来自 AI 研究立场图谱百科
世界模拟器国家主义:大规模视频生成模型正在学会模拟物理世界,终将成为通用的世界模拟器。
主张
世界模拟器国家主义把视频生成的每一次飞跃,都解读为物理理解的一次飞跃。它的逻辑是:要把一只玻璃杯落地摔碎的十秒视频渲染得令人信服,模型就必须隐式地追踪物体、重力、遮挡和因果。把视频模型 scale 得足够大,它就不再是内容工具,而是一个通用模拟器——可以在里面训练智能体、预演计划、按需渲染反事实。
它位于图表顶部附近、中间偏右。单体立场来自它对“一个大型生成模型”的信仰,而不是手写物理引擎加渲染器。它的范式等级是主流:它沿用当下“把生成模型做大”的配方,尽管把生成式视频模型当作模拟器仍有争议,而这套教义乐意把自己的声誉押在上面。
论据
- 仅用像素训练的视频模型,已经表现出 3D 一致性、短时程的物体恒存性和合理的镜头运动。
- 从视频中学出来的可交互生成环境表明,不靠物理引擎,也有可能做到以动作为条件的世界模拟。
- 视频数据极其丰富,从中学到的模拟器,覆盖现实的范围可以远超任何人工编写的引擎。
批评
- 生成的视频依然会违反守恒定律、让物体互相融合,并在较长时程上丢失状态。
- 看起来合理不等于物理正确;一个看着对的模拟器,拿去做控制可能毫无用处。
- 隐空间预测派认为,渲染每一个像素,本来就是学习动力学的错误目标。
代表作
关系
亦敌亦友
怎样测出它
在完整版或专业版里落到这一格:x ≈ +0.64,y ≈ +0.85,范式 ≈ −0.52。