“世界模型”——AI下一個(gè)“必爭之地”，英偉達、谷歌雙雙下場(chǎng)

　　來(lái)源：硬AI

　　作者：趙穎

　　黃仁勛身著(zhù)新皮衣亮相2025?CES，除了推出炸裂的GPU RTX 5090之外，還宣布入局AI領(lǐng)域當下最關(guān)鍵的方向一“世界模型”。

　　1月7日，黃仁勛在2025年拉斯維加斯消費電子展（CES）上宣布，推出Cosmos世界模型（Cosmos World Foundation Models，簡(jiǎn)稱(chēng)Cosmos WFMs），該模型專(zhuān)為理解物理世界打造，可預測和生成“物理感知”的視頻。

　　具體來(lái)看，Cosmos WFMs分為三類(lèi)：

（1）Nano：適用于低延遲和實(shí)時(shí)應用；（2）Super：高性能基線(xiàn)模型；（3）最高質(zhì)量和保真度輸出。

　　這些模型的參數規模從40億到140億不等，Nano最小，Ultra最大。英偉達還發(fā)布了上采樣模型、針對增強現實(shí)優(yōu)化的視頻解碼器以及確保負責任使用的guardrail模型。

　　實(shí)際上，除了英偉達，谷歌以及不少初創(chuàng )企業(yè)也在追逐世界模型，谷歌旗下DeepMind組建世界模型研究團隊，聘請Sora核心人員Tim Brooks掌舵。此外，“AI教母”李飛飛的World Labs、初創(chuàng )公司Decart、 Odyssey也都涉足其中。

　　不僅引得一眾科技企業(yè)逐鹿，“世界模型”還被業(yè)內吹捧為是AI領(lǐng)域的下一個(gè)關(guān)鍵突破，那么“世界模型”到底指的是什么？它的重要之處在于哪里？

　　英偉達入局“世界模型”，一眾科技巨頭“逐鹿”

　　據英偉達介紹稱(chēng)，Cosmos WFMs經(jīng)過(guò)了9000萬(wàn)億個(gè)token的訓練，數據來(lái)自2000萬(wàn)小時(shí)的真實(shí)世界人類(lèi)互動(dòng)、環(huán)境、工業(yè)、機器人和駕駛數據。模型可針對特定應用進(jìn)行微調，通過(guò)英偉達API和NGC目錄、GitHub和AI開(kāi)發(fā)平臺Hugging Face可獲得。

　　多家企業(yè)已開(kāi)始試用Cosmos，英偉達表示，Waabi、Wayve、Fortellix和Uber等多家已經(jīng)承諾在各種用例中試用CosmosWFM，從視頻搜索和策劃到為自動(dòng)駕駛汽車(chē)構建AI模型。

　　不過(guò)，由于英偉達拒絕透露訓練數據的具體來(lái)源，這引發(fā)了版權爭議，分析稱(chēng)這正是英偉達將這些模型稱(chēng)為“開(kāi)放”而不是“開(kāi)源”的原因。

　　與此同時(shí)，谷歌DeepMind也在積極布局世界模型領(lǐng)域。根據TechCrunch報道，DeepMind正在組建一支專(zhuān)門(mén)的世界模型研究團隊，以擴大其在該領(lǐng)域的領(lǐng)先地位。該團隊將由前OpenAI研究員Tim Brooks領(lǐng)導，他于去年10月加入DeepMind。

　　DeepMind上個(gè)月發(fā)布了Genie，該模型可模擬虛擬世界以及逼真的動(dòng)畫(huà)和物理效果，并支持所有這些元素之間的交互。例如用戶(hù)可以使用Genie創(chuàng )建的各種示例世界，包括航海模擬、賽博朋克西部片等，還可以使用文本、圖像或兩者的組合來(lái)提示Genie。

　　除了英偉達、谷歌等科技巨頭，還有不少耀眼的初創(chuàng )玩家?！癆I教母”李飛飛的World Labs已籌集2.3億美元用于構建“大世界模型”，以及Decart、 Odyssey等公司也入局其中。此外，OpenAI此前發(fā)布的Sora模型也可視為一種“世界模型“，它能夠模擬如畫(huà)家在畫(huà)布上留下筆觸等行為，以及渲染類(lèi)似Minecraft的UI和游戲世界。

　　AI領(lǐng)域的下一個(gè)關(guān)鍵突破：世界模型

　　什么是AI“世界模型”？為什么它們很重要？

　　具體來(lái)看，世界模型是指通過(guò)大量圖像、音頻、視頻和文本數據訓練，創(chuàng )建對世界運作方式的內部表征，并能推理行為的后果。這使它們能更好地理解和模擬現實(shí)世界的規律。

　　世界模型的概念源自人類(lèi)大腦形成的心智模型，我們的大腦能夠將感官獲取的抽象信息整合成對周?chē)澜绲木唧w理解，從而形成“模型”，這些模型幫助我們預測和感知世界。

　　世界模型的特點(diǎn)是試圖超越數據，模擬人類(lèi)的潛意識推理，例如，棒球擊球手能在毫秒內決定如何揮棒，是因為他們能本能地預測球的軌跡。這種潛意識推理能力被認為是實(shí)現人類(lèi)級智能的先決條件之一。

　　“世界模型”的意義在于可以實(shí)現復雜推理和規劃，還將生成式視頻技術(shù)的突破：

1． 生成式視頻技術(shù)的突破：世界模型在生成式視頻領(lǐng)域展現出巨大潛力。與傳統的生成模型相比，具備基本物理規律理解的世界模型能更準確地模擬物體的運動(dòng)。例如，它不僅能預測籃球會(huì )彈跳，還能理解為什么會(huì )彈跳。Snap前AI負責人、Higgsfield公司CEO Alex Mashrabov表示，有了強大的世界模型，創(chuàng )作者就不需要為每個(gè)物體定義預期的運動(dòng)方式，模型本身就能理解這些。

2． 復雜預測和規劃：Meta首席AI科學(xué)家Yann LeCun認為，世界模型未來(lái)可能用于數字和物理領(lǐng)域的復雜預測和規劃。例如，給定一個(gè)臟亂的房間（初始狀態(tài)）和一個(gè)整潔的房間（目標狀態(tài)），世界模型可以推理出一系列清潔行動(dòng)，而不僅僅是根據觀(guān)察到的模式進(jìn)行操作。

　　擁有這些能力后，“世界模型”可廣泛賦能影視、游戲，自動(dòng)駕駛以及機器人等行業(yè)。

　　World Labs聯(lián)合創(chuàng )始人Justin Johnson預測，未來(lái)的世界模型可能能夠按需生成用于游戲、虛擬攝影等用途的3D世界，大大降低開(kāi)發(fā)成本和時(shí)間。世界模型將不僅能獲得圖像或視頻片段，還能得到一個(gè)完全模擬的、生動(dòng)的、可交互的3D世界。

　　代表好萊塢動(dòng)畫(huà)師和漫畫(huà)家的工會(huì )動(dòng)畫(huà)協(xié)會(huì ) （Animation Guild） 一項2024年研究估計，人工智能有可能在未來(lái)兩年內顛覆美國10多萬(wàn)個(gè)電影、電視和動(dòng)畫(huà)工作崗位。

　　世界模型還有望推動(dòng)機器人技術(shù)進(jìn)步，通過(guò)增強機器人對周?chē)h(huán)境和自身的感知能力，幫助它們更好地理解所處情境并推理可能的解決方案。

　　盡管前景誘人，世界模型的發(fā)展仍面臨諸多技術(shù)挑戰：

巨大的計算需求：訓練和運行“世界模型”需要比當前生成模型更多的計算能力；幻覺(jué)和偏見(jiàn)問(wèn)題：像所有AI模型一樣，“世界模型”也會(huì )產(chǎn)生幻覺(jué)并內化訓練數據中的偏見(jiàn)。

訓練數據限制：缺乏足夠廣泛而又具體的訓練數據可能會(huì )加劇上述問(wèn)題。復雜行為模擬：目前的模型難以準確捕捉世界居民（如人類(lèi)和動(dòng)物）的行為。

　　過(guò)去一年AI技術(shù)在多元方向持續突破，世界模型被視為下一個(gè)重大突破。雖然距離成熟的“世界模型”還有數年時(shí)間距離，但這一技術(shù)已展現出巨大潛力。如果所有主要障礙都能克服，“世界模型”有望在虛擬世界生成、機器人技術(shù)和AI決策等領(lǐng)域帶來(lái)重大突破，為人工智能與現實(shí)世界的融合開(kāi)辟新的途徑。

　　市場(chǎng)有風(fēng)險，投資需謹慎。本文不構成個(gè)人投資建議，也未考慮到個(gè)別用戶(hù)特殊的投資目標、財務(wù)狀況或需要。用戶(hù)應考慮本文中的任何意見(jiàn)、觀(guān)點(diǎn)或結論是否符合其特定狀況。據此投資，責任自負。