114.世界模型的终局：连界面都交给AI生成

本期要点

· Runway 的判断：视频生成只是中途站，真正的终局是一个完全由神经网络构成的操作系统——连界面像素都由模型实时生成。

· 起点是 2015 年的画廊语音装置和 pix2pix HD 实验：拿一个训练自"无聊"数据的模型，换角度看、做成好用的工具交给艺术家，他们就会做出你预料不到的事。

· 2022 年他们押注签下一千张 A100 集群，当时公司只是 B 轮，目标是造出视频领域的"Stable Diffusion 时刻"。

· 镜头控制是整条世界模型路线的第一颗种子：他第一次感觉到的不是"做一段视频"，而是在这个世界里穿行导航。

· 立场之争："人类心智不再是 AI 的中心，我们的世界才是"——语言只记录了人类能说清的部分，系鞋带这类知识从未被写成文字。

· 与 LeCun 的分歧：生成可爱视频算不算理解物理？Runway 认为是一回事，并用 Physics IQ 等基准看到物理能力随规模化可预测地提升。

· 最大的技术鸿沟是"反事实生成"：要训好机器人，模型必须能把"失败"仿真得同样真实——而现在成功样本远多于失败样本。

· 机器人是意外收获：第三人称视频预训练 + 几百小时真机微调，视频模型直接变成能用的仿真器。

· "界面世界模型"演示：直接生成像素，而不是生成像素的代码；对比让大模型写前端，既更慢，有些交互也很难描述清楚。

· 清醒梦测试：戴上 VR 头显，如果你分不清眼前是透视模式还是模型生成的画面，那世界模型才算真的够好。