通往 AGI 的道路，终于在同一片战场上汇集——世界模型。
李飞飞推出了其团队的首款商用世界模型 Marble。
几乎在同一时间，Yann LeCun 宣布离开 Meta，准备创立一家专注于世界模型的新公司。
在此之前，谷歌的 Genie 3 已经在业界掀起巨大震动。
尽管三位大佬都投入世界模型赛道，但他们代表着完全不同的未来押注——以及截然不同的技术路径。
世界模型之战已经打响。
李飞飞刚发表了一篇关于空间智能的重要长文，她的创业公司 World Labs 就迅速跟进，推出了首款商用世界模型 Marble。
团队表示，这种技术路线能够显著减少场景变形与细节不一致的问题，并支持导出高斯散点、Mesh 网格模型，甚至直接输出视频。
更进一步的是，Marble 还内置了一个原生 AI 世界编辑器 Chisel。只需一句提示，用户就可以按自己的想法改造整个世界。
对于 VR 创作者或游戏开发者来说，从“一句话 → 生成 3D 世界 → 一键导出 Unity”的完整链路，几乎可以称得上魔法。
然而，有机器学习工程师在 Hacker News 上指出，尽管 Marble 打着“世界模型”的旗号，它看起来更像一个 3D 渲染系统。
这不就是高斯 Splat 模型吗？我在 AI 圈混了这么多年，到现在还是搞不清“世界模型”到底指什么。
一位 Reddit 网友表达得更直接：
用高斯散点、深度和修复技术把图片变成 3D 场景，确实很酷，但这就是一套 3D 高斯生成流水线，不是机器人的大脑。
所谓高斯泼溅，是近几年在 3D 建模领域掀起风潮的一项突破性技术。
它将场景表示为成千上万个漂浮在空间中的彩色模糊小斑点（高斯）。这些斑点被“泼溅”到屏幕上，自然融合成图像。
可以把每一个高斯想象成一个漂浮在三维空间里的、小小的、半透明、边缘柔软的气泡。
一个气泡当然成不了形，但上千个气泡组合在一起，再从不同角度渲染，就能呈现高度逼真的 3D 画面。
这种方法避开了传统摄影测量的复杂流程，虽然牺牲了一些精度，但速度极快，编辑门槛也更低。
Marble 正是沿着这条路径构建的。
但这也意味着，Marble 并不是许多人想象的那种、能直接用于机器人训练的“世界模型”。
Marble 的确构建了一个完整的世界，但我们看到的只是可渲染视图——也就是给人类或摄像头看的画面。
换句话说，Marble 捕捉到的是“世界看起来是什么样”，但没有包含“世界为什么这样运作”的物理规律。
这对于人类来说已足够，但对于机器人而言，它需要的是因果结构，而不仅是像素。
比如，人类一眼就能理解球放在斜坡上会滚下去；但机器人要做出同样判断，需要质量、摩擦、速度等变量，而 Marble 中并不存在这些信息。
也许正因如此，虽然 Marble 的博客多次提到“世界模型”“高斯散点”“网格”和“视频导出”，但几乎从未提及机器人。
不过，在商业化方面，Marble 显然更具优势。
不同于那些仍处于研究阶段、用于具身智能训练的高度抽象世界模型，Marble 是能立即融入游戏与 VR 开发流程的实用工具。
但这也不禁让人思考：通往 AGI 的“世界模型之路”，难道只是噱头？
当然不是。
确实存在用于真实机器人智能的世界模型——最典型的就是 LeCun 的 JEPA。
LeCun 对“世界模型”的理解，几乎与 3D 图形学无关，而是来自控制理论与认知科学。
这种世界模型不会生成漂亮画面，因为它不是给人看的。
它的任务，是让机器人提前思考几步——在行动之前预测世界的变化。
JEPA 正是沿着这一理念设计的。
LeCun 认为，对于 AI 来说，真正重要的是中间抽象表征。模型没必要浪费算力生成像素，而应专注于能支持智能体决策的世界状态。
因此，尽管 JEPA 无法生成 Marble 那样惊艳的 3D 图像，但它更接近机器人真正的大脑。
它学习的是世界的底层结构，是具身智能训练的理想环境。
这也让两种“世界模型”路线出现了截然不同的分野：
李飞飞的路线更像前端资产生成器。
LeCun 的路线则像后端预测系统。
而在两位大佬之间，还有另一家巨头：谷歌。
今年 8 月，谷歌 DeepMind 推出了迄今最先进的世界模型——Genie 3。
只需一句 Prompt，Genie 3 就能生成一个可交互的视频式环境，用户可以在其中探索数分钟。
它最令人惊艳的突破之一，是解决了长期存在的长时一致性问题——不会再出现“转个身整栋楼消失”的怪现象。
它也支持世界事件，例如“开始下雨”“夜幕降临”，仿佛整个世界由模型而非传统引擎驱动。
不过，Genie 更准确的定位应该是“世界模型式视频生成器”。
虽然 Genie 3 让世界“动了起来”，但其核心仍然是视频生成，而非 JEPA 那种基于物理和因果的机制。
它可用于训练智能体，但无法像 JEPA 那样把握世界的物理本质。
同时，它的分辨率与画质也难以和 Marble 那种可导出的高精度 3D 资产相比。
总的来说，这三大“世界模型”都在试图构建“世界”，但理解路线却完全不同，各有千秋：
Marble 展示的是“世界长什么样”。
Genie 3 展示的是“世界如何变化”。
JEPA 探索的是“世界为何如此运作”。
几乎所有世界模型，都可以大致归入这三类：
1. 世界模型即界面
以 Marble 为代表，生成可视化、可编辑的 3D 环境，用于人类交互。
2. 世界模型即模拟器
以 Genie 3 为代表，生成连续、可操控的动态环境，用于智能体的试错学习。
3. 世界模型即认知框架
以 JEPA 为代表，以潜在变量和状态转移为核心，是机器人训练的理想形式。
根据研究者赵昊的观点，这三者可以构成“世界模型金字塔”——底层是李飞飞，中层是 Genie 3，顶层是 LeCun。
仰望这座金字塔：
越往上，模型越抽象、越贴近 AI 的思维方式，更适合机器人训练与推理；
越往下，模型越真实、越具可视化和交互性，但对机器人意义更低。
世界模型的竞赛才刚刚开始。
哪条路线更接近 AGI 仍未可知——但李飞飞、LeCun 与谷歌之间的竞争，已经开始重塑智能系统的未来。
