解讀「世界模型」分歧：李飛飛做 3D 資產，LeCun 賭大腦，DeepMind 押模擬器

只要在科技圈聊起下一代 AI，幾乎所有人都在提同一個詞：「世界模型」。

有意思的是，如果你把李飛飛、Yann LeCun 和 Google DeepMind 放在同一張桌子上，他們嘴裡的「世界模型」根本就不是一碼事。

一個概念，三種完全不同的下注

就在最近這段時間，世界模型這個詞突然徹底破圈。

李飛飛帶著融資 2.3 億美元的 World Labs 推出了 Marble，號稱多模態世界模型，能把文字和圖片直接變成瀏覽器裡可以漫遊的 3D 場景。

幾乎在同一時間，據納斯達克等媒體報道，Meta 首席 AI 科學家 Yann LeCun 準備離職自立門戶，創辦一家專注世界模型的初創公司。而 DeepMind 也接連亮出了能夠即時生成可互動影片環境的 Genie 3，以及能在虛擬 3D 世界裡陪伴學習的遊戲智慧體 SIMA 2。

其實這個詞並不是 AI 營銷人員造出來的。早在 1943 年，蘇格蘭心理學家 Kenneth Craik 就在《解釋的本質》裡提出，人類大腦會構建外部現實的小尺度模型，用來預測因果和推演行動。但在今天的商業世界裡，世界模型更像是一張羅夏墨跡測驗圖，每個人看到的都是自己想賣的東西。

資產生成器、預測大腦與遊戲模擬器

李飛飛的 World Labs 押注的是空間智慧。Marble 可以吃進文本提示、單張照片、短影片甚至是簡陋的 3D 白模，然後生成 3D 場景。使用者不僅能在瀏覽器或 VR 裡漫遊，還能用內建的 Chisel 編輯器進行調整，並匯出為 3D 高斯潑濺、OBJ 網格或平面影片，官方甚至配套開源了名為 Spark 的 Three.js 渲染器。

但在 Hacker News 和 Reddit 上，工程師們很快看出了門道。不少人直接吐槽，這分明是一套極其成熟的高斯潑濺 3D 資產流水線，能幫遊戲引擎省事，但根本不是機器人的大腦。

LeCun 想做的則是另一回事。他的想法來自控制論和認知科學，核心是他在 2022 年論文裡提出的 JEPA 架構。在這個架構裡，世界模型不需要渲染好看的畫面，它的任務是把外界感官資料壓縮成內部的潛在狀態，並預測幾步之後的演變，純粹充當機器智慧規劃動作的內腦。

DeepMind 則恰好卡在兩者中間。它的 Genie 3 不需要傳統遊戲引擎，純靠模型就能即時生成 720p、24 幀的可互動影片，場景裡的物體在多幀之間具備連續性，再配合能理解環境的 SIMA 2，組成了一個供 AI 智慧體在裡面摸爬滾打的數字沙盒。

為什麼重要

對於 3D 設計師和獨立遊戲開發者來說，World Labs 的 Marble 是目前唯一能直接上手的產品。如果你需要快速搭建場景白模或做網頁端 3D 展示，它確實能大幅壓低資產製作的時間門檻。但如果你是衝著讓機器人理解物理世界去的，現在去試它沒有任何意義。

對行業而言，這場分歧挑明瞭純語言大模型的侷限。不管是李飛飛的 3D 空間、LeCun 的潛在狀態預測，還是 DeepMind 的互動影片，大家都在尋找 LLM 之後的新範式。如果 LeCun 最終順利出走創業，很可能會倒逼 Meta 加快調整研究重心，也將迫使整個資本市場重新評估到底什麼才算真正的通用智慧基礎架構。

我們認為，World Labs 把 3D 高斯潑濺技術包裝成世界模型，在敘事和融資上非常聰明，但隱患在於透支了行業預期。把場景渲染得逼真，和讓機器真正理解重力、慣性與物理因果之間，隔著一條巨大的鴻溝。看起來，視覺上的可逛不等於認知上的可用，這場關於世界模型的萬億豪賭，才剛剛進入定義權爭奪的初級階段。