6月12日消息，刚刚，Meta发布了最新的开源世界模型V-JEPA2，称其在物理世界中实现了最先进的视觉理解和预测，从而提高了AIagents的物理推理能力。

Meta副总裁、首席AI科学家杨立昆（YannLeCun）在官方视频中提到，在世界模型的帮助下，AI不再需要数百万次的训练才能掌握一项新的能力，世界模型直接告诉了AI世界是怎样运行的，这可以极大提升效率。

比如AI会预测我们舀出一勺东西是要放入另一个容器中：

AI甚至可以理解运动员的复杂跳水动作，并进行动作拆解：

据Meta测试数据，V-JEPA2在测试任务中每一步的规划用时缩短至英伟达Cosmos模型的三十分之一，同时成功率还更高。据称V-JEPA2使用了一百多万小时的视频来进行自监督学习训练。

在Meta看来，物理推理能力对于构建在现实世界中运作的AIagents、实现高级机器智能（AMI）非常重要，可以让AIagents真正可以“三思而后行（ThinkBeforeActs）”。

此外，Meta还发布了三个新的基准测试，用于评估现有模型从视频中推理物理世界的能力。

昨天Meta刚刚曝出要成立新AI实验室、招揽28岁华裔天才少年，并豪掷148亿美元（约合人民币1061亿元）收购ScaleAI49%股份的消息，今天Meta发布新世界模型，并让杨立昆出来大讲MetaAI重点研究方向和愿景做法，颇有些要为招兵买马“打广告”的意味。

一、世界模型让AI有“类人直觉”，强化AIagents理解、预测、规划能力

理解世界物理规律听起来并不复杂，但这是AI与人类差距非常大的一个方面。

比如你把球抛向空中时，知道重力会将其拉回地面；当你穿过一个陌生的拥挤区域时，你会一边朝目的地移动，一边避免撞到沿途的行人或障碍物；打曲棍球时，你会滑向冰球即将到达的位置，而非它当前的位置。

判断篮球的运动轨迹

但AI很难掌握这种能力，很难构建这种理解物理世界的“心理模型”。

Meta的世界模型，主要会强化AIagents的理解、预测、规划三项核心能力。

二、关键架构创新大幅提升学习效率，高性能同时兼顾准确率

Meta使用视频来训练V-JEPA2，帮助模型学习物理世界中的重要规律，包括人类如何与物体互动、物体在物理世界中的运动方式，以及物体之间的相互作用。

据称V-JEPA2通过自监督学习，训练了超过1百万小时的视频。

V-JEPA2是一种联合嵌入预测架构（JointEmbeddingPredictiveArchitecture）模型，这也是“JEPA”的名称由来。

模型包括两个主要组成部分：

一个编码器，负责接收原始视频，并输出包含对于观察世界状态语义上有用的内容的嵌入（embeddings）。

一个预测器，负责接收视频嵌入和关于要预测的额外内容，并输出预测的嵌入。

V-JEPA2跟传统预测像素的生成式模型有很大性能差异，根据Meta测试数据，V-JEPA2执行任务时每个步骤的规划用时缩短至Cosmos模型的三十分之一，不仅用时短，V-JEPA2的成功率还更高。

V-JEPA2的能力对现实世界agents理解复杂运动和时间动态（temporaldynamics），以及根据上下文线索预测动作都非常关键。

基于这种预测能力，世界模型对于规划给定目标的动作顺序非常有用，比如从一个杯子在桌子上的状态到杯子在桌子边上的状态，中间要经历怎样的动作。

如今大部分AI都需要专业的训练去解决特定的任务，而V-JEPA这种自监督的方式，只需要为数不多的案例，就可以掌握新的能力，在不同的任务和领域中实现更高的性能表现。

模型可以部署在机械臂上，去执行物体操作类的任务，比如触碰（Reach）、抓取（Grasp）、选择和摆放物体（Pick-and-place），而不需要大量的机器人数据或者针对性的任务训练。

根据测试数据，V-JEPA2在执行这三类任务时的成功率分为别100%、45%和73%。

三、杨立昆展示世界模型应用场景，首发三个专项基准测试

世界模型可能会有哪些应用场景，杨立昆也给大家做了一些展示。

世界模型加持下的AIagents，可以帮助视障人群更好的认知世界；

MR头显中的AIagents可以给更复杂的任务提供指导，比如让教育更加的个性化；

AI编程助手可以真正理解一行新的代码会如何改变程序的状态或变量；

世界模型对自动化系统同样非常重要，比如自动驾驶汽车和机器人；

Meta认为世界模型会为机器人开启一个新的时代，让现实世界中的AIagents不需要学习天文数字的训练数据就可以做家务或体力劳动。

除了发布V-JEPA2，Meta还分享了三个新基准测试，用来帮助研究界评估现有模型通过视频学习和推理世界的能力：

1、IntPhys2：用于测试模型在复杂合成环境中的直观物理理解能力（BenchmarkingIntuitivePhysicsUnderstandingInComplexSyntheticEnvironments）。

2、一种基于最小视频对的、感知捷径的物理理解视频问答基准测试（AShortcut-awareVideo-QABenchmarkforPhysicalUnderstandingviaMinimalVideoPairs）。

3、CausalVQA：面向视频模型的物理基础因果推理基准测试（APhysicallyGroundedCausalReasoningBenchmarkforVideoModels）。

结语：AI认知世界提速，AI从数字世界加速走向物理世界

Meta二代世界模型的发布进一步优化了模型的性能和准确率，让物理世界的AIagents可以更高效地执行任务，而不需要海量的数据训练，这一方向可以说是目前AI圈关注的焦点赛道之一。

随着数据瓶颈问题越来越凸显，如何在底层技术层面实现突破显得更为关键，Meta在模型架构层面的创新是其世界模型的核心优势。

随着如今越来越多的视频模型发布，AI逐渐从文本、图像走向动态的视频，AI理解世界、认识世界的速度不断加快，从英伟达、Meta、谷歌这样巨头到各路创企，都对打造世界模型饶有兴致，世界模型之战，或许将成为后续AI产业技术竞争的关键看点。