李飛飛 vs. Yann LeCun：不斷升級的世界模型之爭

通往 AGI 的道路，終於在同一片戰場上彙集——世界模型。

李飛飛推出了其團隊的首款商用世界模型 Marble。

幾乎在同一時間，Yann LeCun 宣佈離開 Meta，準備創立一家專注於世界模型的新公司。

在此之前，谷歌的 Genie 3 已經在業界掀起巨大震動。

儘管三位大佬都投入世界模型賽道，但他們代表著完全不同的未來押注——以及截然不同的技術路徑。

世界模型之戰已經打響。

李飛飛剛發表了一篇關於空間智慧的重要長文，她的創業公司 World Labs 就迅速跟進，推出了首款商用世界模型 Marble。

團隊表示，這種技術路線能夠顯著減少場景變形與細節不一致的問題，並支援匯出高斯散點、Mesh 網格模型，甚至直接輸出影片。

更進一步的是，Marble 還內建了一個原生 AI 世界編輯器 Chisel。只需一句提示，使用者就可以按自己的想法改造整個世界。

對於 VR 創作者或遊戲開發者來說，從“一句話 → 生成 3D 世界 → 一鍵匯出 Unity”的完整鏈路，幾乎可以稱得上魔法。

然而，有機器學習工程師在 Hacker News 上指出，儘管 Marble 打著“世界模型”的旗號，它看起來更像一個 3D 渲染系統。

這不就是高斯 Splat 模型嗎？我在 AI 圈混了這麼多年，到現在還是搞不清“世界模型”到底指什麼。

一位 Reddit 網友表達得更直接：

用高斯散點、深度和修復技術把圖片變成 3D 場景，確實很酷，但這就是一套 3D 高斯生成流水線，不是機器人的大腦。

所謂高斯潑濺，是近幾年在 3D 建模領域掀起風潮的一項突破性技術。

它將場景表示為成千上萬個漂浮在空間中的彩色模糊小斑點（高斯）。這些斑點被“潑濺”到螢幕上，自然融合成影像。

可以把每一個高斯想像成一個漂浮在三維空間裡的、小小的、半透明、邊緣柔軟的氣泡。

一個氣泡當然成不了形，但上千個氣泡組合在一起，再從不同角度渲染，就能呈現高度逼真的 3D 畫面。

這種方法避開了傳統攝影測量的複雜流程，雖然犧牲了一些精度，但速度極快，編輯門檻也更低。

Marble 正是沿著這條路徑構建的。

但這也意味著，Marble 並不是許多人想像的那種、能直接用於機器人訓練的“世界模型”。

Marble 的確構建了一個完整的世界，但我們看到的只是可渲染檢視——也就是給人類或攝像頭看的畫面。

換句話說，Marble 捕捉到的是“世界看起來是什麼樣”，但沒有包含“世界為什麼這樣運作”的物理規律。

這對於人類來說已足夠，但對於機器人而言，它需要的是因果結構，而不僅是畫素。

比如，人類一眼就能理解球放在斜坡上會滾下去；但機器人要做出同樣判斷，需要質量、摩擦、速度等變數，而 Marble 中並不存在這些資訊。

也許正因如此，雖然 Marble 的部落格多次提到“世界模型”“高斯散點”“網格”和“影片匯出”，但幾乎從未提及機器人。

不過，在商業化方面，Marble 顯然更具優勢。

不同於那些仍處於研究階段、用於具身智慧訓練的高度抽象世界模型，Marble 是能立即融入遊戲與 VR 開發流程的實用工具。

但這也不禁讓人思考：通往 AGI 的“世界模型之路”，難道只是噱頭？

當然不是。

確實存在用於真實機器人智慧的世界模型——最典型的就是 LeCun 的 JEPA。

LeCun 對“世界模型”的理解，幾乎與 3D 圖形學無關，而是來自控制理論與認知科學。

這種世界模型不會生成漂亮畫面，因為它不是給人看的。

它的任務，是讓機器人提前思考幾步——在行動之前預測世界的變化。

JEPA 正是沿著這一理念設計的。

LeCun 認為，對於 AI 來說，真正重要的是中間抽象表徵。模型沒必要浪費算力生成畫素，而應專注於能支援智慧體決策的世界狀態。

因此，儘管 JEPA 無法生成 Marble 那樣驚豔的 3D 影像，但它更接近機器人真正的大腦。

它學習的是世界的底層結構，是具身智慧訓練的理想環境。

這也讓兩種“世界模型”路線出現了截然不同的分野：

李飛飛的路線更像前端資產生成器。
LeCun 的路線則像後端預測系統。

而在兩位大佬之間，還有另一家巨頭：谷歌。

今年 8 月，谷歌 DeepMind 推出了迄今最先進的世界模型——Genie 3。

只需一句 Prompt，Genie 3 就能生成一個可互動的影片式環境，使用者可以在其中探索數分鐘。

它最令人驚豔的突破之一，是解決了長期存在的長時一致性問題——不會再出現“轉個身整棟樓消失”的怪現象。

它也支援世界事件，例如“開始下雨”“夜幕降臨”，彷彿整個世界由模型而非傳統引擎驅動。

不過，Genie 更準確的定位應該是“世界模型式影片生成器”。

雖然 Genie 3 讓世界“動了起來”，但其核心仍然是影片生成，而非 JEPA 那種基於物理和因果的機制。

它可用於訓練智慧體，但無法像 JEPA 那樣把握世界的物理本質。

同時，它的解析度與畫質也難以和 Marble 那種可匯出的高精度 3D 資產相比。

總的來說，這三大“世界模型”都在試圖構建“世界”，但理解路線卻完全不同，各有千秋：

Marble 展示的是“世界長什麼樣”。
Genie 3 展示的是“世界如何變化”。
JEPA 探索的是“世界為何如此運作”。

幾乎所有世界模型，都可以大致歸入這三類：

1. 世界模型即介面
以 Marble 為代表，生成視覺化、可編輯的 3D 環境，用於人類互動。

2. 世界模型即模擬器
以 Genie 3 為代表，生成連續、可操控的動態環境，用於智慧體的試錯學習。

3. 世界模型即認知框架
以 JEPA 為代表，以潛在變數和狀態轉移為核心，是機器人訓練的理想形式。

根據研究者趙昊的觀點，這三者可以構成“世界模型金字塔”——底層是李飛飛，中層是 Genie 3，頂層是 LeCun。

仰望這座金字塔：

越往上，模型越抽象、越貼近 AI 的思維方式，更適合機器人訓練與推理；
越往下，模型越真實、越具視覺化和互動性，但對機器人意義更低。

世界模型的競賽才剛剛開始。

哪條路線更接近 AGI 仍未可知——但李飛飛、LeCun 與谷歌之間的競爭，已經開始重塑智慧系統的未來。