今天小編分享的互聯網經驗：為什麼Sora不能成為世界模型？，歡迎閱讀。
文 | 王智遠
寫完一篇空間智能文章，發到群裡，聊它如何用虛拟空間數據訓練機器人，幫人類理解世界。
結果有朋友提出個問題：
文生視頻算不算空間智能？它也能生成虛拟場景，為什麼不是最佳途徑？這問題挺有意思，我第一反應就想到了 Sora。
文生視頻 " 新星 " 崛起速度太快，幾句話能生成一個視頻，兩年内字節、騰訊、甚至其他模型廠商紛紛壓住該賽道。
不過，兩年過去，有人發現它沒那麼完美，生成人像總帶着 " 恐怖谷 " 的詭異，連 Facebook 首席人工智能科學家 Yann LeCun 也點評說：Sora 不過是畫得好看，壓根不懂物理規律。
于是，我帶着疑問研究了一下：看似強大的 Sora，為什麼不能成為真正的世界模拟器？它和空間智能的差距到底在哪？
01
愛因斯坦有句經典的名言：
" 如果不能簡單地解釋一件事，那就說明還沒有真正理解它。"（If you can't explain it simply, you don't understand it well enough.）
所以，想深入探究，就必須從深層次技術原理出發。
Sora 的核心是 " 擴散模型 "（Diffusion Model）；從一堆随機噪點開始，通過 AI 一步步去掉雜亂，最終生成清晰的畫面，再将這些畫面串聯成視頻，聽起來像魔法，其實背後是數學原理在支撐。
另外，它還有個幫手是 "Transformer"，這個詞不少人聽說過。什麼意思呢？它擅長處理序列數據，把零散的信息連成一條線。在 Sora 中，它将文字指令拆解，再把一幀幀畫面串聯成流暢的動作。
舉個例子：
如果你輸入 " 船在咖啡杯裡航行 "，Sora 會先理解 " 船 " 和 " 咖啡杯 "，然後，把船、水波蕩漾、船身傾斜這些相關的詞匯、場景串聯起來。
這背後依賴海量視頻數據和強大的算力，才能在幾秒鍾内生成幾十秒的畫面。
可是，你有沒想過，僅僅依賴數據堆砌出來的結果，真的能理解物理世界嗎？答案是不會。問題就出在架構上。
擴散模型擅長從數據中學習像素規律，預測下一步畫面應該是什麼樣子；Transformer 則能讓幀與幀銜接得天衣無縫。所以從視覺上看，Sora 很 " 聰明 "，能夠模仿真實視頻的連續感，但仔細一想，問題就來了。
船怎麼可能塞進杯子？我試過輸入「貓跳到桌上」，畫面流暢得沒話說，結果貓腿直接穿過了桌面，就像遊戲裡的穿模。為什麼會這樣？
因為 Sora 的生成邏輯是 " 畫得好看 "，而不是 " 畫得對 "。
它不懂重力如何讓腳落地，也不懂桌子為何會擋住貓腿，生成 " 恐怖谷 " 人像時，更一目了然，臉部細節一放大就崩了，它只知道靠像素預測，卻沒有考慮現實規則。
所以，Sora 的強項和弱點是一枚硬币的兩面。
視覺流暢是它的本事，不合理也是它的命門。正如 Yann LeCun 所說，它 " 不懂蘋果為何落地 "，我覺得這個觀點很對：Sora 的架構根本就沒想去理解物理世界，只是想把畫面糊弄得像真的。
既然 Sora 不懂物理世界，那它能否成為世界模拟器呢？
我認為有點懸。為什麼？
世界模拟器是一個能夠運行物理規則的虛拟環境，幫助機器人學習現實中的因果關系，但 Sora 生成的視頻雖然看起來像回事，卻毫無真實性。
你想想看，" 船在杯子裡 " 這樣的視頻去怎麼去教機器人，機器人可能會以為杯子能裝下萬噸巨輪，這根本沒好用。
因此，擴散模型和 Transformer 的目标是視覺生成，而不是物理模拟，Sora 更像一個藝術工具，追求 " 好看 " 的畫面，而不是 " 對 " 的世界，這讓我覺得 Sora 局限性在于其架構沒有對準目标。
02
既然這樣問題來了：世界模拟器要具備哪些關鍵特性？
我覺得最基礎的有三點：
一，得知道現實物品規則是什麼樣，搬到虛拟場景中，不能差太多；二，理解物品與物品之間怎麼相互影響的；三，還得能把不同物品整合到一起，相互推理。
這麼說，有點抽象，我舉個例子：
你在教一個機器人怎麼拿東西，世界模拟器裡面的 " 虛拟杯子 "，得模仿出真實杯子的重量、材質、形狀，這樣機器人才知道該用多大的力氣去抓。
模拟器把重力以各指标模仿的不準确，機器人就會抓得太緊或者太松，東西就會掉下來，甚至還會被弄壞。
再聊聊智能交通。
現實中，堵車是個大難題。要解決它，得靠算法、數據分析，比如錯峰出行。
假設有個世界模拟器，如果它沒法模拟紅綠燈時長、車輛速度，就無法預測哪裡會堵車、什麼時候堵，也做不了錯峰規劃。
同樣，如果模拟器不清楚車輛摩擦力，就判斷不了車子能不能在綠燈時順利起步或紅燈時及時停下；如果搞不清車輛之間的相互影響，交通就會亂套，甚至可能出事故。
所以，世界模拟器的作用，是把復雜的物理規則和物體之間的關系都搞清楚，這樣才能讓機器人、智能交通這些高科技的東西更好地工作。
對比來看，Sora 在關鍵特性上明顯不足。它在視覺生成方面做得很棒，但沒辦法滿足世界模拟器對物理規則和因果關系推理的要求。
這種問題不只出現在 Sora 上，一些國產大模型也有類似架構缺陷。我刷抖音時經常看到有人用圖生視頻模型，結果人突然變成狗，看起來很搞笑，但明顯不符合現實邏輯。
原因很簡單，架構無法為世界模拟器提供真實的物理理解能力，因此，在具身智能或其他領網域的應用就會受到很大限制。
可以得出一個結論：世界模型和文生視頻的架構完全不一樣。世界模型要模拟真實世界，必須懂物理規律和現實邏輯；文生視頻主要生成畫面，在邏輯和真實性上沒那麼嚴格。
03
我認為，相比之下，真正值得關注的，是更注重物理規則建模和具備因果關系推理方向的模型。比如：李飛飛的 World Labs、黃仁勳的世界模型（Cosmos WFMs），以及群核科技的空間智能。
為什麼拿他們舉例呢？有三點：
先看目标，黃仁勳提出的 Cosmos WFMs（世界模型）是希望打造一個能模拟真實世界的「虛拟大腦」。這個大腦要懂物理規則，要知道物體怎麼動、力怎麼作用，還要明白事情的前因後果。
李飛飛的 World Labs 目标是讓人工智能真正理解世界。它通過模拟物理規則、因果關系和復雜場景，讓 AI 不僅能 " 看到 "，還能 " 理解 " 世界。
比如：一個 AI 產品可以在虛拟場景中預測事情的發展，或根據不同情況做出合理決策。這種能力對提升機器人、自動駕駛等領網域的智能化至關重要。
群核科技的空間智能，目标是希望把真實世界搬到數字世界裡，讓 AI 能看懂、能用，然後用數據幫助家居設計、建築規劃、以及 AR、VR 這些領網域，幫行業更高效的幹活。
說得直白點，是希望打造一個 " 數字孿生 " 的世界，讓人、AI、空間裡面思考和行動，解決實際問題。
既然有了目标，再看看三家技術實現路徑。
Cosmos WFMs 的技術實現路徑是通過構建生成式世界基礎模型（WFMs），結合高級分詞器、安全護欄和加速視頻處理管道等關鍵技術，為開發者提供高效的開發工具。
具體來說，它利用 NVIDIA NeMo 對基礎模型進行調優，并通過 GitHub 和 Hugging Face 提供開源支持，幫助開發者生成高仿真的物理數據。
此外，Cosmos 還專注于多視角視頻生成、路徑規劃、避障等任務，進一步提升物理 AI 在機器人、自動駕駛等領網域的應用能力。
報告裡面的東西是不是很難懂？
通俗的說：他們做的這套系統，能讓 AI 學會像人一樣看路、規劃路線、避開障礙物，還能生成各種角度的視頻，特别适合用在機器人和自動駕駛這些領網域。
李飛飛的 World Labs 的技術實現路徑是，開發一種從 2D 到 3D 的智能轉化技術，讓 AI 不僅能看懂平面圖片，還能生成完整的三維空間。
他們的系統從一張普通照片出發，估算出場景的 3D 結構，然後補全圖片中看不到的部分，最終生成一個用戶可以自由探索和互動的虛拟世界。
簡單講，用 AI 把平面影像變成立體空間，讓人像在真實世界一樣能走進去、四處看看。這種技術對機器人導航、虛拟現實等領網域特别有用，因為它們都要 " 空間智能 " 來理解和應對復雜的 3D 環境。
群核科技搞空間智能，簡單來說：
1 萬台 GPU 伺服器，用計算能力幫家居和建築行業快速做出大量 3D 模型，順便攢了一堆 2D 和 3D 的設計數據；把數據整合到一個平台上，能生成特别逼真的虛拟場景。
最後，企業可以用這個平台來訓練機器人，比如：掃地機器人或者自動駕駛設備，讓它們在虛拟世界裡模拟真實環境，學會怎麼動、怎麼避障，變得更聰明。
因此，無論黃仁勳的 Cosmos WFMs、李飛飛的 World Labs，還是群核科技的空間智能，技術核心目标是通過模拟真實世界的物理規則和因果關系，讓 AI 在空間内訓練更聰明、更能解決實際問題。
04
我認為，要實現這一目标，離不開一個關鍵因素：高質量數據。數據是構建世界模型和空間智能的基礎，可它也是發展裡最大的「攔路虎」。
為什麼？
我們說具身智能有點抽象，換一個更具體的詞：" 虛拟訓練 "。虛拟訓練有兩個重要方面：
一個是生成式的海量數據。就像 GPT 這樣的文字模型，靠超大規模的數據和強大的算力來學習和推理；另一個是真實數據。枕頭的大小、重量、材質，或者光線怎麼反射、物體怎麼碰撞，這些是物理互動場景。
這種真實數據來源于現實世界，直接決定虛拟訓練能否模拟出符合實際邏輯的行為和反應；
換句話說，虛拟訓練要兩種數據：一種是 " 虛拟生成 " 的大數據，另一種是 " 真實場景 " 的物理數據，而後者，往往成為發展的瓶頸。
原因很簡單：文生視頻、文生圖等生成式技術雖然能生成豐富的内容，但很難直接獲取真實的物理規則和精确的互動細節。
比如，文生視頻可以生成一個 " 滾動的球 "，但它可能無法準确模拟球在不同材質地面上的摩擦力、彈跳高度或碰撞反應。
那真實場景的數據從哪兒來呢？只能從真實世界裡來。
通過傳感器、攝像頭、激光雷達等設備，從現實環境中采集；你開車時，傳感器會記錄車輛的運動軌迹、力度變化、光線反射，還有車輛間距、行人行為，甚至天氣對路況的影響。這些信息會被上傳到平台，用來分析和訓練。
但有了數據還不夠。
平台的數據不能保證下一次操作一定精準，還得在虛拟環境裡進行大量訓練；自動駕駛汽車，要在虛拟環境裡反復模拟行駛，可能要跑成千上萬次，直到能應對各種復雜場景，才能用到現實世界裡。
明白這些，你也就明白了，這不僅是自動駕駛、機器人領網域的問題，其他行業也一樣。
不管醫療、制造還是農業，世界模型和空間智能都需要海量的真實數據來支撐，并且要通過虛拟環境的反復訓練來驗證和優化能力。
換句話說，無論是自動駕駛、機器人導航，還是其他行業的具身智能應用，核心挑戰都在于如何獲取高質量的真實數據，再通過虛拟和現實的結合，讓 AI 真正能解決實際問題；這才是未來技術落地的關鍵。
誰有底層架構、誰有數據，誰才有上牌桌的機會。
