超过大模型，图灵奖得主的世界模型是什么？

点击蓝字

关注我们

因为公众号平台更改了推送规则。记得点下右下角的大拇指“赞”和红心“推荐”。这样每次新文章推送，就会第一时间出现在订阅号列表里。

图灵奖得主杨立昆在2025年底离开Meta，此前他担任了该公司首席AI科学家约12年。如今，他正在押注AI领域最具资本优势的反向赌注之一，并于2026年5月底迎来了迄今为止最严峻的技术考验。

其总部位于巴黎的初创公司AMI Labs正致力于构建“世界模型”——即让AI学习物理现实的行为规律，而非预测序列中的下一个词。

其核心论点是，当前主导行业的大语言模型（LLM）单凭自身，永远无法达到人类级别的智能。其研究团队接连发布两篇预印本论文，两篇发布仅相隔数日，并于5月31日被业界联合解读。这两篇论文清晰界定了这套技术架构能够实现的能力边界，同时也点明了现阶段世界模型尚存多大的技术短板。

对于任何关注前沿AI资本流向的人来说，风险是实实在在的。AMI Labs在2026年3月9日宣布的种子轮融资中，以35亿美元的估值筹集了10.3亿美元资金——被报道为欧洲初创企业历史上规模最大的种子轮融资。截至六月初，该公司仍没有推出任何产品，团队仅有约十人，且研究计划已规划多年。五月底发布的论文是首次明确公开地表明，这一估值背后的科学依据是否正朝着既定目标迈进。

AMI Labs 构建世界模型以预测现实 

AMI指先进机器智能（Advanced Machine Intelligence）。该公司在2026年1月底确认了自身的发展方向：正在开发旨在理解真实世界、具备持久记忆以及进行推理和规划的AI系统。据杨立昆的表述，世界模型能够学习环境运作的内在表示，使机器在采取行动前就能预测其行为的后果。

杨立昆是AMI Labs 的执行主席，而非CEO。日常运营由Alexandre LeBrun负责，他是一位连续创业者，曾联合创办健康AI初创公司Nabla，并此前在Meta公司的前沿AI研究（FAIR）实验室工作过。公司总部位于巴黎，未来将在纽约设立办公室——杨立昆在那里担任纽约大学教授——此外还计划在蒙特利尔和新加坡设立办公点。

JEPA的工作原理：在抽象空间中进行预测 

其技术基础是联合嵌入预测架构（Joint Embedding Predictive Architecture，简称JEPA），这是杨立昆在LLM热潮兴起之前于2022年提出的框架。在接受《麻省理工科技评论》的独家专访时，他直接解释了该机制：“世界是不可预测的。如果你试图构建一个能够预测未来每一个细节的生成模型，它将会失败。JEPA并非生成式AI，而是一套能够高效精准表征视频内容的系统。”

两种架构在工程实现上的根本差异，正是这场逆向押注既有巨大潜力、又暗藏风险的根源。生成式模型试图重建每一个像素或标记，这迫使它在建模时耗费大量资源来处理难以预测的表面细节。而JEPA则将每个输入编码为抽象表示，并在这一潜在空间中进行预测，舍弃无法预测的部分，保留高层次结构。正是这一核心设计选择——预测的是表征而非原始输出——使得JEPA系统理论上能够像婴儿学习重力一样，从环境中学习底层规则，并利用这些规则进行规划。这也正是为什么该架构的可靠性高度依赖于训练方式，存在显著的先天短板，而本次新发布的论文，清晰暴露了这一脆弱性。

杨立昆认为，LLM无法规划或预测后果

杨立昆对LLM的反对观点是一份有理有据的论述，而非行业共识，他对此态度十分笃定，不留任何折中余地。他在接受《麻省理工科技评论》采访时指出：“人们一直抱有一种错觉，即我们很快就能将这些模型扩展到具备人类水平智能的程度，这种想法完全是错误的。”

他援引莫拉维克悖论——人类在感知和导航方面容易，而机器却难以做到——并强调，LLM“仅限于离散的文本世界”，无法真正进行推理或规划，也无法“预测其行为的后果”。

他进一步指出，下一代技术对视频和机器人领域而言已是一条死胡同，并预测到2027年初，机器人领域将意识到必须摆脱以LLM为中心的架构。LeBrun还从医学领域得出了类似结论：LLM的幻觉可能带来危及生命的后果；Nabla是AMI Labs首家公开披露的合作伙伴。

以上这些都并非AI未来既定的定论，而是这笔 10.3 亿美元融资所押注的技术路线。

LeJEPA可识别性证明究竟能保证什么？

5月底发表的首篇论文《LeJEPA何时能学习到世界模型？》由冷泉港实验室的David Klindt、LeCun以及布朗大学的Randall Balestriero于5月25日提交。该论文证明，LeJEPA架构能够实现“线性可识别性”——即在某种线性变换下，从原始观测数据中恢复出真实隐藏变量（例如物体的位置和速度），而不仅仅依赖于找到最便宜的统计捷径。

这套理论性能保障是附带前提条件的，而这些约束条件正是本次论文的核心新发现。只有满足以下全部要求，该结论才成立：潜在变量服从高斯分布；系统演化遵循平稳加性噪声动力学规律；训练数据能对状态空间实现大范围、近似均匀的采样探索。

论文最核心的标志性结论采用充分必要条件（当且仅当）表述：在该类物理环境模型中，高斯分布是唯一能让这套性能保障生效的潜在表征分布。相关数学证明已通过Lean 4 交互式定理证明器完成形式化验证，其严谨程度远超传统学术论文的标准论证，可由机器自动核验推导过程。

对工程研发人员而言，该结论的现实限制十分直白：如今绝大多数机器人研发流程所采用的目标导向型训练数据，会在无形中让观测样本落入不满足前提的区间，致使整套理论保障彻底失效。

AI世界模型基准测试显示，现有系统在微小变化下便已崩溃 

如果说第一篇理论论文勾勒出了技术理想终点，第二篇论文则量化了当下距离这个目标还有多远。由Mila和蒙特利尔大学的Lucas Maes领导、杨立昆和Balestriero等共同参与的团队于5月20日发布的“稳定世界模型”基准测试，是一个开源平台，其创建背景是该领域已高度碎片化，导致可靠性严重不足——一种常见的规划算法在最近至少五篇论文中被独立重新实现。

对当前系统而言，结论是明确的：它们仍然脆弱。在一项标准任务中，即推动物体到达目标位置时，一个测试模型在干净条件下约有50%的成功率；当agent的颜色发生变化时，成功率降至约12%，当背景颜色改变时则约为6%，而添加视觉干扰后，所有基准线的表现均出现大幅下滑。一个更细微的发现揭示了深层问题——预测准确率并不能很好地反映规划的成功度，这意味着即使模型能正确预测下一帧，也可能因锁定在背景颜色而非任务几何结构上而失败。所有数据均来自预印稿，尚未经过独立验证。

世界模型竞赛中包含李飞飞的World Labs和谷歌DeepMind

AMI Labs并非唯一认为下一步突破需要建模物理世界的公司。由斯坦福大学李飞飞创立的World Labs在退出“低调”模式后，推出了名为Marble的系统，该系统可生成物理上连贯的3D世界，有消息称，该公司估值为50亿美元。谷歌DeepMind推出的Genie系列生成式交互环境则代表了另一个方向。尽管两者方法不同——World Labs专注于空间智能与3D生成，而AMI Labs则基于JEPA的预测与规划——但它们都坚信，仅靠语言是不够的。

AMI Labs背后的资金反映了其信念所获得的资本规模。本次三月融资由凯撒创新、Greycroft、Hiro Capital、HV Capital和Bezos Expeditions共同领投，个人投资者包括Tim and Rosemary Berners-Lee, Jim Breyer, Mark Cuban, Mark Leslie, Xavier Niel, and Eric Schmidt，企业投资者则包括英伟达、三星、Sea、淡马锡和丰田创投。据报道，该公司曾寻求约5亿欧元的融资，最终成功筹集了约8.9亿欧元。

五月底的两篇论文对10.3亿美元的赌注意味着什么

这两篇论文均未能证明AMI Labs能够按其宣称的时间表交付可部署的世界模型。可识别性结果是形式化的，但带有条件；基准测试结果则是经验性的，且仅限于模拟环境和现有基线。

两篇论文结合在一起，只是把研发目标界定得更加清晰：相关定理明确了满足何种数据采集条件时，模型实现精准学习在数学层面具备可行性；而基准测试则指出，要将理论可行性转化为稳定可靠的实际效果，必须先攻克各类鲁棒性缺陷。

LeBrun坦言，未来前景尚远，他向TechCrunch表示，这项工作“始于基础研究”，“并非像大多数应用型AI初创公司那样能在三个月内推出产品”。该公司还计划发表论文并开源大部分代码，这与杨立昆长期以来倡导开放研究的理念一致。

常见问题 

什么是AI中的世界模型？

世界模型是一种AI系统，它能够学习环境行为的内在表示，从而预测行动的结果并进行规划，而不仅仅预测下一个词或像素。杨立昆认为，这种能力对于推理、机器人技术和可靠的自主系统是必要的。他的初创公司AMI Labs正在基于JEPA架构构建世界模型。

为什么杨立昆认为LLM还不够？

杨立昆认为，LLM受限于文本的离散世界，无法真正进行推理或规划，也无法预测行为带来的物理后果，因为它们缺乏对世界运作方式的理解模型。他称认为LLM扩展后能达到人类水平智能的观点是错误的。这是他的观点，并非行业共识。

原文链接：

< 长按识别二维码添加好友 >

加入上述群聊

长按并关注

带你走进万物存储、万物智能、

万物互联信息革命新时代

微信号：SSDFans