Загрузка видео...

Не удалось загрузить видео

На главную

预测真实世界下一秒 北京智源研究院推出全新的多模态世界模型：Emu3.5 很多传统图像生成模型的主要问题是： 它们“不懂世界”运行的规律，无法理解真实世界的物理规则和因果关系。 Emu3.5在传统图像生成的基础上，进一步让AI具备： 理解真实世界的空间关系 推理物体随时间变化的规律 预测“世界下一秒”会是什么样 不同于以往为图像、文字、视频分开设计模型，Emu3.5 将它们全部“统一”在一个系统中： 首先把多模态信息包括图文视频都统一成了token； 模型通过“预测下一个 token”来学习不同模态间的关系； 任务统一为 NSP：预测下一个世界状态（包括视觉和语言）。 Emu3.5 不再只关注“文本之间的逻辑”， 而是让模型学习“世界是如何变化的”。 意思就是它不再区分： 这是一张图 这是一句话 这是视频的一帧 在它眼里，它们都是同一套“世界积木”。 然后模型只做一件事： 预测下一块积木是什么 如果下一块积木是一行字 → 它补全文字 如果是下一帧画面 → 它补全动作 如果是下一步结果 → 它推演世界变化 所以： 预测下一 Token = 预测“世界下一秒”会是什么样

xiaohu's profile picture

小互

126,090 subscribers

14,821 просмотров • 11 месяцев назад •via X (Twitter)

LIVE

Anya Rossi• Live Now

Private livecam show

Комментарии: 11

Фото профиля 开发者/创作者Bruce
开发者/创作者Bruce11 месяцев назад

我花了一个小时测试，结果是，算了，好好用nano banana吧

Фото профиля 小互
小互11 месяцев назад

Emu3.5的训练数据包含 约 790 年长的视频时长。 视频是现实最接近的数字化记录：同时携带时间、空间、物理与意图信息。 训练视频包含： 时间（Time） 空间（Space） 物理（Physics） 因果（Causality） 意图（Intent） 也就是世界的五个本质元素。 学习真实的世界经验

Фото профиля 小互
小互11 месяцев назад

它支持生成3D交互画面 有点类似 李飞飞的 World Labs，可以生成式一个真实的可交互的三维世界。

Фото профиля 小互
小互11 месяцев назад

能理解并生成完整的“教学步骤图片”。 比如教你： 如何烹制虾仁西芹猪肉饺子？ 它会： 自动拆解步骤 每一步都有示意图 教你如何一步一步地完成

Фото профиля 小互
小互11 месяцев назад

Emu3.5 最核心、最创新的能力是： 它能根据当前的场景，预测世界的下一个状态，也就是“下一秒会发生什么”。 举例： 上传一张小孩拿着气球的照片，然后告诉模型：小孩气球不小心飞走了 它生成了这样一张↓

Фото профиля 小互
小互11 месяцев назад

预测一下这棵树到了秋天结满果实，并且果实成熟的样子 当然这些像 GPT和 Gemini 模型 也可以实现，但是核心原理有一点不同 GPT / Gemini 是“语言逻辑的知识推测”； Emu3.5 是“物理动态的预测”。

Фото профиля 小互
小互11 месяцев назад

图像生成能力也还行

Фото профиля 小互
小互11 месяцев назад

图像编辑能力

Фото профиля 小互
小互11 месяцев назад

详细介绍和评测： 模型官网： 在线体验： 论文：

Фото профиля DragonLong
DragonLong11 месяцев назад

开源吗？

Фото профиля 葡萄铺
葡萄铺11 месяцев назад

(๑•̀ㅂ•́)و✧无？你是在逗我吗？(✿◡‿◡)

Похожие видео

卧槽，这个模型真的有点东西啊! 看完后就想问什么时候可以上手啊！ Odyssey AI实验室刚刚扔出一个真正让人眼前一亮的家伙：Starchild-1。 这是全球第一个实时多模态世界模型。 它不只是生成画面，还能同时生成真实世界的声音。 视频里你能看到一个完整的场景：画面在动，声音同步响起，视觉和听觉完全融为一体，像真正活过来的世界模拟。 以前的世界模型大多只能“看”世界，现在Starchild-1直接学会了“听”。 这不仅仅是又一个视频生成工具，更大的意义是朝着通用世界模型又迈出的关键一步，真正理解并模拟物理世界的下一步。 Odyssey团队说，他们正在用这种新形式的多模态智能，重新定义AI对现实的认知。
2:15

卧槽，这个模型真的有点东西啊! 看完后就想问什么时候可以上手啊！ Odyssey AI实验室刚刚扔出一个真正让人眼前一亮的家伙：Starchild-1。 这是全球第一个实时多模态世界模型。 它不只是生成画面，还能同时生成真实世界的声音。 视频里你能看到一个完整的场景：画面在动，声音同步响起，视觉和听觉完全融为一体，像真正活过来的世界模拟。 以前的世界模型大多只能“看”世界，现在Starchild-1直接学会了“听”。 这不仅仅是又一个视频生成工具，更大的意义是朝着通用世界模型又迈出的关键一步，真正理解并模拟物理世界的下一步。 Odyssey团队说，他们正在用这种新形式的多模态智能，重新定义AI对现实的认知。

Berryxia.AI

37,349 просмотров • 5 месяцев назад

AI界大佬李飞飞眼光和远见是真的超前啊！ 直言：“空间智能是人工智能的下一个前沿” 在11个月年YC 的访谈中李飞飞 Fei-Fei Li ： “世界模型要超越平面像素、超越语言，真正捕捉3D结构和空间智能。” 这句话和因果世界模型简直是天作之合。 杨立昆、李飞飞这些人在推的世界模型，本质上都在往“真正理解物理世界”这个方向走。 但光有3D结构和空间智能还不够，如果模型只学会了相关性，桌子高了2cm还是会直接翻车。 Aether AI的因果世界模型正好补上了这一块：不只是看到“手伸过去物体掉下来”，而是理解“为什么掉、怎样才能不掉”。 因果结构让世界模型从“看起来像”进化到“真正懂”。 现在两条路线在同时推进：一条是让世界模型拥有更强的3D和空间表征，另一条是给它装上因果推理引擎。 两者结合之后，物理AI才有可能从“会模仿”变成“会思考”。 这波理念上的对齐，感觉具身智能的下一个范式已经在慢慢成形了。 原访谈完整版地址见评论区👇🏻
0:37

AI界大佬李飞飞眼光和远见是真的超前啊！ 直言：“空间智能是人工智能的下一个前沿” 在11个月年YC 的访谈中李飞飞 Fei-Fei Li ： “世界模型要超越平面像素、超越语言，真正捕捉3D结构和空间智能。” 这句话和因果世界模型简直是天作之合。 杨立昆、李飞飞这些人在推的世界模型，本质上都在往“真正理解物理世界”这个方向走。 但光有3D结构和空间智能还不够，如果模型只学会了相关性，桌子高了2cm还是会直接翻车。 Aether AI的因果世界模型正好补上了这一块：不只是看到“手伸过去物体掉下来”，而是理解“为什么掉、怎样才能不掉”。 因果结构让世界模型从“看起来像”进化到“真正懂”。 现在两条路线在同时推进：一条是让世界模型拥有更强的3D和空间表征，另一条是给它装上因果推理引擎。 两者结合之后，物理AI才有可能从“会模仿”变成“会思考”。 这波理念上的对齐，感觉具身智能的下一个范式已经在慢慢成形了。 原访谈完整版地址见评论区👇🏻

Berryxia.AI

21,422 просмотров • 4 месяцев назад

AI 视频生成，到各种 AI Agent，我一直在思考一个问题：AI 最终会如何改变人类创造和体验数字世界的方式？ 最开始，AI 帮助我们生成文字和图片；后来，它开始生成越来越逼真的视频。但无论画面质量提升到什么程度，这些内容依然存在一个限制——我们仍然只是观看者。我们可以欣赏 AI 创造出来的场景，却无法真正进入其中，也无法与这个世界产生互动。 最近体验 Alaya World Alaya Lab 后，我第一次感觉，AI 视频生成正在探索一个新的方向：它不只是生成一段视频，而是在尝试生成一个可以被探索的世界。 Alaya World 是 Alaya Lab 推出的交互式视频世界模型。用户可以通过文字、图片或者视频作为初始条件，让模型生成一个动态世界。不同于传统视频生成模型“输入 Prompt，输出一段固定视频”的方式，Alaya World 更像是在探索过程中持续构建环境，用户可以在生成的世界中移动视角，并通过交互指令触发新的事件。 这也是我认为世界模型和普通视频生成模型最大的区别。 过去的视频生成模型解决的是“如何生成一段更加真实的视频”，而世界模型尝试解决的问题是“如何让一个世界持续存在”。如果你进入一个虚拟城市，向前探索，然后回头，你期待看到的是同一个城市，而不是一个重新随机生成的场景。 这背后涉及世界模型最核心的挑战：长时间生成的一致性。模型不仅需要知道下一帧画面应该是什么，还需要理解空间关系、历史状态以及用户行为对世界造成的影响。 Alaya World 在技术层面通过空间记忆机制、历史信息保留以及抗漂移训练等方式，提高长时间生成过程中的稳定性。目前模型支持 720p / 24 FPS 实时流式生成，并展示了超过一分钟的连续探索能力。 让我觉得这个方向有意思的地方，是它可能会重新定义未来数字内容的生产方式。 以游戏行业为例，过去一个虚拟世界需要大量人工制作：美术设计地图、程序编写规则、策划设计剧情。开发者需要提前创造一个固定世界，而玩家进入后按照既定规则体验。 但如果世界模型进一步发展，未来的游戏可能不再只是“开发者搭建世界，玩家进入世界”，而是“开发者定义规则，AI 实时生成世界”。玩家体验的不再是一个完全预设好的内容，而是一个随着交互不断变化的环境。 当然，Alaya World 目前仍然处于早期阶段。实时生成所需的算力成本、复杂环境理解能力，以及更长期、更稳定的世界一致性，都还有很多问题需要解决。但它让我看到一个值得关注的趋势：AI 的竞争可能不会只停留在生成更漂亮的图片和视频，而是进一步走向创造更真实、更连续、更可交互的世界。 过去，人类通过电影记录想象，通过游戏创造虚拟空间。而未来，也许我们只需要描述一个想法，AI 就可以帮助我们生成一个能够进入其中、探索其中的世界。 从生成内容，到生成世界，这可能是 AI 下一阶段最值得期待的变化之一。
0:26

AI 视频生成，到各种 AI Agent，我一直在思考一个问题：AI 最终会如何改变人类创造和体验数字世界的方式？ 最开始，AI 帮助我们生成文字和图片；后来，它开始生成越来越逼真的视频。但无论画面质量提升到什么程度，这些内容依然存在一个限制——我们仍然只是观看者。我们可以欣赏 AI 创造出来的场景，却无法真正进入其中，也无法与这个世界产生互动。 最近体验 Alaya World Alaya Lab 后，我第一次感觉，AI 视频生成正在探索一个新的方向：它不只是生成一段视频，而是在尝试生成一个可以被探索的世界。 Alaya World 是 Alaya Lab 推出的交互式视频世界模型。用户可以通过文字、图片或者视频作为初始条件，让模型生成一个动态世界。不同于传统视频生成模型“输入 Prompt，输出一段固定视频”的方式，Alaya World 更像是在探索过程中持续构建环境，用户可以在生成的世界中移动视角，并通过交互指令触发新的事件。 这也是我认为世界模型和普通视频生成模型最大的区别。 过去的视频生成模型解决的是“如何生成一段更加真实的视频”，而世界模型尝试解决的问题是“如何让一个世界持续存在”。如果你进入一个虚拟城市，向前探索，然后回头，你期待看到的是同一个城市，而不是一个重新随机生成的场景。 这背后涉及世界模型最核心的挑战：长时间生成的一致性。模型不仅需要知道下一帧画面应该是什么，还需要理解空间关系、历史状态以及用户行为对世界造成的影响。 Alaya World 在技术层面通过空间记忆机制、历史信息保留以及抗漂移训练等方式，提高长时间生成过程中的稳定性。目前模型支持 720p / 24 FPS 实时流式生成，并展示了超过一分钟的连续探索能力。 让我觉得这个方向有意思的地方，是它可能会重新定义未来数字内容的生产方式。 以游戏行业为例，过去一个虚拟世界需要大量人工制作：美术设计地图、程序编写规则、策划设计剧情。开发者需要提前创造一个固定世界，而玩家进入后按照既定规则体验。 但如果世界模型进一步发展，未来的游戏可能不再只是“开发者搭建世界，玩家进入世界”，而是“开发者定义规则，AI 实时生成世界”。玩家体验的不再是一个完全预设好的内容，而是一个随着交互不断变化的环境。 当然，Alaya World 目前仍然处于早期阶段。实时生成所需的算力成本、复杂环境理解能力，以及更长期、更稳定的世界一致性，都还有很多问题需要解决。但它让我看到一个值得关注的趋势：AI 的竞争可能不会只停留在生成更漂亮的图片和视频，而是进一步走向创造更真实、更连续、更可交互的世界。 过去，人类通过电影记录想象，通过游戏创造虚拟空间。而未来，也许我们只需要描述一个想法，AI 就可以帮助我们生成一个能够进入其中、探索其中的世界。 从生成内容，到生成世界，这可能是 AI 下一阶段最值得期待的变化之一。

Ashlyn He

12,640 просмотров • 3 месяцев назад

ChatGPT 为什么能回答问题？ 整个过程可以简单理解成 4 步 1️⃣ 拆成 Token 你的文字会先被拆成一个个小片段，再转换成模型能计算的数字 2️⃣ 理解上下文 模型会判断不同内容之间的关系 比如你问“苹果的创始人是谁”，它会根据语境判断这里的“苹果”指 Apple，而不是水果 3️⃣ 一个词一个词往下生成 ChatGPT 并不是先想好整篇答案再发出来 而是预测下一个 Token → 再预测下一个 → 不断重复 所以你看到的流式输出，其实就是答案正在生成 4️⃣ 这些能力从训练中学来 模型通过大量文本训练，学会了语言规律、知识关联和解决问题的常见模式 但有一点非常重要： ChatGPT 的机制是生成“最合理的内容”，不是自动验证“这句话一定是真的” 所以它有时会非常自信地说错话， 这就是我们常说的“幻觉”
1:24

ChatGPT 为什么能回答问题？ 整个过程可以简单理解成 4 步 1️⃣ 拆成 Token 你的文字会先被拆成一个个小片段，再转换成模型能计算的数字 2️⃣ 理解上下文 模型会判断不同内容之间的关系 比如你问“苹果的创始人是谁”，它会根据语境判断这里的“苹果”指 Apple，而不是水果 3️⃣ 一个词一个词往下生成 ChatGPT 并不是先想好整篇答案再发出来 而是预测下一个 Token → 再预测下一个 → 不断重复 所以你看到的流式输出，其实就是答案正在生成 4️⃣ 这些能力从训练中学来 模型通过大量文本训练，学会了语言规律、知识关联和解决问题的常见模式 但有一点非常重要： ChatGPT 的机制是生成“最合理的内容”，不是自动验证“这句话一定是真的” 所以它有时会非常自信地说错话， 这就是我们常说的“幻觉”

Nana

14,083 просмотров • 2 месяцев назад

Nvidia 的黄老板和 OpenAI 的首席科学家 Ilya Sutskever 有一个对谈 Ilya Sutskever 表示 GPT 的确只是个神经网络语言模型，它被训练出来只是要预测下一个单词。但如果你训练得足够好，它就能很好地掌握事物之间的统计相关性，这就意味着 GPT 真正学习的是一个「世界的投影」🧵
3:12

Nvidia 的黄老板和 OpenAI 的首席科学家 Ilya Sutskever 有一个对谈 Ilya Sutskever 表示 GPT 的确只是个神经网络语言模型，它被训练出来只是要预测下一个单词。但如果你训练得足够好，它就能很好地掌握事物之间的统计相关性，这就意味着 GPT 真正学习的是一个「世界的投影」🧵

indigo

64,172 просмотров • 3 лет назад

AI会永远对你撒谎。 这不是bug，是数学定律。 我，卡内基梅隆大学的数学学生，用数学告诉你为什么。 所有语言模型，只做一件事： 根据它读过的所有资料，预测下一个最有可能的词。 但这里有个死结。 模型的猜测，我们叫它q(x)。 真实世界的概率，我们叫它p(x)。 q(x)永远不可能等于p(x)。 它们之间，永远有一道鸿沟。 有个数学公式，就是用来测量这道鸿沟的。 只要模型不能完美预测下一个词 它永远不能 那这个鸿沟就永远不会是零。 所以，当AI不知道真相的时候会发生什么？ 它不能停机，它必须给你一个答案。 它只能硬着头皮，输出一个它认为“最像”答案的答案。 哪怕那是错的。 这就是“幻觉”。 一个基于不完整信息，却无比自信的猜测。 最要命的是，数学甚至给出了一个下限。 就算最完美的模型，它的幻觉率也永远不可能低于这个数字。 只要它不知道关于这个世界的一切 它永远不可能知道。 它就总会有概率，编造事实。 所以，无论AI变得多强大，它都会撒谎。 因为数学就是这么写的。
0:45

AI会永远对你撒谎。 这不是bug，是数学定律。 我，卡内基梅隆大学的数学学生，用数学告诉你为什么。 所有语言模型，只做一件事： 根据它读过的所有资料，预测下一个最有可能的词。 但这里有个死结。 模型的猜测，我们叫它q(x)。 真实世界的概率，我们叫它p(x)。 q(x)永远不可能等于p(x)。 它们之间，永远有一道鸿沟。 有个数学公式，就是用来测量这道鸿沟的。 只要模型不能完美预测下一个词 它永远不能 那这个鸿沟就永远不会是零。 所以，当AI不知道真相的时候会发生什么？ 它不能停机，它必须给你一个答案。 它只能硬着头皮，输出一个它认为“最像”答案的答案。 哪怕那是错的。 这就是“幻觉”。 一个基于不完整信息，却无比自信的猜测。 最要命的是，数学甚至给出了一个下限。 就算最完美的模型，它的幻觉率也永远不可能低于这个数字。 只要它不知道关于这个世界的一切 它永远不可能知道。 它就总会有概率，编造事实。 所以，无论AI变得多强大，它都会撒谎。 因为数学就是这么写的。

墓碑科技

73,645 просмотров • 10 месяцев назад

测试了一下 Google 的实时生成世界模型 Genie 3 让橘猫进入无限城的世界！ 可以根据一段文本 or 一张图，生成一个 3D 世界和角色，然后操控角色【实时】在生成的世界中自由探索！ 单次生成时间在60秒，怎么会这么厉害，今年真的是实时 AI 的元年了。 ▶ 测试地址： ▶ 注：目前仅限 Ultra 用户使用
1:06

测试了一下 Google 的实时生成世界模型 Genie 3 让橘猫进入无限城的世界！ 可以根据一段文本 or 一张图，生成一个 3D 世界和角色，然后操控角色【实时】在生成的世界中自由探索！ 单次生成时间在60秒，怎么会这么厉害，今年真的是实时 AI 的元年了。 ▶ 测试地址： ▶ 注：目前仅限 Ultra 用户使用

Ring Hyacinth

43,909 просмотров • 9 месяцев назад

图灵奖获得者、 AI 三大教父之一的 LeCun在达沃斯的发言，算是把整个硅谷的遮羞布扯了。 他说现在整个行业都被LLM彻底洗脑了，所有人都在同一条赛道上互相挖人，谁敢偏离主流谁就被骂落后。 这也是他离开Meta的真正原因，连Meta都已经LLM-pilled，他不想再跟风了。 最扎心的一句话是：纯生成式架构，不管是LLM、VLM还是VLA，永远造不出哪怕猫级的智能体。 因为它们本质上只是下一个token预测机，只能在文字和像素的空间里做统计关联，从来没有真正理解过这个世界的因果。 它们不会预测行动的后果，不会真正的规划，更没有常识。 当然，我不是说LLM没用，短期来看，scaling LLM+微调+工具调用，已经能吃掉80%的白领工作，硅谷所有人往这里冲，也算是完全理性，毕竟钱和机会就在这里。 但长期来看，这是一条有天花板的路。因为你永远不可能在文字地图上，开出一辆真正的车。 机器人、具身智能、长期自主代理、真正的科学发现，这些坎，纯LLM永远跨不过去。 LeCun说，真正的智能必须有世界模型。就是说给定当前的状态和你要做的动作，你要能准确预测下一秒世界会变成什么样。不是简单的像素级的生成，还需要对物理规律和因果关系的抽象建模。 最近Figure、特斯拉、谷歌的机器人项目，其实都在偷偷补这一课，只是没人愿意公开说，LLM不是万能地基。 我理解未来真正的智能，一定是混合栈，LLM负责语言交互和符号推理，世界模型负责因果预测和长期规划，执行层负责把计划变成动作。 LeCun从来没说过要抛弃LLM，他只是反对把LLM当成一切的答案。 硅谷现在最可怕的问题不是卷，是所有人都在同一条赛道上卷得太狠，以至于忘了终点其实根本不在这条赛道上。 世界模型这道坎，迟早要跨。 而谁先跨过去，谁就是下一个时代的赢家。 #YannLeCun #世界模型 #AGI #大模型 #具身智能
1:40

图灵奖获得者、 AI 三大教父之一的 LeCun在达沃斯的发言，算是把整个硅谷的遮羞布扯了。 他说现在整个行业都被LLM彻底洗脑了，所有人都在同一条赛道上互相挖人，谁敢偏离主流谁就被骂落后。 这也是他离开Meta的真正原因，连Meta都已经LLM-pilled，他不想再跟风了。 最扎心的一句话是：纯生成式架构，不管是LLM、VLM还是VLA，永远造不出哪怕猫级的智能体。 因为它们本质上只是下一个token预测机，只能在文字和像素的空间里做统计关联，从来没有真正理解过这个世界的因果。 它们不会预测行动的后果，不会真正的规划，更没有常识。 当然，我不是说LLM没用，短期来看，scaling LLM+微调+工具调用，已经能吃掉80%的白领工作，硅谷所有人往这里冲，也算是完全理性，毕竟钱和机会就在这里。 但长期来看，这是一条有天花板的路。因为你永远不可能在文字地图上，开出一辆真正的车。 机器人、具身智能、长期自主代理、真正的科学发现，这些坎，纯LLM永远跨不过去。 LeCun说，真正的智能必须有世界模型。就是说给定当前的状态和你要做的动作，你要能准确预测下一秒世界会变成什么样。不是简单的像素级的生成，还需要对物理规律和因果关系的抽象建模。 最近Figure、特斯拉、谷歌的机器人项目，其实都在偷偷补这一课，只是没人愿意公开说，LLM不是万能地基。 我理解未来真正的智能，一定是混合栈，LLM负责语言交互和符号推理，世界模型负责因果预测和长期规划，执行层负责把计划变成动作。 LeCun从来没说过要抛弃LLM，他只是反对把LLM当成一切的答案。 硅谷现在最可怕的问题不是卷，是所有人都在同一条赛道上卷得太狠，以至于忘了终点其实根本不在这条赛道上。 世界模型这道坎，迟早要跨。 而谁先跨过去，谁就是下一个时代的赢家。 #YannLeCun #世界模型 #AGI #大模型 #具身智能

AYi

339,047 просмотров • 6 месяцев назад

AI教父Yann LeCun说了一个事实。 一个四岁的小孩，看过的数据量，等于有史以来所有文本的总和。 最大的AI模型，训练数据是30万亿个单词。 听着很多？ 一个四岁小孩，醒着的时间大约16000小时。 光是用眼睛看，接收的数据量就跟AI一样多。 但数据的质量，完全是两回事。 小孩看到的是真实世界。 是重力，是东西掉下来，是手去抓握。 是因果，是物理规律。 他通过这些，在脑子里建立了一个世界模型。 AI看到的是什么？ 是孤立的文字，是符号。 它唯一的任务，是猜下一个词是什么。 这就解释了现在的怪现象。 AI能通过律师考试，能解微积分方程。 比大学生还快。 但它学不会装洗碗机。 也变不成一个能做家务的机器人。 更不可能像任何一个青少年一样，花20小时就学会开车。 那些吹嘘AI马上取代一切的人，在回避什么？ 他们在回避现实世界。 AI被喂养的是人类思想的“数字幽灵”，不是物理世界的实体。 把一个在图书馆里读了所有书的书呆子，和一个在街头长大的孩子扔进丛林。 谁能活下来？ 道理是一样的。
0:54

AI教父Yann LeCun说了一个事实。 一个四岁的小孩，看过的数据量，等于有史以来所有文本的总和。 最大的AI模型，训练数据是30万亿个单词。 听着很多？ 一个四岁小孩，醒着的时间大约16000小时。 光是用眼睛看，接收的数据量就跟AI一样多。 但数据的质量，完全是两回事。 小孩看到的是真实世界。 是重力，是东西掉下来，是手去抓握。 是因果，是物理规律。 他通过这些，在脑子里建立了一个世界模型。 AI看到的是什么？ 是孤立的文字，是符号。 它唯一的任务，是猜下一个词是什么。 这就解释了现在的怪现象。 AI能通过律师考试，能解微积分方程。 比大学生还快。 但它学不会装洗碗机。 也变不成一个能做家务的机器人。 更不可能像任何一个青少年一样，花20小时就学会开车。 那些吹嘘AI马上取代一切的人，在回避什么？ 他们在回避现实世界。 AI被喂养的是人类思想的“数字幽灵”，不是物理世界的实体。 把一个在图书馆里读了所有书的书呆子，和一个在街头长大的孩子扔进丛林。 谁能活下来？ 道理是一样的。

墓碑科技

72,742 просмотров • 8 месяцев назад

Flux3真的很强！ 终于看到有模型可以有机会挑战Seedance2.0了 FLUX 3 = 更强的多模态生成模型，核心是把图像、视频、音频放进同一个世界模型里 主打图像、视频、音频和动作预测的统一架构。 它的早期能力重点放在视频生成上，支持最长 20 秒、带原生音频的生成，并且还在推进图像生成与编辑能力 开源模型，假以时日优化优化，可以无限接近和挑战Seedance2.0这种商业模型了
0:20

Flux3真的很强！ 终于看到有模型可以有机会挑战Seedance2.0了 FLUX 3 = 更强的多模态生成模型，核心是把图像、视频、音频放进同一个世界模型里 主打图像、视频、音频和动作预测的统一架构。 它的早期能力重点放在视频生成上，支持最长 20 秒、带原生音频的生成，并且还在推进图像生成与编辑能力 开源模型，假以时日优化优化，可以无限接近和挑战Seedance2.0这种商业模型了

huangserva

28,605 просмотров • 3 месяцев назад

刚看完 Google DeepMind 团队 47 分钟的 Genie 4 深度访谈（中文字幕版），后背发凉，更多的是兴奋。 很多人还把世界模型当成「能按键控制的 Sora/Veo」。 但真正的突破是：AI 正在从生成画面，走向生成因果律。 5 个值得关注的技术信号： 1. Gemini + Genie：AI 的左右脑 Gemini 负责理解意图、推演逻辑、驱动 NPC。 Genie 负责生成画面、物理交互与音频。 一个决定世界该发生什么，一个让世界实时发生。 2. 从看风景到真交互 世界不再只是供你漫游的地图，而是能对你的行为作出反应的环境。 打碎杯子，NPC 会转头；改变环境，世界随之变化。 核心区别：视频在生成画面，世界模型在模拟交互。 3. 为什么实时性如此重要？ 世界模型不能只追求画质。 你按下按键，它就要及时响应，还要维持世界状态的一致性。 真正的挑战是：画面、延迟、逻辑，三者如何兼得？ 4. 为什么不直接用代码生成游戏？ 代码擅长确定性，生成模型擅长创造力。 未来可能是： Generative Code：维持世界状态与逻辑。 Generative Pixels：创造实时视觉与动态体验。 代码搭骨架，生成模型赋予世界无限可能。 5. AI 造世界，AI 进世界 智能体可以在生成的环境中探索、执行任务、发现漏洞。 这些环境还有望用于机器人训练，让 AI 在进入真实世界前学习空间关系与动作后果。 最终形成闭环：生成世界 → 自主探索 → 评测训练 → 模型进化。 过去，我们用 if-else 编写世界规则。 未来，AI 或许能直接生成一个可交互、可演化的世界。 问题来了：世界模型成熟后，谁会先被重构？ 传统游戏引擎 Unreal / Unity，还是具身机器人？ #Genie4
47:25

刚看完 Google DeepMind 团队 47 分钟的 Genie 4 深度访谈（中文字幕版），后背发凉，更多的是兴奋。 很多人还把世界模型当成「能按键控制的 Sora/Veo」。 但真正的突破是：AI 正在从生成画面，走向生成因果律。 5 个值得关注的技术信号： 1. Gemini + Genie：AI 的左右脑 Gemini 负责理解意图、推演逻辑、驱动 NPC。 Genie 负责生成画面、物理交互与音频。 一个决定世界该发生什么，一个让世界实时发生。 2. 从看风景到真交互 世界不再只是供你漫游的地图，而是能对你的行为作出反应的环境。 打碎杯子，NPC 会转头；改变环境，世界随之变化。 核心区别：视频在生成画面，世界模型在模拟交互。 3. 为什么实时性如此重要？ 世界模型不能只追求画质。 你按下按键，它就要及时响应，还要维持世界状态的一致性。 真正的挑战是：画面、延迟、逻辑，三者如何兼得？ 4. 为什么不直接用代码生成游戏？ 代码擅长确定性，生成模型擅长创造力。 未来可能是： Generative Code：维持世界状态与逻辑。 Generative Pixels：创造实时视觉与动态体验。 代码搭骨架，生成模型赋予世界无限可能。 5. AI 造世界，AI 进世界 智能体可以在生成的环境中探索、执行任务、发现漏洞。 这些环境还有望用于机器人训练，让 AI 在进入真实世界前学习空间关系与动作后果。 最终形成闭环：生成世界 → 自主探索 → 评测训练 → 模型进化。 过去，我们用 if-else 编写世界规则。 未来，AI 或许能直接生成一个可交互、可演化的世界。 问题来了：世界模型成熟后，谁会先被重构？ 传统游戏引擎 Unreal / Unity，还是具身机器人？ #Genie4

justai

17,014 просмотров • 5 дней назад

过去两年，AI 视频一直在卷画质、时长和真实感。 但对世界模型来说，生成得越长，反而越容易暴露一个致命问题：它根本记不住自己刚刚生成过什么。 AlayaWorld 想解决的，就是这个比画质更难的问题。 一段视频，只要前后几帧看起来连贯，观众通常不会深究背后的空间是否真的存在。 但世界不一样。 你往前走了一段路，转身回来，刚才的房子还得在那里。 你中途召唤了一只怪物，模型不但要马上给出反馈，还得让这件事自然地发生在同一个世界里。 这也是为什么世界模型最难的地方，不是生成，而是状态管理。 AlayaWorld 为这件事加了三层机制： 1. 3D Cache 负责记住东西在哪里。模型离开一个区域再回来时，可以重新找到之前的空间信息。 2. 压缩后的画面历史负责记住刚才发生了什么。它不需要把所有旧画面一直塞进上下文，但又不能把过去全部忘掉。 3.漂移训练和 Error Bank，负责处理模型自己制造的错误。因为生成时间越长，前面一个小错误就越可能污染后面的所有画面。 看到这里，我突然发现，世界模型和 Agent 其实在解决同一个问题。 Agent 运行久了会 context rot，忘记原始任务，被错误的历史信息带偏。 世界模型运行久了也会，只不过它忘记的不是文字，而是街道、建筑、人物和刚刚发生过的事。 所以 AI 的下一场竞争，可能不只是生成质量。 视频模型比的是单次输出。 世界模型比的是持续运行。 谁能让 AI 在运行过程中记得住、改得动、错了还能拉回来，谁才有机会把一次生成变成一个真正可以进入的世界。 AlayaWorld 目前还更像研究级原型。公开的推理流程需要首帧图片、相机轨迹和 Prompt，离普通人打开网页就能玩还有距离。 但它已经把推理代码和模型权重公开了。 这个方向终于不只是看一段官方 Demo，而是可以被下载、检查和验证 Alaya Lab
1:29

过去两年，AI 视频一直在卷画质、时长和真实感。 但对世界模型来说，生成得越长，反而越容易暴露一个致命问题：它根本记不住自己刚刚生成过什么。 AlayaWorld 想解决的，就是这个比画质更难的问题。 一段视频，只要前后几帧看起来连贯，观众通常不会深究背后的空间是否真的存在。 但世界不一样。 你往前走了一段路，转身回来，刚才的房子还得在那里。 你中途召唤了一只怪物，模型不但要马上给出反馈，还得让这件事自然地发生在同一个世界里。 这也是为什么世界模型最难的地方，不是生成，而是状态管理。 AlayaWorld 为这件事加了三层机制： 1. 3D Cache 负责记住东西在哪里。模型离开一个区域再回来时，可以重新找到之前的空间信息。 2. 压缩后的画面历史负责记住刚才发生了什么。它不需要把所有旧画面一直塞进上下文，但又不能把过去全部忘掉。 3.漂移训练和 Error Bank，负责处理模型自己制造的错误。因为生成时间越长，前面一个小错误就越可能污染后面的所有画面。 看到这里，我突然发现，世界模型和 Agent 其实在解决同一个问题。 Agent 运行久了会 context rot，忘记原始任务，被错误的历史信息带偏。 世界模型运行久了也会，只不过它忘记的不是文字，而是街道、建筑、人物和刚刚发生过的事。 所以 AI 的下一场竞争，可能不只是生成质量。 视频模型比的是单次输出。 世界模型比的是持续运行。 谁能让 AI 在运行过程中记得住、改得动、错了还能拉回来，谁才有机会把一次生成变成一个真正可以进入的世界。 AlayaWorld 目前还更像研究级原型。公开的推理流程需要首帧图片、相机轨迹和 Prompt，离普通人打开网页就能玩还有距离。 但它已经把推理代码和模型权重公开了。 这个方向终于不只是看一段官方 Demo，而是可以被下载、检查和验证 Alaya Lab

泊舟

479,007 просмотров • 3 месяцев назад

藏师傅第一时间测试了一下 Sora 2，这玩意太吊了 不能用常规的 AI 视频模型评判标准去看待 它只需要两秒的音频就可以完美克隆你的音色，而且不止可以生成英文语音，中文也行！ 而且模型具有世界知识，可以自主规划每个分镜，跟一个成熟的导演一样！ 下面是详细的测试👇：
0:29

藏师傅第一时间测试了一下 Sora 2，这玩意太吊了 不能用常规的 AI 视频模型评判标准去看待 它只需要两秒的音频就可以完美克隆你的音色，而且不止可以生成英文语音，中文也行！ 而且模型具有世界知识，可以自主规划每个分镜，跟一个成熟的导演一样！ 下面是详细的测试👇：

歸藏(guizang.ai)

181,401 просмотров • 1 год назад

提示词到底应该控制多少？ 如果把每一个细节都规定死，模型只是完成执行。 但如果只给一句“生成天宫”，模型又没有足够的方向。 真正好的提示词，我认为介于两者之间： 不是设计一张图。 而是建立一个世界。 这组「天宫」提示词，我没有定义具体场景。 没有规定： 一定要有哪座宫殿； 一定要有什么人物； 一定要什么构图。 因为连人类自己，也很难想象“真正的天宫”到底是什么样。 所以我只给它一个核心精神： 天上之宫，不落人间。 人如一笔，宫阙无涯。 然后建立一套世界规则： 巨大的建筑尺度； 远离大地的云上空间； 低位云海； 巨月与银河； 东方建筑秩序； 真实材料和物理光影。 在这个规则之内，让模型自由生成。 于是每一次输出都是未知的。 但未知之中，又保持统一的气质。 这可能就是 AI 创作和传统设计最大的区别： 传统创作往往是从一个答案开始。 而 AI 创作更像是在创造一个能够不断诞生答案的世界。 最近我把这套世界观继续延伸到了视频。 通过首图驱动，让 Veo 和 Grok 去完成动态化。 目前个人体验下来，Grok 在保持东方幻想氛围、空间连续性和画面气质方面，更符合我的期待。 这个视频就是由两个模型共同完成。（因为我想看看，区别） 图像提示词已经分享
0:45

提示词到底应该控制多少？ 如果把每一个细节都规定死，模型只是完成执行。 但如果只给一句“生成天宫”，模型又没有足够的方向。 真正好的提示词，我认为介于两者之间： 不是设计一张图。 而是建立一个世界。 这组「天宫」提示词，我没有定义具体场景。 没有规定： 一定要有哪座宫殿； 一定要有什么人物； 一定要什么构图。 因为连人类自己，也很难想象“真正的天宫”到底是什么样。 所以我只给它一个核心精神： 天上之宫，不落人间。 人如一笔，宫阙无涯。 然后建立一套世界规则： 巨大的建筑尺度； 远离大地的云上空间； 低位云海； 巨月与银河； 东方建筑秩序； 真实材料和物理光影。 在这个规则之内，让模型自由生成。 于是每一次输出都是未知的。 但未知之中，又保持统一的气质。 这可能就是 AI 创作和传统设计最大的区别： 传统创作往往是从一个答案开始。 而 AI 创作更像是在创造一个能够不断诞生答案的世界。 最近我把这套世界观继续延伸到了视频。 通过首图驱动，让 Veo 和 Grok 去完成动态化。 目前个人体验下来，Grok 在保持东方幻想氛围、空间连续性和画面气质方面，更符合我的期待。 这个视频就是由两个模型共同完成。（因为我想看看，区别） 图像提示词已经分享

虎小象

62,348 просмотров • 2 месяцев назад

【黄仁勋：物理AI的ChatGPT时刻已经到来】两个关键词：世界模型&合成数据。收集真实世界的训练数据既慢又贵，而且永远不够用。于是老黄这次带来的是一个符合真实世界物理规律的世界模型——Cosmos，它能完成物理AI相关的技能，比如生成、推理和运动轨迹预测。让包括自动驾驶汽车、AI驱动的机器人等物理AI应用在虚拟世界中完成低成本却又高效的训练。我现在正好在听苏姿丰的演讲，他们完全选了两个方向，一个在强调物理AI，另一个再着重聊AIGC、游戏等应用。
2:54

【黄仁勋：物理AI的ChatGPT时刻已经到来】两个关键词：世界模型&合成数据。收集真实世界的训练数据既慢又贵，而且永远不够用。于是老黄这次带来的是一个符合真实世界物理规律的世界模型——Cosmos，它能完成物理AI相关的技能，比如生成、推理和运动轨迹预测。让包括自动驾驶汽车、AI驱动的机器人等物理AI应用在虚拟世界中完成低成本却又高效的训练。我现在正好在听苏姿丰的演讲，他们完全选了两个方向，一个在强调物理AI，另一个再着重聊AIGC、游戏等应用。

傅盛

37,583 просмотров • 10 месяцев назад

马斯克说，我们活在真实世界里的概率，是几十亿分之一。 也就是说，我们极大可能活在一个虚拟世界里。 因为，电子游戏正在越来越接近真实世界，按这个趋势发展下去，未来文明迟早能创造出和现实无法区分的模拟世界。 如果真实世界只有一个，模拟世界可能有无数个，那么从概率上看，我们在真实世界里的概率就趋近于零。 不过，活在模拟世界里也不一定是坏事。 因为这至少说明，文明没有在中途毁灭，而是已经发展到足够高级的阶段，能够创造出和现实无法区分的世界。
2:33

马斯克说，我们活在真实世界里的概率，是几十亿分之一。 也就是说，我们极大可能活在一个虚拟世界里。 因为，电子游戏正在越来越接近真实世界，按这个趋势发展下去，未来文明迟早能创造出和现实无法区分的模拟世界。 如果真实世界只有一个，模拟世界可能有无数个，那么从概率上看，我们在真实世界里的概率就趋近于零。 不过，活在模拟世界里也不一定是坏事。 因为这至少说明，文明没有在中途毁灭，而是已经发展到足够高级的阶段，能够创造出和现实无法区分的世界。

投机实验室

48,404 просмотров • 5 месяцев назад

还真是这么回事。 原来这是全世界统一的技巧啊 只要对着镜子，就和她一模一样的
0:36

还真是这么回事。 原来这是全世界统一的技巧啊 只要对着镜子，就和她一模一样的

零敲牛皮糖537.7

158,771 просмотров • 1 год назад