螞蟻靈波，第一次讓我對(duì)世界模型的感受具象化了

和身邊投資人、創(chuàng)業(yè)者朋友聊，AI圈近幾年，每年都有能擾動(dòng)所有人注意力的大詞：

23年是大模型，24年是具身智能，25年是Agent……

那么26年的關(guān)鍵詞的是什么呢？

一個(gè)很高頻提及的，是世界模型。

就在今天1月29日，螞蟻集團(tuán)旗下的具身智能公司靈波科技，發(fā)布了世界模型 LingBot-World，并且全面開(kāi)源。

https://technology.robbyant.com/lingbot-world

過(guò)去兩年的視頻生成模型，大體還停留在抽卡式影像拼接，但這次，更像是給 AI 安裝了一個(gè)可以長(zhǎng)期運(yùn)轉(zhuǎn)、能被人實(shí)時(shí)操控、還能記住世界狀態(tài)的「數(shù)字宇宙引擎」。

給大家看一下真實(shí)的部署后的效果：

比當(dāng)時(shí)讓人感慨「物理學(xué)不存在了」的Sora，更進(jìn)了一步。

它不只能生成好看的視頻，還嘗試回答一個(gè)更大的問(wèn)題：AI 能不能在一個(gè)持續(xù)存在、可交互、符合物理直覺(jué)的世界里長(zhǎng)期演化。

我只覺(jué)得，這次開(kāi)源，如果理解為一個(gè)新模型發(fā)布就太小了，至少為很多AI團(tuán)隊(duì)26年的發(fā)展方向指了條路——

把世界模型從論文概念，推進(jìn)到工程可復(fù)現(xiàn)、社區(qū)可參與、產(chǎn)業(yè)可落地的階段。

在視頻保真度、動(dòng)態(tài)幅度、長(zhǎng)時(shí)一致性、實(shí)時(shí)交互能力上，LingBot-World整體水位，已經(jīng)不亞于Google Genie 3這一代閉源世界模型。

但它直接開(kāi)源了權(quán)重和推理代碼，比去年DeepSeek R1的開(kāi)源還要徹底。

似乎，很多行業(yè)都要因此改變了：具身智能、自動(dòng)駕駛、游戲開(kāi)發(fā)，都將擁有一個(gè)高保真、可控、低成本試錯(cuò)的數(shù)字演練場(chǎng)和新的AI引擎。

生成的一幀一幀畫面，第一次看到的時(shí)候，真的很震撼……

而完整的視頻呈現(xiàn)，則是進(jìn)一步把現(xiàn)實(shí)空間和物理場(chǎng)景，還原到了一個(gè)近乎超越真實(shí)的程度。

長(zhǎng)記憶、廣視角、高連續(xù)的視覺(jué)呈現(xiàn)，是靈波給我?guī)?lái)的第一個(gè)驚喜。

像故宮這種宏大場(chǎng)景，非常豐富的建筑群，在連續(xù)性和一致性上都達(dá)到了很高的水準(zhǔn)。

01. 從生成視頻到模擬世界：范式真的變了

靈波這次開(kāi)源的技術(shù)路線，從關(guān)鍵數(shù)據(jù)的獲取到處理，再到建模、計(jì)算和訓(xùn)練，都和之前的視頻模型及世界模型有很大不同。

世界模型最難的不是網(wǎng)絡(luò)結(jié)構(gòu)，是數(shù)據(jù)。

普通網(wǎng)絡(luò)視頻無(wú)法提供“動(dòng)作—環(huán)境變化”對(duì)齊信號(hào)，而這卻正是世界模型必須學(xué)習(xí)的因果。

LingBot-World構(gòu)建了一套混合數(shù)據(jù)引擎：

一部分來(lái)自清洗后的真實(shí)視頻，提供視覺(jué)多樣性；

一部分來(lái)自游戲錄制，嚴(yán)格對(duì)齊用戶操作、相機(jī)位姿和畫面；

還有一部分來(lái)自 Unreal Engine 合成管線，直接導(dǎo)出無(wú) UI 干擾的純凈畫面和精確相機(jī)參數(shù)。

更關(guān)鍵的是他們?cè)O(shè)計(jì)了分層語(yǔ)義標(biāo)注體系：

敘事級(jí) caption、場(chǎng)景靜態(tài) caption、時(shí)間密集 caption 三層描述，把“環(huán)境是什么”和“鏡頭/動(dòng)作發(fā)生了什么”解耦。

這種標(biāo)注方式的本質(zhì)，是在幫模型區(qū)分“世界狀態(tài)”和“觀察方式”，這對(duì)學(xué)習(xí)穩(wěn)定世界表征極其重要。

可以說(shuō)，這套數(shù)據(jù)引擎不只是為 LingBot-World 服務(wù)，而是為未來(lái)所有開(kāi)源世界模型提供了一個(gè)可參考的工業(yè)級(jí)范式。

過(guò)去的視頻大模型，很大程度上還是統(tǒng)計(jì)和概率：根據(jù)像素時(shí)序分布去猜下一幀長(zhǎng)什么樣。

這類模型擅長(zhǎng)做短視頻、情緒氛圍、鏡頭語(yǔ)言，但一旦時(shí)間拉長(zhǎng)，問(wèn)題就會(huì)暴露——角色換臉、建筑變形、物體消失、空間拓?fù)溴e(cuò)亂，都屬于典型的長(zhǎng)時(shí)漂移（long-term drift）。

LingBot-World試圖跨過(guò)這道坎，它開(kāi)始不再把任務(wù)定義為“生成一段視頻”，而去學(xué)習(xí)一個(gè)世界狀態(tài)在動(dòng)作驅(qū)動(dòng)下如何演進(jìn)。

論文中把問(wèn)題形式化為：在已有歷史畫面和動(dòng)作序列的條件下，預(yù)測(cè)未來(lái)一段時(shí)間的世界狀態(tài)分布。

這種建模方式，在我看來(lái)已經(jīng)超出了視覺(jué)生成的范疇，轉(zhuǎn)向了“環(huán)境動(dòng)力學(xué)建模”。

這種差異尤其關(guān)鍵。

因?yàn)橐坏┠Ｐ驼娴膶W(xué)到“動(dòng)作 → 世界變化”的因果關(guān)系，它就不只是內(nèi)容生成工具，變成了可被智能體利用的模擬器。

對(duì)機(jī)器人來(lái)說(shuō)，它可以在這里先“想象”一條路徑再去現(xiàn)實(shí)執(zhí)行；

對(duì)自動(dòng)駕駛來(lái)說(shuō)，它可以在虛擬世界里經(jīng)歷極端長(zhǎng)尾場(chǎng)景；

對(duì)游戲來(lái)說(shuō)，它意味著開(kāi)放世界不再依賴手工腳本，而可以實(shí)時(shí)生成、實(shí)時(shí)響應(yīng)。

更重要的是，這種世界建模天然要求記憶能力。

LingBot-World 展示了一個(gè)非常具有象征意義的能力：鏡頭移開(kāi)一個(gè)房子60秒，再轉(zhuǎn)回來(lái)，那個(gè)房子還在，結(jié)構(gòu)一致，位置合理。

不管是高速運(yùn)動(dòng)視角、俯拍還是仰拍，相關(guān)景象、物體始終出現(xiàn)在物理合理的位置。

游戲場(chǎng)景的迅速切換、形態(tài)及動(dòng)作變化，很真實(shí)自然。

這說(shuō)明模型內(nèi)部已經(jīng)形成了一種隱式的空間記憶和狀態(tài)延續(xù)的能力，已經(jīng)不是只盯著當(dāng)前畫面做局部預(yù)測(cè)。

這也是給我的第二個(gè)驚喜——對(duì)物理世界的還原，尤其運(yùn)動(dòng)狀態(tài)或者游戲建模，非常遵循物理規(guī)律，而且能把復(fù)雜動(dòng)態(tài)處理好。

02. 10分鐘無(wú)損長(zhǎng)視頻：世界模型真正的門檻

長(zhǎng)視頻穩(wěn)定生成不是錦上添花，是世界模型是否可用的生死線。

因?yàn)槿魏握鎸?shí)任務(wù)，比如找路、搬運(yùn)、探索，比如物流、交通，都不是 5 秒鐘能完成的。

LingBot-World 通過(guò)多階段訓(xùn)練和并行化推理，把連續(xù)穩(wěn)定生成時(shí)間推進(jìn)到了接近 10 分鐘，并且在長(zhǎng)時(shí)間鏡頭切換后，場(chǎng)景結(jié)構(gòu)仍能維持一致。

以此來(lái)看，模型開(kāi)始具備長(zhǎng)程任務(wù)承載能力，不再只是短時(shí)視覺(jué)玩具。

論文里有一個(gè)很關(guān)鍵的訓(xùn)練策略：逐步拉長(zhǎng)視頻時(shí)長(zhǎng)的課程學(xué)習(xí)（curriculum learning）。

從原始數(shù)據(jù)，到視頻片段，再到最終數(shù)據(jù)和敘事結(jié)構(gòu)。

模型會(huì)先在 5 秒視頻上建立基本視頻先驗(yàn)，再逐步擴(kuò)展到 60 秒甚至更長(zhǎng)序列，讓它在高噪聲階段更多關(guān)注全局結(jié)構(gòu)，從而減少長(zhǎng)時(shí)漂移。

先學(xué)畫面，再學(xué)世界，分階段演化，把一個(gè)視頻生成模型，一步步馴化成了世界模擬器，感覺(jué)還是很有創(chuàng)意的。

同時(shí)，LingBot-World采用了 MoE（Mixture of Experts）結(jié)構(gòu)，把擴(kuò)散過(guò)程拆成高噪聲專家和低噪聲專家：

前者負(fù)責(zé)世界整體布局，后者負(fù)責(zé)細(xì)節(jié)打磨。

既保持了高分辨率視頻能力，又讓長(zhǎng)程結(jié)構(gòu)更穩(wěn)定。

看這個(gè)結(jié)構(gòu)設(shè)計(jì)，靈波團(tuán)隊(duì)沒(méi)有說(shuō)是全盤推倒重來(lái)，是在現(xiàn)有視頻大模型技術(shù)棧上，做了有針對(duì)性的世界化改造。

看實(shí)際效果，各種細(xì)節(jié)也可圈可點(diǎn)。

03. 真正可玩：實(shí)時(shí)交互 + 文本觸發(fā)世界事件

如果只有長(zhǎng)視頻，沒(méi)有實(shí)時(shí)性，它仍然只是離線渲染器。

LingBot-World另一個(gè)跨越式進(jìn)展是：在約 16 FPS 吞吐下，把端到端交互延遲壓到 1 秒以內(nèi)。

也就是說(shuō)，用戶按下鍵盤，畫面幾乎立刻響應(yīng)，已經(jīng)接近可玩體驗(yàn)的門檻。

技術(shù)上，他們做了兩件關(guān)鍵的事：

一是把雙向擴(kuò)散模型蒸餾成因果自回歸結(jié)構(gòu)，用 block causal attention 保留局部雙向信息，同時(shí)滿足全局時(shí)間因果；

二是通過(guò) few-step distillation，把原本多步采樣壓縮成少步推理，才能實(shí)現(xiàn)準(zhǔn)實(shí)時(shí)生成。

這個(gè)階段的訓(xùn)練，本質(zhì)是在把“畫質(zhì)優(yōu)先的老師模型”壓縮成“速度優(yōu)先但邏輯仍在的學(xué)生模型”。

更有意思的是文本觸發(fā)世界事件能力。

用戶可以輸入“下雪”“夜晚”“像素風(fēng)”“煙花”等提示，世界會(huì)在保持幾何結(jié)構(gòu)一致的前提下發(fā)生風(fēng)格或物理狀態(tài)變化。

上一代世界模型，更多是簡(jiǎn)單的風(fēng)格遷移，但是靈波這次，是在一個(gè)持續(xù)世界狀態(tài)上施加條件干預(yù)。

從應(yīng)用角度看，這就是未來(lái)數(shù)字孿生和訓(xùn)練環(huán)境構(gòu)造的核心能力：人可以系統(tǒng)性地改變環(huán)境變量，不用重新生成一段無(wú)關(guān)視頻。

終于開(kāi)始有了可以實(shí)時(shí)編輯、互動(dòng)、修改變量的能力。

04. 開(kāi)源的真正重量：不是模型，而是生態(tài)位

還有幾個(gè)讓我印象很深的亮點(diǎn)：

首先是動(dòng)態(tài)離屏記憶，使模型能維持對(duì)視野外物體的持久性記憶，確保其在未被觀察時(shí)仍能自然演進(jìn)；

其次是探索生成邊界，通過(guò)極高的時(shí)空相干性，支持生成超長(zhǎng)且畫質(zhì)穩(wěn)定的高保真環(huán)境；

最后是具身物理約束，模型能夠遵循真實(shí)的碰撞動(dòng)力學(xué)和空間邏輯，防止物體穿模或忽略物理屏障，從而生成符合物理規(guī)律的真實(shí)畫面。

基于這些持續(xù)涌現(xiàn)，不斷演化的特質(zhì)，一個(gè)世界模型生態(tài)的雛形已經(jīng)出現(xiàn)。

之前提到的游戲渲染、3D場(chǎng)景，還只是虛擬生態(tài)的延伸；而靈波代表的世界模型的觸角，已經(jīng)真實(shí)觸達(dá)了物理現(xiàn)實(shí)。

比如說(shuō)，現(xiàn)實(shí)世界里，機(jī)器人訓(xùn)練最大的瓶頸是：長(zhǎng)程復(fù)雜任務(wù)數(shù)據(jù)極度稀缺。

真實(shí)機(jī)器人跑一次實(shí)驗(yàn)成本高、周期長(zhǎng)、風(fēng)險(xiǎn)大。

LingBot-World 就提供了一種折中方案：在一個(gè)高保真、長(zhǎng)時(shí)一致、可交互的數(shù)字世界里，先進(jìn)行大規(guī)模試錯(cuò)。

它能支持不同光照、擺放變化、風(fēng)格變化，天然具備 domain randomization 的效果，這對(duì)提升現(xiàn)實(shí)泛化能力至關(guān)重要。

同時(shí)，論文還展示了從生成視頻中進(jìn)行 3D 重建的能力，點(diǎn)云結(jié)構(gòu)跨幀一致，說(shuō)明模型內(nèi)部已經(jīng)隱式維持了幾何一致性。

這意味著世界模型未來(lái)可能成為3D 數(shù)據(jù)生成的源頭工廠，反向?yàn)榫呱砀兄Ｐ吞峁┯?xùn)練材料。

從更長(zhǎng)遠(yuǎn)看，我覺(jué)得這類模型是在搭建一個(gè)認(rèn)知傳感器：

智能體可以在這里形成對(duì)物理世界的長(zhǎng)期預(yù)測(cè)能力，已經(jīng)不需要每一步都依賴真實(shí)sensor。

05. 世界模型，開(kāi)始有“世界味”了

現(xiàn)在世界范圍內(nèi)，最強(qiáng)的世界模型幾乎都閉源，導(dǎo)致研究者們，很難真正復(fù)現(xiàn)可交互的模型的能力。

LingBot-World是第一次，把權(quán)重、推理代碼公開(kāi)。

這也是在向社區(qū)釋放一個(gè)信號(hào)：世界模型不該只存在于少數(shù)巨頭實(shí)驗(yàn)室，可以真正走進(jìn)更多行業(yè)。

仔細(xì)研究下來(lái)，我只覺(jué)得，這一步對(duì)生態(tài)的意義，可能比模型本身更大。

因?yàn)橐坏╅_(kāi)源社區(qū)開(kāi)始圍繞世界模型做數(shù)據(jù)構(gòu)建、控制接口、物理增強(qiáng)、記憶模塊擴(kuò)展，就會(huì)形成一整條新的技術(shù)棧，終于不再是只停留在視頻生成賽道了。

當(dāng)然，它還遠(yuǎn)未完美。

論文里也坦誠(chéng)：記憶仍是涌現(xiàn)能力、不穩(wěn)定；動(dòng)作空間有限；細(xì)粒度物體交互困難；推理成本高；多智能體尚未支持。

但這些問(wèn)題的存在，本身說(shuō)明它已經(jīng)從演示級(jí)模型進(jìn)入了可工程迭代的階段。

最后我想說(shuō)，LingBot-World 代表的不僅是一次模型刷新，更是一次方向確認(rèn)：

AI 正在從生成內(nèi)容，走向生成可被持續(xù)體驗(yàn)、被智能體利用、被人類實(shí)時(shí)介入的世界。

當(dāng)視頻長(zhǎng)度變成分鐘級(jí)，當(dāng)鏡頭離開(kāi)再回來(lái)物體仍在，當(dāng)你按下鍵盤世界就響應(yīng)，當(dāng)一句話可以改變天氣和風(fēng)格——這已經(jīng)不是生成或者消費(fèi)AI作品，是真的在進(jìn)入 AI 構(gòu)建的環(huán)境。

對(duì)靈波而言，世界模型還有個(gè)很重要的意義：為具身智能搭建一個(gè)可以反復(fù)試錯(cuò)、低成本進(jìn)化的數(shù)字現(xiàn)實(shí)。

在真實(shí)物理世界中，機(jī)器人每一次訓(xùn)練都昂貴且緩慢，而世界模型讓智能體能夠在虛擬環(huán)境里提前經(jīng)歷長(zhǎng)時(shí)序任務(wù)、理解“動(dòng)作如何改變環(huán)境”的因果關(guān)系，并逐步形成穩(wěn)定的規(guī)劃與決策能力。

當(dāng)這些能力在數(shù)字世界中被充分打磨后，再遷移到現(xiàn)實(shí)世界，具身智能的落地速度和泛化能力才真正具備規(guī)模化可能。

在這條路上，LingBot-World 讓開(kāi)源陣營(yíng)第一次站到了第一梯隊(duì)門口。

接下來(lái)，真正的變化，可能不在論文，就在接下來(lái)長(zhǎng)出來(lái)的具身智能新系統(tǒng)、新智能體和新應(yīng)用里。

2026年，世界模型這個(gè)核心命題，螞蟻靈波已經(jīng)打響了關(guān)鍵的一槍……