023.世界模型的关键不是漂亮画面

本期要点

· 本期要点

· 1. 世界模型的评判标准被搞错了：今天大家在比谁生成的视频更漂亮、更流畅，但像素只是在模拟"观测"，不包含世界背后的语义和因果关系，因此无法支撑规划与预测。

· 2. 讲者用七十年的人工智能史铺垫：从 1956 年达特茅斯会议、感知机与早期机器翻译，到马尔可夫和香农的语言模型、1975 年 IBM 正式提出"语言模型"这一术语。

· 3. 一条被低估的主线：语言模型长期是语音与自然语言处理的核心技术，却在人工智能其他领域几乎无人知晓——大众记忆里的 AI 史被"视觉故事"主导了。

· 4. 大语言模型的真正瓶颈不是数据也不是算力：2007 年谷歌已有两万亿词元规模的语言模型与足够算力，卡住的是模型架构的灵活度；直到 2020 年 GPT-3 时代规模与架构同时到位才爆发。

· 5. Moonlake 的做法是回到代码：在视觉世界之下垫一层代码作为符号表示，用"写代码渲染 → 与真实物理对比 → 找偏差 → 改代码"的循环（Claude Code 式）迭代出可验证的动作条件世界模型，得到神经符号表示——符号部分人类可对接、可编辑、可维护。

· 6. 核心目标：用精确仿真替代真实世界里一万小时的遥操作数据，并且能任意生成真实世界采不到的罕见场景（长尾），这才是人形机器人与自动驾驶落地的真正瓶颈。

· 7. 两个值得记住的判断：其一，"软件吃掉世界"只完成了上半场，软件一直吃不下物理世界，可验证的代码驱动仿真就是下半场；其二，仿真不必在每一个细节上都精确，关键是你能控制哪些部分需要建模、哪些不需要。