解读「世界模型」分歧：李飞飞做 3D 资产，LeCun 赌大脑，DeepMind 押模拟器

只要在科技圈聊起下一代 AI，几乎所有人都在提同一个词：「世界模型」。

有意思的是，如果你把李飞飞、Yann LeCun 和 Google DeepMind 放在同一张桌子上，他们嘴里的「世界模型」根本就不是一码事。

一个概念，三种完全不同的下注

就在最近这段时间，世界模型这个词突然彻底破圈。

李飞飞带着融资 2.3 亿美元的 World Labs 推出了 Marble，号称多模态世界模型，能把文字和图片直接变成浏览器里可以漫游的 3D 场景。

几乎在同一时间，据纳斯达克等媒体报道，Meta 首席 AI 科学家 Yann LeCun 准备离职自立门户，创办一家专注世界模型的初创公司。而 DeepMind 也接连亮出了能够即时生成可交互视频环境的 Genie 3，以及能在虚拟 3D 世界里陪伴学习的游戏智能体 SIMA 2。

其实这个词并不是 AI 营销人员造出来的。早在 1943 年，苏格兰心理学家 Kenneth Craik 就在《解释的本质》里提出，人类大脑会构建外部现实的小尺度模型，用来预测因果和推演行动。但在今天的商业世界里，世界模型更像是一张罗夏墨迹测验图，每个人看到的都是自己想卖的东西。

资产生成器、预测大脑与游戏模拟器

李飞飞的 World Labs 押注的是空间智能。Marble 可以吃进文本提示、单张照片、短视频甚至是简陋的 3D 白模，然后生成 3D 场景。用户不仅能在浏览器或 VR 里漫游，还能用内置的 Chisel 编辑器进行调整，并导出为 3D 高斯泼溅、OBJ 网格或平面视频，官方甚至配套开源了名为 Spark 的 Three.js 渲染器。

但在 Hacker News 和 Reddit 上，工程师们很快看出了门道。不少人直接吐槽，这分明是一套极其成熟的高斯泼溅 3D 资产流水线，能帮游戏引擎省事，但根本不是机器人的大脑。

LeCun 想做的则是另一回事。他的想法来自控制论和认知科学，核心是他在 2022 年论文里提出的 JEPA 架构。在这个架构里，世界模型不需要渲染好看的画面，它的任务是把外界感官数据压缩成内部的潜在状态，并预测几步之后的演变，纯粹充当机器智能规划动作的内脑。

DeepMind 则恰好卡在两者中间。它的 Genie 3 不需要传统游戏引擎，纯靠模型就能实时生成 720p、24 帧的可交互视频，场景里的物体在多帧之间具备连续性，再配合能理解环境的 SIMA 2，组成了一个供 AI 智能体在里面摸爬滚打的数字沙盒。

为什么重要

对于 3D 设计师和独立游戏开发者来说，World Labs 的 Marble 是目前唯一能直接上手的产品。如果你需要快速搭建场景白模或做网页端 3D 展示，它确实能大幅压低资产制作的时间门槛。但如果你是冲着让机器人理解物理世界去的，现在去试它没有任何意义。

对行业而言，这场分歧挑明了纯语言大模型的局限。不管是李飞飞的 3D 空间、LeCun 的潜在状态预测，还是 DeepMind 的交互视频，大家都在寻找 LLM 之后的新范式。如果 LeCun 最终顺利出走创业，很可能会倒逼 Meta 加快调整研究重心，也将迫使整个资本市场重新评估到底什么才算真正的通用智能基础架构。

我们认为，World Labs 把 3D 高斯泼溅技术包装成世界模型，在叙事和融资上非常聪明，但隐患在于透支了行业预期。把场景渲染得逼真，和让机器真正理解重力、惯性与物理因果之间，隔着一条巨大的鸿沟。看起来，视觉上的可逛不等于认知上的可用，这场关于世界模型的万亿豪赌，才刚刚进入定义权争夺的初级阶段。