然它的亏损工模在收窄并且历史上应该容了我们一说小100亿加上这次上市我觉得钱本身的基础可能也是个基础所以他们CEO曹熙东说了一个说法叫文票理论他说物理AI一定要有所谓的先进流业务作为支撑因为物理AI不单纯只是软件的生意你要上车测试部署合规维护跟厂商磨合它不像一个APP上线之后就可以全球分发 [40:00] 没有心流我觉得很难熬过所谓的非常长的长周期因为刚才我们说过前面的我的决定或者说我的判断大概是GPT2那什么时候到GPT3跟3.5到XGPT不知道对吧所以这个周期可能会很长第二个壁垒商业化的能力第三个壁垒所谓的工程化今天的所谓自动驾驶已经不单纯只是纯粹意义上的论文的比赛你有算法也没有太多的意义难的还是工程化的部署要部署到不同车型不同传感器的配置不同车企的流程里还要满足量产的要求质量安全成本交付周期然后招股书里显示Momenta已经交付了超过100款量产车型更夸张的是部署速度他们从2022年第一个10万台量产用了24个月到今天最快可以不到40天完成10万台的交付这个变化意味着他们已经把量产交付变成一种所谓的平台能力很多公司可以做一个demo但是它很难在很短的时间做到这么大的部署第三个壁垒所谓工程化第四个壁垒我觉得是技术路线上的选择摩尔尔的算法演进我觉得是很清楚他们从22年开始做所谓的深度学习跟模糊二系统到2024年25年左右开始引入端端端的大模型把感知和决策放到统一架构然后从真实世界的增加史的数据里面做强化学习然后到R26它的模型内部的编号R26的时候就是2025年真理上把强弱学习引用到全球上的过程中提升能力再到现在它最新的R7R7的主张就是断断断的大模型加强弱学习加实验模型的方向R6的重点是让系统不单纯只是模仿人类的驾驶更多的是在仿真环境中通过奖励机制学习更优秀的驾驶行为就是非常典型的强弱学习来奖励覆盖安全舒适效率的目标就非常关键因为强化学习能不能产生好的结果直接影响了后面所有事情对吧就跟AlphaGo讲的50次一样模仿人类总会有极限但强化学习一旦开启就起飞了对吧然后到R7我觉得真正意义上我们把他们的R7定义叫世界模型的方向他设计了R7这个世界模型的三层的架构第一层是所谓的世界模型的预训练也就是通过海量的真实价值数据把物理规律常识和因果关系对因果关系再次提到因果压缩进模型里让模型对世界形成基础的认知就跟我们通过预训练的方式把模型训出来一样然后第二层是实验模型的仿真我觉得更像大语言模型里的数据环境的拉建让模型在闭环的仿真环境中推演如果车采取某个动作周围世界怎么变化尤其是常委的场景当中一些比较少见很难浮现的东西可以在仿真当中做评估然后第三层就让它前面提及的真正意义上让模型在进化中强化学习也就是让模型不那么参考人类是怎么开车更多的是在一个高度接近真实的世界的虚拟的环境里面反复的试错怎么去学习更安全更高效的决策这个就是摩曼塔在讲的所谓理事界的AI的故事似乎也是为什么摩曼塔的招股书在当下这个时间点值得被聊一聊的原因他可能我们原来很多人认为他只是一家自动驾驶公司但是今天他在讲的是物理AI基座模型的公司也就是世界模型的公司自动驾驶只是这件事情的第一个大规模落地的场景所以纯从投资人角度来讲如果你只把它看成一家自动驾驶公司你当然会问车企的字眼你怎么看价格会不会被压下来毛利会不会出现问题但如果你把它当成是一家物理世界的AI世界模型公司来看的话那当然你就会关心我今天这个不合理关心的问题这世纪世界的数据飞轮能否持续能否把这个模型的能力泛化到自动驾驶的其他领域甚至是机器人甚至其他领域这本正来讲这两个叙事逻辑是完全不一样但也似乎正是因为如此这件事情的风险也变大了因为单纯只是一家自动驾驶公司它的风险可能更多挤在那些更细节的问题上但如果是我们想了一个更远期的故事这件事情的风险可能就变得更复杂了所以我们在这个时间点上是我觉得阶段性证明了它自动驾驶领域的能力状态达到的里程碑再往后 [45:00] 和故事变得更重要它确实是目前自动驾驶行业里面非常少有的把数据商业化工程部署全化学习和世界模型的整个叙事组合在一起的一个样本如果物理世界的AI真的存在所谓Skilling Law的话那我们问他的这个飞轮我觉得是一个非常值得观察的案例那所以就来了最后一个问题我们标题问的是Skilling Law这个问题在更深层次或者更针对性的问应该就是视野模型是否到了所谓的XGPT时刻那前面有说过没有来对吧那我们展开一点来聊我会觉得视野模型的GPT时刻不会像文本或者说语言模型那么突然它可能是一个渐进式的过程它会在一个一个场景里面跑通然后慢慢拖延那最先落地的今天已经无数体积它很有可能是这种驾驶对吧因为自动驾驶这个行业有最多真实世界的数据有最强的安全的需求当然也有最清晰的商业模式但往后可能是交互内容也就是影视内容创作这个板块这里面的容错率会更高对吧他不需要对所谓的目的世界负那么高的责任用户也愿意接受所谓生存社的体验那李菲老师的WorldLab阿拉大比斯的D1的GEN3大概率应该会在游戏开发虚拟世界影视这个板块找到比较多的价值这个其实已经在过程中了然后更远的可能性可能就是机器人巨型智能对吧可以成为机器人的训练厂那很多人都在讲这个故事降低机器人训练的成本但机器人听起来应该比增加使用难得非常多因为车本来讲还是在一个偏二维的路面上行驶的但人尤其是巨身的机器人对于三维空间动力学柔性物体手眼协调不同材质形变这些东西要求更多然后再远的可能是当年元宇宙的讲过很多的故事比如说工业仿真数字完生甚至可能跟另外一个今天我们前面提及的共识AI for Science也有相关甚至可以大家去通过AI的方式做科学发现那当然这些东西都是更远的立体体所以呢单纯只是在摄影模型中心判断来终局判断来说我觉得今天事件可以下一期判断第一个判断是三线合一也就是说李飞是老师所讲的渲染模拟跟规划三条线正在融合边界正在消失理想中的摄影模型对那个杯子的理解应该是能同时做到那三件事情对吧渲染模拟规划对吧然后这三个能力其实是同一件事情的三个不同的投影彼此的边界其实在消失三者合一可能将定义极其智能跟物理世界的关系对第一个三件合一第二判断是大概这个行业不会像语言模型那样只有最后几家形成所谓的垄断跟人家同吃因为文本跟语言基本上是相对比较通用的但是我们前面提过物理世界的多样性太复杂了自动驾驶的数据机器人的数据工业的数据仓库的数据手术机器人的数据都会不一样甚至游戏世界数据也不一样至少在这个阶段我们看起来每一个场景里都有自己的传感器有动作的空间有风险承受的程度甚至有自己世界的物理的规律跟商业的约束所以至少这个时间我们会觉得物理世界的AI跟世界模型可能不会像通用的原模型那样由少数几个模型公司来完全垄断对吧增加是有增加是一模型机械人自己的机械人的模型游戏跟3D可能有自己的模型工业仿真可能也有对吧他们在底层可能是在共享一套视觉空间物理几何的表征但是彼此的数据壁垒我觉得会非常非常强这我觉得也是为什么像Momenta这样的公司可能会有机会它未必会成为那个最大的物理世界的AI的基础平台但是它能在自动驾驶这个领域这个高价值的垂直场景里建立自己的事业模型的飞轮并且看起来已经在建立的过程中第三个判断就是最后的判断这GPT时刻没有来为什么这么说呢我们回头想当年的所谓的GPT时刻符合哪些规则第一大众用户有直接的感知我印象特别清楚就是连我们这些对AI没有什么理解的人第一次用到拆机器的时候都会感知到巨大的冲击对大众用户有比较明确的感知第二产品的门槛极低对吧拆机器打开网页就能用第三通用性足够强你问他问任何问题他都能干 [50:00] 第四整个产业链的各个层级开始出现爆发世界模型我觉得没有完全达到这些条件在某些条件上可能在达到的过程中但是远远没有达到理想中都达到的状态进展可能更多发生在学术界工业界跟我们这些做投资的关注的场景里大众的用户我觉得现在看到的更多是一些很酷的视频像北京的基石马松这种对吧演示跟宣传片但还没有一个像GPTXGPT那样一个人人可用人人震撼的产品更重要的是视野模型面对的是物理世界物理世界不允许你差不多对吧预测下一个Token是有概率的但是物理世界对于概率的要求要高的高的多的多对吧因为一点点闪失可能就是一个事故所以我会觉得物理世界的AI的GPT时刻可能不会像语言那么突然的到来它可能是一个渐进式的过程世界模型提供了一条让AI从语言进入到物理世界的可能的路线但这个路线经过今天的我的播客你会发现它需要真实的数据工程化的系统甚至商业的闭环跟长期性的不断的扑才能扑得出来所以回到今天的最后一页过去几年AI最强的能力大家已经看到了是处理语言所以叫大语言模型它能读能写能总结能推理能编程但人类的世界似乎不单纯只是语言我们生活的这个世界里它有重力有光线有材料有速度有摩擦有因果链条所以大语言模型更多是让机器理解了人类如何描述世界也就是语言那么世界模型在做的事情就是让机器理解世界本身到底是如何运行的所以回到今天播客的标题到底有没有Skallin-Low我的答案是可能有但它不是语言模型的Skallin-Low的复制前面说过语言模型的Skallin-Low是一个低摩擦度的是通用的但是物理世界的Scanal可能是高摩擦的它需要非常非常复杂的多样性需要车需要机器人需要传感器需要场景需要安全需要监管需要客户的实施需要世界每天给它持续的反馈它可能是一个巨大的飞轮慢慢慢慢的启动越来越重越来越重越来越重但是当它真的赚到一定速度之后它就可能就会非常非常的快所以世界模型还没有到GPT时刻但它可能正在经历类似GPT2左右的时间点方向已经非常清楚能力已经在很多戏文场景里出现了显现资本已经下了重注一些小的商业样本已经开始出现了接下来真正要看的是就不是谁的demo墙是谁能把整个的所谓的费轮转起来谁能把模型真的放到真实的世界里在安全成本性能商业化之间找到那个稳定的平衡点所以从语言到世界AI的下一段路才刚刚开始好 感谢大家收听图论之处然后也欢迎大家评论点赞 转发感谢 感谢