世界模型之争：李飞飞、LeCun、谷歌三巨头押注AGI未来

李飞飞的Marble：世界模型即“所见即所得”的3D界面

• 技术核心：Marble采用了近年来在3D建模领域大热的高斯泼溅（Gaussian Splatting）技术。它将场景解构为成千上万个半透明的彩色斑点（高斯），再将它们“泼溅”渲染成精美的三维画面。这种方法绕过了传统建模的复杂流程，实现了极快的生成速度。

• 产品形态：Marble更像一个前端资产生成器。它允许用户，特别是VR或游戏开发者，通过简单的提示语生成3D世界，并能一键导出为高斯斑点、Mesh网格或视频，无缝对接到Unity等开发引擎中。其内置的AI编辑器Chisel，更是让用户可以自由改造世界。

• 争议与局限：尽管商业前景广阔，但许多技术专家指出，Marble更像一个先进的3D渲染模型，而非真正意义上用于机器人训练的“世界模型”。它捕捉的是“世界长什么样”（What it looks like），即视觉表象，但并未内置“世界为何如此运作”（Why it works this way）的物理规律和因果关系。对于需要理解重力、摩擦力等概念的机器人来说，这样的“世界”只是一个空有其表的华丽外壳。

LeCun的JEPA：世界模型即“看不见”的认知框架

• 技术核心：JEPA的核心思想是在抽象空间中进行预测。它不关心生成像素级的精美图像，因为这会耗费大量算力。相反，它专注于学习世界的高维抽象表征，并预测这些表征在未来将如何演变。

• 产品形态：JEPA更像一个后端预测系统。你无法“看到”它生成的世界，因为它不输出图像。它的任务是让AI智能体（如机器人）能够在行动前预判结果，提前“思考”几步。例如，模型能预测出“球在斜坡上会滚下去”，而无需渲染出球滚动的每一帧画面。

• 优势与应用：这种模型虽然在视觉上毫无惊艳之处，但它直击了世界的本质——因果结构和物理规律。它为机器人提供了一个完美的“虚拟健身房”，让智能体在理解世界运行逻辑的基础上进行训练和推理，这被认为是通往更高级具身智能的关键一步。

谷歌的Genie 3：介于两者之间的“世界模拟器”

• 技术核心：Genie 3能够根据一句提示生成一个可交互的视频环境。用户可以在这个由AI生成的“游戏”中自由探索，并触发“下雨”、“天黑”等世界事件。其最大的技术突破在于解决了长时一致性问题，避免了场景在探索过程中突然崩坏。

• 产品形态：Genie 3可以被看作一个“世界模型式”的视频生成器。它让世界“动了起来”，但其核心逻辑仍然是视频生成，而非JEPA那种基于物理的抽象推理。它能展示“世界怎么变”（How it changes），但同样不能完全“理解”变化背后的深层原因。

• 定位与价值：Genie 3为AI智能体提供了一个动态的训练场，比静态的Marble更进一步，但其对物理世界的理解深度又不及JEPA。同时，它的画面质量和分辨率目前还无法与Marble的高精度3D资产相比。它在可视化和动态模拟之间找到了一个平衡点。

世界模型金字塔：通往AGI的三层阶梯

1. 底层 - 世界模型即界面（以Marble为代表）：这一层最贴近人类的感知，提供可视化、可交互的3D环境。它主要服务于内容创作、游戏、VR等领域，让普通人也能成为“造物主”。它是AI技术最直观的商业化出口。

2. 中层 - 世界模型即模拟器（以Genie 3为代表）：这一层为AI智能体提供了动态的“虚拟健身房”。智能体可以在连续、可控的视频式世界中进行训练，学习与环境互动，是连接视觉呈现与行为学习的桥梁。

3. 顶层 - 世界模型即认知框架（以JEPA为代表）：这一层最为抽象，完全脱离了像素和渲染，专注于世界的潜在结构和因果规律。它是机器人的“大脑”，是实现高级推理和自主决策的核心，被视为最接近AGI本质的路径。

结论