世界模型可能成为下一个主流人工智能范式，它帮助系统表征环境、预测结果、模拟可能性、规划路径并采取行动。Yann LeCun、Demis Hassabis与Fei-Fei Li三者的汇聚，预示着AI正从单纯的内容生成转向为决策而生的模型构建。

人工智能的下一站：我们押注世界模型

为什么Yann LeCun、Demis Hassabis与Fei-Fei Li都转向了能够表征、预测、模拟、规划与行动的AI系统？

我一直在思考。 Turing Post始终怀揣一个目标：串联碎片。过去三年，我认为我们做得相当成功。

但今年夏天，当我们有意放慢脚步以全局视角审视时，我意识到我们已过深地陷入细节，注意力过于分散。我们大多数人都是如此。这情有可原——AI发展如此迅猛，每周都有十个不容忽视的新突破。

但它究竟朝向何方？

因此我持续思考、阅读、倾听，重新串联线索。我的判断落在世界模型上。

若你此刻不以为然，情有可原。即使研究世界模型的学者也对其定义各执一词。根据对话对象的不同，世界模型可能是潜在预测器、模拟器、基于模型的强化学习系统、空间生成器，或智能体理解环境所用的内在表征。

正是这种分歧，让我认为我们应当聚焦此话题，在机器智能演进过程中构建其认知地图。

对我而言最强烈的信号是@ylecun（Yann LeCun）、@demishassabis（Demis Hassabis）与@drfeifei（Fei-Fei Li）三者都已投身世界模型研究。

他们从完全不同的路径切入，这恰恰激起了我更深的好奇。当三位以迥异方式塑造现代AI的人物聚焦同一问题时，我迫切想探知他们究竟看到了什么。

图片由ChatGPT生成

图片由ChatGPT生成

我对世界模型的简化定义是：它构建了关于所处环境的某种认知图景，具备预测事态发展的能力，并掌握选择行动方案的策略。

这不正是我们共同的追求吗？

细想之下：这同样是AI领域多数资本投入试图抵达的方向。企业斥资数十亿并非仅需要更多文本生成，他们渴望的是更优决策。

应运行哪个实验？代码改动会否破坏生产环境？机器人应选择哪条路径？库存决策会导致三周后供应短缺吗？当首个计划失败后智能体该采取什么行动？

自回归模型、扩散模型、统计学与生成技术仍将参与其中。但生成可能的文本延续，与维护环境状态、测试未来可能性、选择行动方案并非同一概念。AI的下一阶段或将融合这些方法，而非简单替代。

你或许会问：这对我有何用处？ 这个问题很公允。我认为对软件开发者而言，世界模型可能意味着智能体将代码库理解为动态系统，能预测代码修改的影响，并在实际部署前测试方案。对AI工程师而言，它可能意味着在具备因果效应的环境中训练与评估智能体。对企业领导者而言，它可能意味着从总结过往转向测试不同决策可能引发的未来。

它的应用潜力远不止于此。

因此，基于这个夏天的沉淀，结合上周提出的《年鉴》构想，Turing Post将进行若干调整。

我们将以世界模型作为内容构建的主轴。这不代表仅报道被贴上“世界模型”标签的系统，我们将持续追踪机器在物理、数字与科学环境中表征、预测、模拟、规划与行动的方式。

我们仍会关注OpenAI、NVIDIA、智能体、机器人技术、科学、基础设施与架构等领域，但不再单纯因其产品发布而报道。只有当这些领域推动整体叙事演进时，我们才会深入探讨。

这是我们需要验证的假设，而非宣称世界模型已获全胜。该术语可能变得过于宽泛，部分承诺或许难以实现——对此我们也将持续观察。

但这是我久违地感到：我们拥有了足够精准以指引方向、足够宏大以伴随成长的问题：

机器如何构建世界认知？当它们开始基于认知行动时会发生什么？为取得成功又需要忽略哪些信息？

欢迎分享你的见解。 我始终珍视你的思考

📹 以下是Yann LeCun、Fei-Fei Li与Demis Hassabis研究路径的异同速览，点击观看 → https://www.youtube.com/watch?v=luZkSc_A-0I