今天我们的话题是"世界模型"股票杠杆配资排行。
一听到这个词我估计你会产生强烈的审美疲劳。我也是，作为投中编辑，在我印象里我似乎每周都能看到新的世界模型融资首发稿。我那天还特意查了一下投中数据库，专门确认了一下这件事。据投中嘉川CVSource显示截至2026年10月，国内的世界模型融资事件接近90个，超过亿元规模的大概有50个。
非常疯。甚至疯到都有一些所谓的顶级VC，冒着巨大的风险，去投资那些有严重职业道德争议的所谓"天才少年"，还投入不菲的资源去联合一些力量塑造它的"侠盗形象"，只为追逐所谓的"世界模型"。
但我相信让大家产生审美疲劳的真正原因，不仅仅是因为高曝光率。我相信没有人会否认世界模型的必要性，AI肯定要学着在物理世界里自己成长。真正的问题在于，世界模型的黑话太多了。无论是gpt还是claude还是kimi，我们都可以直接用大模型或者大语言模型来概括。但好像世界模型就不行，世界模型前面有太多太多定语，什么神经世界模型、语义世界模型、时空世界模型等等等等。
这太值得警惕了。在足球圈里，人们曾经发明过一个梗"定语球王"，专门用来形容那种疯狂另辟蹊径来"刻意突出自己"的孔雀行为。我认为世界模型似乎也隐隐有这种趋势。这个行业真的有这么多技术路径吗？况且每条技术路径都能容纳百亿独角兽，这是不是太夸张了。再退一万步来讲，那么这些修饰的定语都确有其事，可我们这个世界需要这么多世界模型吗？大模型的数量不也是两只手就数的过来吗？
今天的新朋友，就很适合讨论这个问题。于开丞，2013年入学香港大学计算机系，2016年前往欧洲进修深度学习，2021年他以"阿里星"的身份回国加入了阿里达摩院，亲身经历乃至参与了AlphaGO时刻、GPT时刻、Sora时刻。如今，他有两个身份。一个是西湖大学助理教授、博士生导师，其研究的主要方向为3D视觉、自动驾驶、自动机器学习等，另一个身份，是世界模型初创公司西湖数智的创始人，这家公司在年初完成了上亿元的首轮融资。
不过我觉得他最牛逼的标签，是拿过世界模型世界冠军的男人。话不多说，进入正片。
本期研讨会成员
西湖数智创始人兼CEO 于开丞
投中网编辑 蒲凡
原教旨主义AI，不认我们深度学习
蒲凡：你的经历说起来特别长——这样说起来不知道礼不礼貌，因为涉及曝光你的年龄，1993年出生的，在AI圈里已经算"中登"了？
于开丞：今天中午还在跟同事聊这个事情，说现在外部世界都认为我们是中登了。他说："我以为我们是小登。"
蒲凡：你都见证过几代技术迭代、涌现了，什么GPT时刻、Sora时刻，你都见证了几代。但我觉得这其中你做了一个反直觉的选择，那就是2016年去欧洲求学。
我不知道你记不记得一个梗图，是欧洲人做的：美国有OpenAI、Anthropic，中国有DeepSeek、Kimi，欧洲有什么？欧洲有一个易拉罐的拉环。
欧洲人自嘲自己在这个时代里其实什么都没有，远远追不上中美。但是你选择人工智能这条路的起点是欧洲，我特别好奇，为什么去"科研洼地"？
于开丞：我不太同意说欧洲是科研洼地，我觉得这是不太正确的认知。虽然创业、做公司不是欧洲人的首选，但是在人才密度上，你能叫得出名字的，像LeCun（杨立昆）、Schmidhuber（于尔根·施密德胡伯，被誉为生成式AI之父），很多都是源自欧洲体系，或者直接就是欧洲人。
我没有具体统计过，但至少Anthropic和OpenAI这两家，肯定有非常多欧洲人在那边工作、生活。美国是很吸引人才的地方，很多人在欧洲培养过之后，再去美国工作，也是很常见的事。像谷歌、DeepMind，不都在欧洲有非常大的中心吗？谷歌在美国之外最大的中心是在苏黎世。
所以这（欧洲是洼地）其实是一个误区。但如果从创业公司，尤其是大语言模型这一波创业公司来看，欧洲绝对是落后的，这是100%的。
我在那个年代，可能还没有这个远见，能预知5年以后的未来。当时去瑞士读书，最大的感受是，瑞士是一个很创新的国家。加上我去的课题组，是在CV（计算机视觉）领域做得非常好的课题组，做非常扎实的统计跟深度学习结合的工作，尤其是几何和一些深度学习机理相关的工作，做得非常好。当时是因为有这么个机会，去了EPFL。
蒲凡：我特别想知道，在当时的时空环境下，在欧洲，大家怎么定义人工智能这件事情？2016年，刚好是李世石大战AlphaGo前后。
于开丞：2021年之前，对人工智能的认知，基本上都是圈子里面解决问题的一种手段。几个大的应用：做人脸、做图像分类、做机器翻译，乃至于知识图谱、知识问答，这些都有了。
AI是一个比较百花齐放的学科。我觉得很有意思的是，我们做的东西，基于统计的深度学习这套范式，在传统搞AI的人看来，还真不叫"搞AI"，他们认为这只是AI的一个分支。
蒲凡：什么叫传统搞AI？"原教旨主义AI"？
于开丞：对，原教旨主义。1950年代创立的时候，AI其实有两拨分歧，一拨叫连接主义，一拨叫符号主义，就是connectionism跟symbolism。这两套主义一开始产生过极大的分歧。
一拨人苛责神经网络这种方式特别玄幻，不够数学精确；另一帮人就说，你的方式无法scale，或者特别形式化。
2012年之前，深度学习没什么人关注，特别少的人在做。2012年开始有AlexNet，之后才标志着深度学习在一定程度上重回舞台。但这都是超级小的圈子里才能看到的信息。
2016年我们刚去读书时，深度学习发展到了开始有一定规模化迹象的状态。你开始可以用GPU，开始有一些脚手架，大家可以基于它解决更大的问题，解决传统写规则可能解决不了的事。但在那个时代，其实也是非常早期的状态。大家都非常不确定，未来这件事情到底能不能发展到这么大的状态，当时是一个巨大的问号。
为什么我会忽然想到AI内部的派别之争？因为我们学校有一些搞传统AI、非常老的教授，我去的时候，他们应该都六七十岁、将近退休了，是经历过早期AI发展的那批人。他们做的东西，更偏向传统规则系统、算法。这批人在看深度学习时，又会有一些顾虑，想法上有些不同。
蒲凡：按理说你的履历特别适合做学术，为什么后来进入了产业？
于开丞：我自己当时做决定，跟2019年在高通拿的一个奖（高通创新基金，全欧每年只有4个名额）有很大关系。如果没有那个奖，我可能不会有机会进入一个特别好的前沿lab做实习，当时是在英特尔。
英特尔那个组特别有意思。当时那哥们儿叫弗拉德伦·科尔顿（Vladlen Koltun），现在是Apple Vision的负责人。在那边，我受到了很大冲击：学术也可以这么做。这是我以前想得比较少的部分。
最早做学术的过程，相当于定义一个新问题、解决一个新问题。而在那个地方，我第一次看到这种比较大的冲击：你真的可以定义一个大问题，发动很多人一起解决它。当你发现学术跟产业可以很有机地结合，产业里面也有一些有趣的问题没有被定义清楚，你把它定义清楚、解决它，就变成了巨大的产业价值。
当时有一个典型案例，就是自动驾驶的CARLA。搞自驾的听众肯定知道，因为CARLA是几乎所有这些公司都在用的一套开源仿真模拟环境。跟现在做机器人会用Gazebo这种模拟器差不多，大家要先用它做一些简单验证。
你会发现，那个东西就是在那个实验室研发出来的。2016年的时候做了这么一个框架，慢慢维护、迭代，由它产生更多学术探索的价值。解决了之后直接上车，就可以降低事故率、运营成本，获得经济收益。
有时候学术问题可以直接结合到产业问题里，这不就是很好的事情吗？对我来讲也很舒服。以前搞学术，经常问自己："你搞这东西有什么用？"但很快会发现，很多东西可以直接得到应用，也给我很大的自豪感。所以我是在那个时间节点，开始改变自己的研究思路。
不管从事的方向，还是机会的选择。当时也有其他offer，包括一些公司的研究院。2021年毕业时，我有一个比较明确的志向：肯定不要去传统高校。我觉得做传统高校的研究者，不是我期待的东西。我还是期待到产业的真实环境里解决问题，最后选达摩院，也是基于这个原因。
蒲凡：能不能说一下高通的奖学金？我很好奇，它是一个什么样的存在，以及你当时靠什么拿的？
于开丞：那个奖挺大的，当时奖金是4万美元，是相当大的激励。拿到它的契机，是做了一个很有意思的原创学术成果，跟现在大家谈的AI for AI有相当大的关系，就是如何设计神经网络的工作。我申请过两次，第一次没中，是进答辩了；第二次拿到那个学术成果之后，就过了。
蒲凡：高通创新奖学金不是面向AI，是面向所有创新？
于开丞：面向计算机相关的所有创新，不是AI驱动的。当时只要跟计算机相关就可以，隔壁获奖的也有做网络、networks相关的。
蒲凡：这简直不可同日而语。我记得前几天看到一个报告，YC的2026年训练营里面，只剩下4%的原生应用，剩下的都和AI有关。而当时你是绝对的少数派。
必须要做基础模型，是我AI Agent创业的教训
蒲凡：聊回自己。你个人有两段创业经历，上一段在我看来有点偏软。
于开丞：是做AI Agent相关的事情。
蒲凡：对，叫KMind。上一段创业兴致从何而来？
于开丞：很直接，当时是一个很有趣的机会。我在达摩院一边做技术研发，因为我是通过"阿里星"进去的，内部也有一些相关的支持项目。可能大家觉得我比较爱聊，有时候也输出一些观点。
当时吴翰清（阿里花名：道哥），把我邀请到他的一档节目里。那是一档每两个月录一次、类似于大咖说的小圆桌会。当时因为我做自动驾驶，很多人也比较好奇，我就以这个身份分享自己的经历、参与话题讨论，以这样的契机认识了道哥。
然后到了2023年初，道哥邀请我出来创业。他说他要走了，我也表示祝贺、支持。而当时我在做世界模型早期研发，所以没直接答应。但很快我得到一个信息：我们部门这个年度的预算好像有点缩减。而我做的项目是偏探索性质的项目，受到一些波及。有这个大前提，我就不太想干这个事了。
其实当时挺纠结，毕竟我才在阿里工作不到两年。到底是在内部，按照传统思路再苟一苟，至少多混两年，还是干脆算了，不在这儿待了？
后来想了想，看看外面的世界，做自己的事情更重要。当时有这个契机，我就说出来。我去他那边是以首席科学家的身份，做AI Agent相关研究。当时我对这个事情非常痴迷，一起搞了很多现在AI Agent的底座设计，也客观上帮助了我们现在的世界模型研发。
同时，我在西湖大学找教职。我跟他也是这么讲的：学术问题放到学术来做。因为很多东西比较偏探索性质，放在公司做，对公司的整体性质不太好，当时是这么切分的。
后来捯饬了一段时间，发现Agent在学术、科研问题上的贡献度不是很高，在产业上的贡献度很大。说白了，AI Agent更多要找到"谁买单"这个切口。
做了大概半年到一年，基本架构做完之后，就能看出这个趋势。我一直在搞世界模型的硬核研发，道哥也知道、支持。我帮他公司做AI前沿的部分，就完成我的工作；剩下的部分，我还是有自己要做的事情，大概是这样的参与程度。
蒲凡：你说了几个特别有意思的点。比如AI Agent对研发方向的贡献比较少，主要是在产业方面。这也是为什么AI Agent创业在我的刻板印象里，就特别"软"。
于开丞：对。坦率地说，这也是经验跟教训。为什么坚定要做基础模型，也是因为这个经验跟教训。
我们做harness——现在叫harness，那时候叫Agent，我们当时还起了一个很好玩的名字，叫personal AI computer，一个人的AI电脑——我觉得这件事情有很多工作能做，也可以做下去，只不过偏学术的部分非常少，算法迭代的部分非常少。尤其怎么构建一套可以持续迭代的闭环系统，这部分也是偏工程的。最终怎么沉淀？得有基础模型，才能沉淀进去。
2023年，尤其2024年那段时间，有一个很直接的观察：大模型公司更新几个版本之后，很多事情就没那么痛了。以我的视角来看，还是得做模型，这是当时的直观感受，也给了我很大的经验跟教训。
蒲凡：你说做AI Agent的经历，对后面做世界模型也有帮助。这两件事情怎么联系起来？
于开丞：很简单，AI Agent本身就是脚手架，相当于完成你的自动化系统。我们现在公司内部的管理，包括数据管线、所有工程管线，其实都是AI Agent native的，是非常高效的运转逻辑。而这些东西，都受益于当时积累的很多know-how。
更简单来说，为什么现在人不是很多，却能做很多事，跟这个有很大关系。如果不是从day one就跟智能体在一起，也没有这么底层的认知。相当于最后做的personal AI computer，变成了organizational AI computer。我们给它起了一个很好玩的名字，叫awomo os，我们自己公司的OS。
我，拿到了世界模型的世界冠军
蒲凡：你在2024年拿过一个世界冠军，也是在这段期间发生的。
于开丞：是的。那段时间，整个课题组在实验室阶段，一直在做世界模型探索。据我的判断，世界模型当时还属于超级早期的状态。
刚刚说Sora，其实是同期做的。所以对我来讲，Sora好像不算特别惊喜的事情。当然因为技术永远不是突变，永远一步一个脚印走出去。只不过，非从业者不了解行业发展，看到的是突变的结果，是一个0到1。在真正技术迭代的角度，就是一步一个脚印，做深、做实。
当时拿冠军的初代世界模型，也是类似Sora的东西，做了一个类似"DriveSora"的东西。
蒲凡：我很好奇，那个比赛是什么形式？
于开丞：华为当时在ECCV上办了一个挑战赛。参赛的基础模型是我们跟理想汽车合作做的，我们的学生也在里面深度实习，当时在搞base model。我们也没想到拿冠军这么容易，我记得按比分，我们应该比第二名高50%以上，所以比较毫无悬念地拿了冠军。
蒲凡：我问一个特别外行的问题。我其实想问比赛形式，你小时候看过《机器人大战》吗？爸爸带着小孩子，在车库里拿收割机组装机器，然后互相打。我脑补的比赛就是这个样子，你们也是这样吗？
于开丞：听上去没有这么有趣。当时的比赛，有一些长尾场景，你要构造少见的场景——行业里总习惯将这种场景描述为"长尾"，因为概率分布里那个尾巴比较长，大家可以理解为小概率、很少发生的事件——这些场景数据里见得比较少，就需要产生一些数据来训练它。本质上比的是，谁把这个数据造得又好又快，能让车跑得更好。
这种比赛方式现在被很多视频榜单延续了。现在很多视频榜单，比的就是生成质量、清晰度，各种东西。
蒲凡：明白了，大概相当于设置了一些特殊场景，给你一个载具，然后再把你们开发的系统放进去，看谁完成得更好、稳定性更好、复现率更高？
于开丞：是的。
蒲凡：你有没有扫地僧的感觉？因为在这之前你都身处在偏学术的氛围里，求学9年、达摩院3年，前后12年。刨除英特尔实习这段经历，你一直在一个很纯的学术氛围里，能力一直没有得到验证。结果一出手，发现原来这么强。你当时有没有这个感觉？
于开丞：不敢说。其实我从2019年之后，基本上都在业界了。2019年英特尔之后去Meta，Meta之后去了达摩院。达摩院之前，还在硅谷创业公司待了半年。
其实达摩院也不是那么纯粹的学术氛围。我们那个地方叫自动驾驶实验室，最终产生了"小蛮驴"这个产品，卖到很多快递驿站里面。那个时候，全部人都要保障它运行，这也是为什么我们会做世界模型的初衷——在真正开放的环境下，做大马路上的乘用车自动驾驶，跟做学校里的自动驾驶，听上去是学校里的简单。但如果真的想做一个能用、能迭代的自动驾驶，学校这种环境更像家庭场景，大马路更像工业场景。
这是很反直觉的事情。因为这个契机，我们才知道，原来进家有这么多事情要考虑。模型能力跟不上，就有无数人为它兜底。所以其实有这样的认知。
我在达摩院那段时间，很难被定义成学术场景。在我看来，纯学术肯定不可能。
蒲凡：我想到一个词，半工半读。
于开丞：我觉得这个词挺好。大家可能有刻板印象：工业是工业，学术是学术。也不怪大家，因为有些确实是纯学术（的命题与项目），给人很清高、飘飘的、远远的感觉。
但在我们看来，很多东西完全一致。比如刚刚那个方向，如果能生成一个很好的视频，就能解决线上的一个case，代表下次不会再碰到这个问题，车就能运行，年度运营管理成本就可以直接降低哪怕2个点，放在整体成本1000万元的地方，那就带来20万元的节省。
元股证券:ygzq.hk很多事情，当你不要看得那么复杂，还是挺直接的，无非就是一个巨大的优化系统。做生意也是巨大的优化系统。
手机股票配资蒲凡：你是做自动驾驶出来的，自动驾驶当年有很大一波人去做具身智能。你当时为什么没选具身智能？
于开丞：以我自己的理解，具身是很重要的应用场景，但也仅仅只是一个场景。但是模型本身有大量问题需要单独攻克，攻克之后，不见得只在具身智能这件事上起作用。
如果我们说的具身智能，就是一个会跳舞、会动、会做事的机器人，那世界模型能发挥作用的地方，肯定不止这些。在很多AI for research，乃至将来的AI for science领域，它也会有非常大的价值。
就像一个科学家之所以成为科学家，不是天天读书就行。他需要非常熟悉各种生物信号、逻辑关系，看病例、看病人、看化学材料、看生物反应，还能将这些综合在一起，形成他的认知。这些物理过程、反应现象，如果能被放到世界模型里，再结合起来，才是未来突破的思路。短期看，3到5年之内可能产生一些商业价值；再远一点，人类社会还要继续发展。
最近让我比较担忧的是，美国的Anthropic和OpenAI已经直接在跟科学家合作了。我觉得在中国现在这个时间节点，这件事情需要推进得更快。机床是"工业母机"，AI将来也可能成为"科学母机"。如果这样的能力做不出来，可能会成为一个非常大的问题。这也是当时我没有直接去做具身智能的最大原因。
蒲凡：不知道有没有这个说法。语言模型里有通用语言模型，可以干很多事情，也有图片模型、声音、音频生成的小模型。世界模型里，能不能称你做的是"通用世界模型"？
于开丞：这是我们的目标。
我为什么造出了"概念世界模型"？
蒲凡：什么契机让你觉得，世界模型可以单独作为创业内容了？
于开丞：坦率地说，我们是在2025年找到那个信号的。当时，我跟联创一起发现了一件很有意思的事。
刚才讲到拿世界冠军，那时候我们做的是生成一个世界，说白了，就是生成像素。现在也有蛮多公司在做这件事。因为一直跟理想合作，我们做完之后，内部已经拿到了一些反馈，能感受到它确实有用。比起把车放到真实道路上，等它遇到问题，再去收集相应的数据，通过生成的方式获得这些数据，已经能省下大概七八成成本。
但我们当时有个感觉：这好像还不够本质。如果一个模型已经能生成这样的场景，为什么不能让它直接具备应对这个场景的能力？为什么还要先生成数据，再用这些数据蒸馏出一个小模型？除了现阶段的工程意义，这一步还有什么意义？
想到这里，我们就觉得，得继续往下想：有没有更底层的解法？否则，花了大量力气和钱去做像素生成，最后却发现，还有一条更简单、更快捷的路线，而且它的"智能斜率"更高，那我们该怎么选？
我们当时考虑的就是"智能斜率"。一条新路线，可能早期还不成熟，但如果它的智能能力提升得更快，我们就觉得，它比相对稳妥的现有方案更值得探索。
所以，从那个时候开始，我们就继续探索这件事，也就是现在很多人提到的"隐空间世界模型"。我们在2025年年初开始做，年中发现了一个非常有意思的现象：这条路线有可能从底层解决机器人或者自动驾驶进入新场景后，无法泛化的问题。当时，我们已经找到了一些眉目。
接下来，我们在学校做了一些小规模验证，包括自动驾驶方向的探索，发现效果非常好。也是从那个时候开始，我们觉得，这可能是一个巨大的机会，可以开始谋划创业了。大概（2025年）七八月份，我们看到了这样的迹象，9月份开始具体谋划。整体上是一个水到渠成的过程。
蒲凡：在你身上，我最在意的标签，除了拿过世界冠军，还有你们官网主页对产品一个特别魔幻的称呼，叫"概念世界模型"。我听说过杨立昆是隐空间世界模型，李飞飞是显空间世界模型。那什么叫概念世界模型？
于开丞：到了2026年，大语言模型发展得非常快，也已经影响了很多行业。大家现在争论的是，它是否像人一样理解这个世界。如果先把"像人一样"这个条件拿掉，尤其从文字的维度来看，它对世界的理解能力已经很强了，未来也还有很大的发展空间。
但到了具身智能所面对的物理世界，语言模型还做不到同样的事情。因为它从底层设计开始，基本都是围绕文字构建的，而文字是一套离散的字符。世界模型的出发点有所不同。无论是刚才说的隐式还是显式路线，都是希望构建一个连续的时空空间，理解其中发生的事情，以及在其中进行的操作和移动。
这个世界并不围绕文字展开，文字只是我们描述、表征世界的一种方式。再说得抽象一点，语言本身，其实也可以看作一个隐空间。
蒲凡：你给我10秒钟，我理解一下。语言=隐空间的意思，是"语言"包含的信息，远远大于我表达出来的本身，它能引发的反馈，也远远超出这一句话。
于开丞：对。语言本身是现实世界高度浓缩后的表征形态，是人经过文字积累、文化交融，乃至文明演进，留下来的东西。
你想语言怎么诞生的？从最早的时候，甲骨文时代，一些打猎的原始人指着鹿、指着马，或者指着太阳、月亮，指着一些现象，把这些现象沉淀为文字，刻画成生动形象的象形文字。
象形文字很快又发展成两套系统，一套以西方为代表，一套以东方为代表，依然坚持象形文字体系。这些沉淀过程，就是不断由人的抽象、文化交流产生、迭代。它们本身是一种指代，已经不是具象化的东西。现在说"太阳"这两个字，跟太阳那个圆圈没有任何关系，但依然完成了指代。构建文字空间的模型，就是看了一堆"太阳""月亮""人"这样的文字，不断尝试寻找统计规律，理解人说这句话、那句话是什么意思。这是大语言模型过去这段时间干的事情。
而世界模型希望做到的，是能不能重现"造字"的过程，完成这个压缩？但这个"字"不一定非要是已有的人类文字，也可以是其他文字。这是一种思路、理解方式。
为什么提出"概念世界模型"？这里定义的概念，需要更明确一点：文字对现象的描述，加上具体的物理现象或者实体的现象，我们把这件事叫"概念"。
这个想讲清楚，得稍微展开一些技术上的话语。
举个例子，做自动驾驶，本质上要把道路上的点，分为可触达、不可触达的地方。相当于在地图上画两个点，A跟B。需要做的，是按照交通法规，让车也好、机器人也好，完成A到B的规划，躲避、处理未发生或可能发生的现象，最终完成任务。
这个过程有很明确的指向：A跟B，有起点、有终点，是非常聚焦、固定的任务。具身智能大部分人在讲的，比如叠衣服、玩球，也是聚焦单一现象。
很多技术路线、专家学者做的工作，叫object-centric，基于物体驱动。我们基于物体，把它从世界中分割出来：这是球、杯子，这是水壶。分割完，找哪些点可以操作、哪些不可以，就做出了一个抓取模型，或者更复杂的行为模型。
不管开车还是操作，都是先把任务具象化，具象到非常有指向性的名词、方案，再做对应的解决方案。当时提出概念世界模型，因为如果按照物体划分世界，要划分得多细，这件事情才能解决？
蒲凡：我刚才就想追问这个问题。你们日常工作，是不是成天琢磨，人为什么拿起苹果，为什么能完成这个动作？
这让我想起第一次见强脑科技韩璧丞博士，他给我讲脑机接口有多复杂，也是用抓苹果举例：你真的有一个明确的信号，驱使手去抓这个苹果吗？大家仔细想，好像没有，就进行了动作。所以非侵入式脑机接口非常难做，要捕捉一个非常隐秘、我们主观都不知道的信号。我觉得你们工作可能相通。
于开丞：确实会有一些相通性。想完成这个动作，要么给规则。比如凡看到苹果，请检测它的上1/3、下1/3，只要捏住上1/3，机械臂不动，就可以抓起来。这是一套明确规则。规则写完，就能实现抓一个苹果，再抓一个苹果。只要所有苹果都能检测出上1/3、下1/3，就能抓起来。这是很多古早时代做操作时用的方式。
后来大家觉得太鸡肋了，为什么要定这么细？一旦抓个梨，它又不认识。可能苹果长得比较畸形，上尖下矮，或者丢到模具里，长完是歪歪的，这种东西怎么抓？就发现不适用了。
不适用怎么办？想新办法。我管它上1/3、下1/3，只要喂足够多抓取数据，它就能学会，于是开始了新的浪潮。现在很多数采工厂做的事情就是，我也不管那么多，只要把世界上见过的大部分东西都采一遍、抓一遍，我就会抓了。这是很多从业者在做的事情，也是相当于逻辑的扩大版。
但在做这些事情的过程里，会发现它没有涉及更底层的表征单元，就是概念单元。因为所有事情都只有一个概念，那就是"抓"。在这个领域、这个表征下面，只要能把它抓明白，事情就解决了，其实不做更细分的东西。
回到概念世界模型，如果是正常苹果，就按简单方式抓；如果是复杂苹果，要进行受力分析，拆解里面的原子概念，把力、重力、形状放进来，让它先理解这件事情，再执行，就引入了新概念。
这个过程不能是手写规则的方式。比如刚刚一开始举的例子，上1/3、下1/3，假如这是一个例子，那是人类软件工程师定义的规则。坦率地说，很多事情都是这么做的，工业自动化就是这么做的。自动化工程师做的，是把统计的共性规律抽象成具体规则，用代码实现，再执行成功。比如叠箱子，叠衣服不行，叠箱子，以及几乎所有工业自动化，都是这样。机械臂以45度切入螺丝钉，打螺丝，完全是program好的。
这有一个问题，但凡出一点幺蛾子，它没办法实时反馈、纠偏。所以工业自动化不错，但没办法走出工厂、走出预设环境，只能通过不断的重复精度，解决所谓泛化性问题。
回到概念世界模型，我们想说，既然我也不知道怎么定义，您说上1/3、下1/3，是人的观察，可能您又觉得1/3不够好，1/4更好。我们不应该做上帝，应该让使用者、本体，或者有探索精神的模型，在物理世界里自己探索、发现规律。它可以组合见过的其他概念，自由选择、定夺，这件事情不由我们定义清楚。有什么比"概念"更加泛化的词？好像没有了，所以用这个词，因为一切都可以是概念。
也不想说"物体驱动的世界模型"，虽然有一些人在做。物体驱动的问题是，一个苹果，苹果皮是一个物体，还是整体是一个物体，还是苹果的一个分子是物体？越复杂的物体、现象，物体驱动方式越承受不住未来可能性的变化，会变得非常繁杂。在我们看来，这不是很好的建模方式，最终选了概念。
一方面，概念包含语言文字的描述，我们也希望继承大语言模型时代的一些进展；另一方面，它本身是物理现象相关的描述。这是底层哲学，最终起了这个名字。
世界模型为什么有那么多"定语"？
蒲凡：我提两个问题。先提一个浅的问题，刚才要求你解释概念世界模型，是不是无数人问过，觉得你在编黑话？
于开丞：肯定也被挑战过。可能大家见我时表面不说，内心也吐槽。通常聊完、解释完，大家会想一些挑刺的东西，但我更多碰到的，是问题比较表浅。如果细想到根上去，好像找不出来这里面本质上的逻辑漏洞和问题。
蒲凡：再问第二个深的问题。刚才听你的解释，有一种强烈的感受：日常工作就是如何理解人思考问题、认识世界，是哲学问题。
于开丞：是的。每个深度学习从业者，现在这个阶段，肯定或多或少都在思考。
蒲凡：这就是我想问的。第一，人的多样性严重被高估，我觉得没那么多多样性。第二，人的智力相差不大，哪怕您是教授，我是普通本科生，也不觉得智力有多大鸿沟。这种情况下，大家能想出的答案，可能有不同版本，但不会有太多版本。
而现在肉眼可见，除了概念世界模型，还有N多世界模型，前面加无数修饰词。技术路线能有这么多分支吗？真的能代表这么多不同吗？
前几天做了一个聊具身的播客。以前说VLA，现在又加一个T，叫VLTA，加了触觉。我一直在思考，这到底有多大区别，甚至可以同时承载几个百亿估值公司？
于开丞：我比较同意这个观点。至少在大的技术管线、思路上，很多新名词，确实没那么底层的差别。我也关注过，不点名。有很多概念，偏向于小创新、突破点的延伸，没那么大底层区别。
一般谈范式创新，能做出大的范式革新的工作还是偏少。一个小模型改动也算的话，确实能加茫茫多定语，从学术角度完全可行。无非有没有本质区别，改变这个领域，我觉得是所有从业者都希望追寻的。
蒲凡：还是想听具体例子。什么加修饰定语是应该的？比如你肯定觉得"概念"应该加，因为跟其他路线不同。什么定语不应该加？
于开丞：对。举个例子，见过一些工作，在token层面做了一些迭代，这样的工作也定个新名词；或者模型结构改一小部分，没有本质区别，我觉得可能偏噱头。还有一些，把世界模型本身的一些性质，拿出来讲成独立的概念空间、原语，也是不太合理的方式。每个人对这个领域的底层认知可能不一样，有时按照自己的理解做。
但不能具体点名字，因为也都尊重。有些创新点很好，在大路径内可以做很多尝试。我们有时发文章，或者认为它是大模型架构改动中的小组件，经常干这种事，可能不会起非常大的名字，更多就是模型里的组件。
杨立昆的技术哲学到底是什么？
蒲凡：你创业和杨立昆创业的时间线，是不是重合的？
于开丞：当时有一定重合度。我这么说，等做到（准备创业）这个时间节点，想明白之后，回去搜了一下，发现杨立昆也讲了一个非常类似的事。但思路还挺不一样，我们的大的哲学非常一样，但是从实现的手段和思路来讲，不太一样。
我更认同他的技术哲学，而不是具体路线。实话实说，JEPA路径不见得是我觉得比较有意思的思路。
蒲凡：能不能具体解释，什么叫技术哲学？
于开丞：有一个词叫"殊途同归"？路不同，但是底是一样的，大目标是一样的。大目标就是用隐空间的东西，代表这个世界的抽象逻辑。
世界模型在我看来，之于语言模型之外，最大的价值，是怎么样去做一个人的类比模型。因为语言模型本质上是人的语言模型，跟人脑子的模型，是完全两个不同的东西。这个事情可能再多啰嗦两句。
语言是人已经产生的结果。你已经抽象成语言、写成文字，已经是结果，是对世界的抽象了。语言模型基于它做一大堆拟合、推理，不管任何操作，去理解、模拟人的说话方式和思考方式。
为什么现在用的人越来越多，会产生一种"智能的幻觉"。因为它已经超过单人的智力总和，任何人用它，都跟看见神、请神一样。你一个人的力量，对抗不了10亿个人的力量。等效一算，虽然没具体测算，但像GPT-6这样的模型，见过的语料，肯定基本上是地球上大部分智慧人类的用法、方式反哺出来的，相当于所有人的总和，一定很强。
但智慧多，不代表它有一个自己能在这里面进化的机制。核心就是，语言模型是人已经抽象出来的结果。而世界模型解决的问题，是从一个物理信号、物理世界的观察，抽象出这个结果。
这句话可能比较抽象，但底层是两个不同状态。有点像语言模型模拟人的思维，世界模型尝试做的是：你看到一个世界，并产生思维的过程。这是世界模型尝试解决的问题。所以它跟语言模型，是一个相关的关系。
蒲凡：模拟作为生物的人，而不是作为社会性质的人。
于开丞：您说得对。从这点出发，我比较同意杨立昆的哲学，因为大家都讲，应该关注这个过程，而不是语言模型这种拟合的过程。这是我非常同意的。
第二个点，我们自己做过之后的认知是：做世界模型的时候，不能做特别多仿真像素的东西。因为做这个东西本身，不有助于智能本身的产生，只是一个手段，更多应该关注隐空间怎么构建的问题。
蒲凡：这里涉及两个问题。愿景非常理想，听起来合理，但是很难，从融资数额就看得出来。杨立昆起手种子轮就募了10亿。第一，需要这么多钱，主要投在哪里？第二，这么多钱代表难度很大，为什么还要脱离大平台、大厂，脱离Meta，独立做？普通人做一件难事，尤其中国人，总会想着团结力量大。背靠大树好乘凉，何必独立做？独立做世界模型，能获得什么好处？
于开丞：问得特别好。先回答融资的钱做什么。现在不论什么规模的大模型训练，没有等量的数据、算力投入，产生不了最终可以绽放的效果，这是基本逻辑。世界模型有坏处也有好处。坏处是需要大量资源；好处是大家做得少，真正做的人少，哪怕竞争同行里有很多，总从业人数还是比较少。
有很多未解决问题，尤其有一些实验室已解决，但往大规模推，肯定还有要解决的问题。钱融了，就是干这些，这是最早期天使阶段。之后模型具备能力，再做商业化运作，能帮助很多公司解决具体问题，就有商业价值。这分两步走。
刚刚提到独立和加入大厂的问题，我坦率地说，这个事情自己有亲历。大厂是一个很好的地方，资源很多，各种优厚条件也不错，尤其你做的事情比较有价值的情况下。但是怎么证明价值，在事情成之前，有点困难。跟老板要资源，要多了，大家可能会打鼓。这是从技术投入上，大厂不一定是最好的原因。
商业本质上——不知道这么说对不对，我也是新兵——自己经历的创业跟大厂区别，就是创业公司做的是大厂不愿做、现在觉得不赚钱的事。当下阶段，大厂不一定做得好。目前这几家大语言模型公司，也是同样问题。如果不是OpenAI做出来了，在集团内的投入产出比，可能依然不对等。商业价值带不了，怎么商业化，有各种问题。所以公司不断更迭有道理，少有公司能活过大周期，也有道理。
李飞飞卖掉公司了，so what？
蒲凡：刚才聊完杨立昆，再聊李飞飞。你的路线跟李飞飞在哲学上有差异吗？
于开丞：跟飞飞老师，确实想得不太一样。
从技术语言讲，它本质提倡做一个3D表征层，拿中间结果做后续操作。先把摄像头、各种传感器拍到的世界，变成电脑里可以渲染的虚拟世界，再做下一步，这是底层逻辑。
我们的主张是，这些东西就在模型里，应该自然而然发生，这也是杨立昆的逻辑。做显式重建，有各种对不齐的问题，是fundamentally对不齐。也有好处，比如速度特别慢的时候，有一些可编辑的好处，这是纯技术角度的分析。
落地角度，当年创立World Labs那批人一开始定位是偏娱乐向。我会从它的目的倒推技术路线。因为我觉得空谈技术路线是纯学术行为。学术研究讲究"我这个路线、你那个路线怎么样"，但做公司，本质还是有产业落地的抓手、最终目的。
如果我的目的是做一个universal的、所有世界东西都能包含的，远大于求实的壮志，那什么都可以做。但如果一开始定位公司时，像飞飞，她就定位成要做娱乐、要做游戏，逻辑就是快速重建，变成游戏场景，乃至生成很多卡通的、可以无限推演的世界。
蒲凡：你这套解释回答了一个问题。这段时间不断有世界模型融资新闻，你也知道上一周发生了个大事，李飞飞把公司给卖了，80多亿美元。
你知道大家反应是什么吗？再看到新的世界模型融资，大家会说："李飞飞都把公司卖了，你还研究世界模型干什么？"
换句话说，大家觉得，卖掉公司是因为李飞飞发现公司的增长、研发工作到了瓶颈，到了适合出手的节点。很多人的观点就是，接下来谁还有信心说"一定比李飞飞做得好"？在这个大前提下，再做世界模型创业，看起来特别自不量力。
而你这么一解释，我觉得好像就通透了。大家本质上哲学不同，做的不是同一件事情。
尤其是刚才和你交流的过程中，我注意到你提出很多新名词，比如智能斜率、AI精度。我一直觉得，好像目前AI的信息很透明了，但大家对如何判断人工智能的产品、技术路线，仍然处于模糊阶段。所以你不断提出新路线，教大家沿着它判断成色、定位。
于开丞：我觉得两方面看待。一方面大家肯定有市场情绪，另一方面，也想了解这个行业里真正发生的事情，但有很多噪音。我们尝试用技术手段、技术语言和务实态度，把它讲清楚，这是想传递的信号。刚提的两个名词，也是最终想了想，比较直截了当，能说明这件事情的两个观点。
李飞飞这件事，在我看来很正常。一方面，是她本身年纪也不小了。另外，刚刚您说的，我非常感谢您能认可这个观点。在我看来，World Labs创造的是组件，不是智能本身。
蒲凡：能不能总结，李飞飞事件造成这么大影响，动摇了很多人心智，其实是个人名气，让我们拔高、高估了World Labs在世界模型这条路上的影响力？
于开丞：不太敢这么下结论。我能下的结论，就是世界模型有两种思路，一种是李飞飞，一种是杨立昆。咱们先姑且这么讲，讲大一点、粗一点。李飞飞那套，可以是另外一种理解方式。一方面是她本人的选择，这是一个很重要的决定。当创始人本人有很好的路可以走，走一条更安全、更稳妥的路，对她来讲就足够了。
蒲凡：我们换一种说法，不能在谈她是老板的时候，就忘了研究员身份；也不能在谈她是研究员的时候，就忘了老板身份。不然会发生刚才那种矛盾的思考："李飞飞都把公司卖了，你还做这个事。"
如何判断一家世界模型是否real？
蒲凡：我之前描述的嘲讽、取笑氛围，还有一部分原因，就是过去一年，2026年以来，以世界模型为标签的创业公司涌现太多了。
于开丞：这说明大家确实认可世界模型的底层价值，认为这件事情在底层逻辑上是自洽的。他们会觉得："哪怕我也跳进来，应该也不会是一个错误的决定。"
所以从我的角度看，会有一种老父亲欣慰的快乐。但同时也有很大压力：越来越多人进来，竞争压力急剧上升，我们得赶快加快脚步。这也是为什么之前我们一直不怎么对这些事情发表评论，我也觉得同行都值得尊敬。但最近，我们的模型有了一些成绩，可以拿结果出来回应一下这个问题了。
过去5个月，我们的基础模型一直在疯狂迭代。第一个版本上线以后，我们就在各种榜单上做了一遍评测，大概从9月10号左右开始，也陆续公布了第一个基础模型的训练结果。
现在十一回来，在那些大家能叫得出名字、比较有名的仿真和实体榜单上，我们都占了一个重要位置。这也侧面说明，这段时间憋的大招是有用的，我们的模型架构是有用的。所以，现在您问我怎么看这个问题，我就可以拿这些结果来回答。说得直白一点，就是用结果说话，也没有什么好说的。
蒲凡：你知道我想问什么吗？这一波风潮，绝对有鱼龙混杂的团队、项目。我就想知道，你作为标准意义上的内行人，有没有这样的判断？能不能透露一个小诀窍，让我们看哪个团队是真的世界模型，哪个没那么硬核，只是蹭概念？
于开丞：如果拿得到信息，看投入就知道了，看他敢不敢花钱。
蒲凡：营销上花钱，也是敢花钱。
于开丞：不是，看他敢不敢在技术上花钱去投入。以我的标准，最直接的，就是看敢不敢在计算、团队、技术底层上做投入。
不投入说明什么？很简单，做一些浅的事情，等大家的作业，再抄，这是典型画像。所以简单来看，就是这个指标。他都不投入这个方向，说明不信这个方向，那我还能怎么解释？或者自己知道做不了，得等等大家的作业再抄。
蒲凡：还有一个问题。在外行看来，这么多世界模型公司涌现，每家公司代表一个产品、模型基座，我们需要这么多吗？
于开丞：最终世界模型会发展成什么样子，跟语言模型一定有底层的不同，这其实是一个认知。语言模型最后可能林林总总剩几家，世界模型会多一些，因为涵盖的领域非常广。
如果有最终那一天，应该比语言模型多几家，但是也不会说几十、几百家，我觉得不太现实。这是说做模型本身。如果做配套、周边生态、上下游产业链，会有大量机会。在我看来，做基础模型的可能比较少。
蒲凡：问几个特别具体的经营问题。你们2026年1月份开始融资，融资时投资人主要关心什么？
于开丞：确实碰到不同问题。关心未来怎么退，是一类。还有技术类，技术路线怎么厉害，为什么是独特思路？再一类是商业化路径，未来一年有没有商业订单，三年、五年、十年有没有，商业轨迹什么样？其他问题，基本是这两类的变体。
蒲凡：这怎么回答？杨立昆也没怎么回答明白，你怎么回答？再引申一下，你的履历、光环，很可能对很多VC是闭眼投，因为你拥有很多标签：有经历，出自大厂，天才少年，前沿领域。这些标签放在桌面上，有时候就属于闭眼投。
于开丞：我自己的感觉，至少目前来看，两个都有叠加。但坦白地说，我只能知道他最终下没下决定。
蒲凡：上一段创业经历，在投资人或者所有访谈里，是加分项，还是需要回答的负担？
于开丞：两种都会有。肯定有人顾虑说："上一个公司好像没有字面意义上那么成功，怎么处理？"
我也是很坦诚，我确实在上一段时间经历了很多不同阶段、不同事情，尤其跟决策、方向相关的，包括看到一个行业的上上下下，都能感受到一些。大家有顾虑、有问题，非常正常。我真实答案很简单，这都是我的来时路，真的都是来时路。如果没经历这些，现在公司很多决策也不会这么设计。
坦诚地说，我特别感谢上次创业经历，给了很多这样的启发。而且依然觉得，上一个公司做的事情非常伟大，乃至它的精神，也会一部分继承到现在的事情上。
蒲凡：想知道最难的时候在哪里？这期可能是未来投资人想投这个方向的参考，想知道你从内部视角告诉大家，世界模型，你这样的人都觉得困难，其他人肯定更困难。困难在哪里？
于开丞：我是一个非常务实的人，先得把这句话说出来。有很多人建议我，"你可以吹大一点，没关系"。我说好的，但底层上，我科学家的部分还是在这里。
反向说，在技术上，以目前状态来看，我觉得没有解决不了的问题。其实我天天都会遇到问题：模型怎么调、怎么设计，过去一直磨合、探索，经常把模型训崩。训着训着，第二天发现哪里出问题，这经常发生。但现在，尤其很多投资人也悬而未决的时候，我会非常建议，大家不要那么焦虑，这件事情一定会有非常好的结果。底层逻辑成立，就会有好的结果。
底层逻辑就是，语言模型跟世界模型本质不同，现在AMD也帮你盖章了。投资人朋友有顾虑，可以多想想。为什么芯片厂商会投世界模型公司，而不是语言模型公司？肯定看中了架构独特性和未来发展。
世界模型的GPT时刻，是男生女生向前冲
蒲凡：我还想跟你聊一个问题。你之前在一篇专访里面提到过一个词，叫"科研品味"。科研品味跟技术哲学能够通用吗？
于开丞：差不多，这里面有一定的相似度。有科研品味的人，可以产生一个很高级的技术哲学。哲学是已经形成的理念，品味是你个人产生逻辑中的判断的一种风格，品味是风格。
蒲凡：如何判断一个人有没有科研品味？
于开丞：这很简单，两方面。第一个大方面，先说一个前提：他说真话。如果不说真话，就先不讨论。如果说的是他内心所想、属实的东西，品味很简单，能判断。
其次，你看他关注的问题，科学界中的问题，在多大程度上可以影响到学科发展。这是一个很经常会思考的地方。他把自己放在什么尺度去思考问题，就决定了最终的高度。
如果关注一个很小的技术点，也不错，但是如果讲不出更深层的东西，大概率只是看了一个很简单的东西去做。所以需要不断沉淀、思考、积累。这其实真的不只是科研哲学，而是真正意义上的哲学，跟这些都有很大关系，世界观的构建也非常有关系。
另外，能不能执行出来？你的科研品味，最终能不能落地到一个框架、一个结构上？能做出来，那就是一个非常牛的人。
蒲凡：比如未来我们要判断西湖数智这家公司的发展情况，你觉得最重要的一个外部参考指标是什么？
于开丞：看我们的模型效果，这是第一个阶段。第二个阶段，看我们的商业化进展。
蒲凡：你觉得距离远吗？因为一提世界模型，再提商业化进展，我觉得这是特别远的事情。
于开丞：我们觉得在早期就会有一些明确答案。我们会参与到深度构建一些大系统的过程当中，世界模型肯定会作为一个重要组件，参与这些大系统。最近有一些新的更新，如果从day one就做进去，一定会有。
我觉得这件事情看甲方的认知。如果是我要去sell这件事情，大概率他可能没有这个决策认知。但最近接到的很多需求，都是主动找上门、跟我们合作的团队。这也是为什么我有这么强信心的另一个点。因为我们做的事情，符合非常前沿的画像。同时，有真正认可这个价值的人，也愿意支持。我们的天使投资人、客户都在，这都是非常期待、非常渴求的资源。
蒲凡：这里又牵扯一个问题。之前让你鉴定一下硬核的世界模型，大家都在打榜，那如何鉴定硬核的榜？每一家都说自己是XXX评测第一名、XXXX第一名，我看不懂。
于开丞：您说的这个事情，最近我们也碰到了。讲个小趣闻，我就不说榜单的名字了。对方审核我们的结果时特别严格，因为成绩太好了，他们觉得有点不真实。
我们的模型经过预训练，操作能力有所提高，这是一方面。但更让对方在意的，是我们在开放式问题上的表现。那个榜单有一个单独的指标，叫open，会用训练集里没见过的一些开放式问题来评测模型。其他一些模型在这一项上，成绩只有个位数。GPT-6 Astra虽然在具体操作上表现不太好，但通用能力很强，这一项大概能拿34分。我们的成绩大概是24分，如果我没记错，已经接近它的水平了，而且我们的模型只有3B，也就是30亿参数。
所以，对方一直围绕这一项检查我们的评测结果，觉得怎么会这么好。他们翻来覆去查了一个礼拜，也没找到什么问题。我们也耐心解释了模型的情况，最后他们认可了这个结果，把我们放上了榜单。
这算一个小插曲，也能从侧面说明一些事情。您问怎么判断硬不硬核，业内的人对这些成绩的难度，其实会有判断。能做出这样的结果，本身就不容易，能在这么短的时间里做出来，也有难度。
但最近让我比较苦恼的是，讲世界模型故事的人太多了，一些有价值的进展和信号，反而被淹没了。
蒲凡：没错，噪音太多了。
于开丞：有些东西，像您说的，看两眼也不想看了。有些模型，有些同学讲的故事，真的感觉开始硬讲故事了，变得不知道怎么评价。
蒲凡：这里提到一个特别有意思的点，你觉得有些人在硬讲故事。哪些故事是硬讲的，翻译过来，就是哪些东西目前世界模型的能力还做不到，它硬讲出来了；或者其实远不符合世界模型定义，甚至不是它的使命，却把这个东西说进来了。我特别想知道具体是什么。
于开丞：这个问题有点尖锐。
可以换个角度回答。当只谈"世界模型"这四个字，都可以装进去。很简单，它本质上就是预测下一个状态，当你能定义清楚下一个状态，都可以叫世界模型。
所有AI问题，甚至可以拿世界模型重做一遍，或许某一天，语言模型也拿世界模型做一遍，都有可能。说大家是在凑吗？如果真的做了，技术上都可行。您可以理解为Transformer，这个技术非常广谱，可以用在各种任务上，现在有一点这种感觉，我觉得是比较准确的描述。所以也特别辛苦大家去做判断。
我自己的逻辑很简单：看应用场景，终极目标是不是匹配技术设计就行。像World Labs公司，如果用隐空间世界模型做它那个任务，我觉得不合理；用World Labs的路线做我们做的事情，也不合理。两件事相互之间不合理，这是我能解释的一些逻辑。
第二个比较麻烦的地方，很多公司讲了很多内容，但内容没有能找得到的更多信息，更多像技术理念的宣布。目前还是挺难判断，哪怕是我，也好奇它到底是什么东西，这也是我挺好奇的地方。
蒲凡：其实我觉得，世界模型还差一个临门一脚。之前说你经历过GPT时刻、Sora时刻，当这个东西爆发之后，大家认知马上会修正，进入一个相对理性的阶段。就是那句话，人无法想象没有经历过的事情。
无数人描述世界模型多重要，无数人描述我们需要在物理世界自己认知，但我没有见过。你觉得距离世界模型的GPT时刻，还有多久？
于开丞：我自己还挺乐观，觉得三年之内能看到这件事情。
蒲凡：我觉得很抽象，都无法想象世界模型的GPT时刻是什么样子。比如DeepSeek时刻，我能想象：事无巨细把思考过程显示出来，是从没见过的。居然思考得这么全面、这么快、像人一样，那个时刻很震撼。
包括Sora时刻，当时威尔·史密斯吃面，那个动作一下变得特别好。你会发现，居然不是威尔·史密斯自己实拍的，太震撼了。可以有具体想象，到底是什么样的时刻。
当世界模型真迎来GPT时刻，从业内观点说，我们能看到的一个事件，大概是什么样？
于开丞：预知未来。
蒲凡：不就是Polymarket做的事情吗？
于开丞：不。我说的预测未来，在这个阶段更指物理现象的未来。举个例子，跟灭霸一样，预测未来的101万种可能性，找到了……
蒲凡：奇异博士？
于开丞：对。他预想了未来很多事情，最后选了这么一条路。放在物理世界、物理空间下，这肯定是我们认为，世界模型最底层给大家带来的震撼。
因为能预知未来，在很多领域有非常直接的作用。自动驾驶本身已经受益。很多驾驶公司做world model，也希望把预测未来能力放到模型里面，已经实现了一定程度的智能跃迁。放到人形机器人领域，也是对未来进行想象，再做事情。
可以理解为，等GPT时刻到来，这个模型放到哪里，都可以预测一个当下的未来，再利用这个未来做很多事。
一开始看起来可能没那么酷炫。现在有一些合作项目，还不方便透露，但有一些非常高价值的场景，有这个很强烈的需求。某种程度上，也会受益于未来产生的这一时刻，在我们看来。
蒲凡：我不想说那么玄的，比如天文、物理、化学，那些高价值场景。你知道我想到什么吗？《男生女生向前冲》《智勇大冲关》那个综艺。
我觉得有一天，如果有世界模型的GPT时刻，一定是机器人牵到现场，搭载你们的模型，进行勇敢闯关。既然世界模型需要预测未来，而大冲关的所有关卡是无序的，那就让他尽情地判断哪条路线最快。比如人类挑战纪录是5分钟过去，因为它预测极其精准，可以3分钟、2分钟过去。我觉得太牛逼了，未来你们都可以做这个事件营销。
于开丞：感谢你的idea，我们努力股票杠杆配资排行，加油。
股票配资开户送礼金提示：本文来自互联网，不代表本网站观点。
相关文章
大盘行情指数走势
热点资讯