AI圈最近是卷瘋了嗎，模型跟不要錢一樣kuku的往外發(fā)。

今天凌晨的時候。

螞蟻在毫無預(yù)兆的情況下，他們旗下的具身智能公司，靈波科技，開源了一個非常非常離譜的世界模型。

LingBot-World。

我其實本身是真的沒有當(dāng)回事的，就是因為我對世界模型還比較關(guān)注，就隨手點進去看了眼。

結(jié)果，我真的有點停不下來了，我在這個頁面里，花了半個小時的時候，幾乎看完了所有的案例。

我是真的覺得有點離譜，幾乎可以對標(biāo)Google Genie 3的質(zhì)量，而且，開源。

我直接放個case。

一個1分鐘的，第一人稱探索的視角。

我不知道你們是什么感覺，如果玩游戲很多的朋友，可能會說，這有啥稀奇的，不就是一個普通的游戲里面的那種廢棄小鎮(zhèn)場景嗎，不就是第一人稱在里面探索嗎。

對，但是如果你知道，這一切的源頭，這個世界里面所有的一切，都是根據(jù)你的方向鍵，用視頻動態(tài)生成的。

我相信你一定會有不一樣的感覺。

這是一個完完全全的，一邊探索一邊生成的世界。

這個視頻里面的一切，都是實時交互的，實時按鍵實時運動的。

言出法隨，指哪打哪。

我凌晨1點多，第一次看到這個demo，同時意識到，這是一個世界模型的時候，我其實是起了一些雞皮疙瘩的。

還有這個，實時生成的巨物壓迫感，真的非常的真實了。

最離譜的是這個。

一個10分鐘的視頻，他們讓模型一個人就這么沿著古建筑群瞎逛，逛了整 整十分鐘，中間確實偶爾有一些變形，但是，到最后了，這個古建筑居然沒有崩掉，太離譜了。

之前測過一個叫 Odyssey的世界模型產(chǎn)品。

別說10分鐘了，1分鐘就直接崩成這樣了。

而且毫無記憶能力，我只要一回頭，這個世界就變了樣，而且是每回頭一次，它就變一次。

相當(dāng)?shù)膰樔?。。?/p>

如果說要跟Sora、可靈這種視頻生成模型最大的區(qū)別是什么，我那覺得，一個是預(yù)先錄制的電影，另一個是可實時演算的模擬器。

視頻生成模型，是他已經(jīng)把整部電影拍完、剪好，加好特效，然后放給你看。

畫面很精美，故事很完整，但你是純粹的觀眾，只能被動接受，無法改變?nèi)魏问隆?/p>

而LingBot-World，你按W，它就往前生成世界，你按A，它就往左拓開空間。

你輸一句“下雨了”，天空就真的變陰云密布，你說“來點煙花”，遠處城堡上空立刻炸開一朵。

所有的一切，都是邊走邊算出來的，而不是提前渲染好放給你看。

前者是敘事的終點，后者是世界的起點。

太離譜了，要知道，這個模型，是跟之前Google Genie 3的路線一致，是可實時生成的世界模型。

老粉可能還記得，我去年寫過。

這篇文章到現(xiàn)在也是我覺得是我的一個很大的遺憾，它明明那么強，可是我沒有把它寫火讓更多的人看到，這是我的問題。

我一直都非常關(guān)注這種可交互的實時生成的世界模型，但是坦率的講，Genie 3之后，幾乎再無同類，而且已經(jīng)幾個月了，Genie 3到現(xiàn)在也不能體驗上。

但今天，不僅有了，而且，還開源，甚至他們，把論文都發(fā)出來了。

真的有點不敢相信這是我之前認(rèn)知里那個螞蟻。。。

項目網(wǎng)址在此： https://technology.robbyant.com/lingbot-world

目前已經(jīng)在github上開源了第一個版本，另外兩個版本等待放出。

這三個版本我大概解釋一下。

LingBot-World-Base (Cam) 代表Base系列里帶Camera Poses控制的版本。

你在推理時會額外喂相機位姿或相機運動軌跡這類信號，所以它更擅長把鏡頭運動做得可控，適合你想明確指定推進鏡頭、環(huán)繞、俯仰、平移這類拍法的場景。

表里寫的480P和720P也對應(yīng)它當(dāng)前提供的推理配置，這個版本目前已經(jīng)放出權(quán)重和下載鏈接。

LingBot-World-Base (Act) 代表Base系列里帶Actions控制的版本。

這里的 Actions 更像“動作指令”或“行為控制”，讓你能用更結(jié)構(gòu)化的方式去約束主體怎么動，往哪走，抬手，轉(zhuǎn)身之類。

它的目標(biāo)是把可控性從鏡頭擴展到行為層面，目前等待開源中。

LingBot-World-Fast代表Fast系列，核心取向是低延遲與實時交互，一般會通過結(jié)構(gòu)改造與加速手段，把推理做得更適合流式生成和邊交互邊出畫面。

代價通常是質(zhì)量上限會比 Base 略低一點點，優(yōu)勢是響應(yīng)更快更像實時世界模擬，延遲能低于1秒，能做到每秒16幀，目前等待開源中。

模型參數(shù)量在28B左右，推理應(yīng)該在14B。

在看完了所有的case，以及論文以后。

我給它總結(jié)了3個特點。

分別是長時記憶很穩(wěn)定、風(fēng)格泛化性極強、很棒的動作代理。

一. 長時記憶很穩(wěn)定

說實話，我們看世界模型，最核心的一個東西，看的一定是長時記憶。

就跟我們用文本大模型一樣，他能不能記住前面的那么多的信息，這個事非常的重要。

而在世界模型里，這個事，尤為重要，甚至就是第一位的。

如果沒有長時記憶的模型，你可以想一想這個場景，你去廁所拉屎，打開了廁所門，進門，掀開馬桶蓋，一回頭，廁所門沒了，變成了一個不知道通往哪的過道，你再一回頭，馬桶也沒了，變成了一個小女孩就這么瞪著你。

現(xiàn)在是凌晨3點20多，我寫下這段話的時候，我還忍不住回頭看了好幾次，我說實話，我真的突然有點慌。。。

這就是沒有長時記憶的問題。

可能在文字輸出的時候，他不記得之前的事了，可能影響還沒那么大。

但是在一個可以互動的世界里，如果沒有了長時記憶，那就成了徹頭徹尾的恐怖片了，我們俗稱，鬼打墻。。。

而 LingBot-World解決了這個問題。

比如說這個case。

可以看到，在這個過程中，在這個廊橋上，不管你怎么走，前看后看左看右看，那些建筑也絕對一直都在，甚至高墻和后面的建筑的遮擋關(guān)系，都會隨著你行走的距離而改變，當(dāng)你扭頭看向別處的時候，回頭看，還在。

這個長時記憶，就太牛逼了。

還有這個。

從看到這個開始，然后從肚皮下面穿越過去，在差不多的時候，你可以看到，你的視角是真的穿過了這個異獸的橫向面積，讓你感受到很真實。

而沒有長時記憶的世界模型，可能在你穿的時候，直接就在它的肚皮下面穿了將近1分多鐘，甚至就在那鬼打墻了一直穿不過去，明顯時間尺度和距離尺度都不對。

而Lingbot-World在這點上，就表現(xiàn)的非常好。

二. 風(fēng)格泛化性極強

很多的世界模型，其實在風(fēng)格上都比較固定。

只能搞現(xiàn)實世界的，就是超寫實的那種，但是一旦涉及到非寫實的，一般效果就非常的差了。

但是lingbot-World居然保持的相當(dāng)好。

比如這個例子。

明顯能感覺到，雖然大劍還稍微有一點點不穩(wěn)定，但是其他的地方，保持的非常好，已經(jīng)媲美一些游戲的質(zhì)感了。

還有這個。

在這種畫風(fēng)下，整個世界模型沒有崩塌，這一點其實非常的難能可貴。

核心其實在于LingBot-World在訓(xùn)練的時候，真實視頻、游戲錄像、UE合成場景，全塞在一鍋里里面訓(xùn)了，他們搞了大量游戲世界的數(shù)據(jù)，還有UE的合成數(shù)據(jù)。

現(xiàn)實世界的視頻負(fù)責(zé)教它物理世界大概長啥樣，游戲世界負(fù)責(zé)教它人類在虛擬世界里是怎么玩的，然后合成世界則負(fù)責(zé)補齊那些現(xiàn)實很難系統(tǒng)采集的視角，比如各種極端運動軌跡、復(fù)雜相機路徑、極限視角。

對模型來說，這三種東西在輸入上其實是統(tǒng)一的。

就是都是一幀一幀的視頻，外加相機位置、動作指令、文本描述。

它其實并不會像人類那樣心里有一條線，說哦這是真實的，哦這邊是游戲，它看到的只是不同分布的像素序列。

這一點其實有點像機器人領(lǐng)域的域隨機化。

就是很多具身公司，在做仿真訓(xùn)練的時候，經(jīng)常會把地面材質(zhì)、光照、物體貼圖全打亂，讓機器人習(xí)慣各種詭異的組合，這樣下放到真實世界的成功率反而更高。

Lingbot-World在這塊做的相當(dāng)好。

三. 很棒的動作代理

世界模型如果只會自己滾動，不會被控制，那最多也就是一個超長、有記憶的屏保。

真正好玩的是，當(dāng)你把WASD和方向鍵綁上去，甚至把一個動作代理塞進去，在你操控的同時，里面的角色還可以自主行動和規(guī)劃。

從而涌現(xiàn)出一些全新的事件和玩法，而不是那種單純的，步行模擬器，只會單純的走路和跑步而已。

比如這個。

你可以明顯的看到，這個布偶隨著方向的變化，而自主在房間里進行運動，在過程中還碰到了沙發(fā)，從而掉頭，避免了穿模。

還有這個。

并不是千篇一律的滑行，而是有急停、有變道，有自主運動。

這一點也是完全不一樣的點，是我從來沒有見過的，很新，也很強。

看了下論文，LingBot-World在動作這塊，主要干了兩條線的事。

一條線是最直接的，你自己按鍵。

你按 W，它往前生成，你按S，它往后拉，你長按A，它會幫你推演側(cè)身走一段路應(yīng)該是什么樣子，這個看著好像理所當(dāng)然，但其實背后代表著模型已經(jīng)學(xué)會了一種還蠻重要的東西。

動作不是單幀的，而是一個連續(xù)意圖。

你按一下W，它不會只管下一幀往前挪一點點，而是會在內(nèi)部自動幫你補出一整個往前走兩三步的節(jié)奏，把腿步伐、相機抖動、視差變化協(xié)同起來。

否則你按W一下停一下，畫面只會抖成幀動畫。

另一條線，是他們搞的那個AI玩自己世界的動作代理。

你可以把它理解成給LingBot-World添了一個玩家。

這個玩家看不到底層張量，它只看畫面和一些文字提示，然后決定“我要往哪走”“我要不要拐彎”“我要不要停下來多看一眼”。

論文里是用一個微調(diào)的視覺語言模型來做這件事，看一幀圖，輸出接下來幾秒鐘的命令，讓 LingBot-World去執(zhí)行。

所以還真的挺有意思的，就真的像，我們在玩游戲的感覺。

只不過這個游戲，我們是觀測者，我們決定向什么方向去，而AI，會在生成的空間，自主運動。

這一點，確實是一個非常有意思的創(chuàng)新。

LingBot-World很強，很有意思，讓我突然有了一種。

24年春節(jié)2月16號的時候，同樣的深夜，同樣的凌晨，看到Sora的那一刻。

世界模型，一直是一個全新的、未被探索、還有廣闊空間的領(lǐng)域。

他不僅對游戲、對影視、對娛樂都有非常強的意義。

而真正我覺得最核心的場景，其實是為了具身智能，一個優(yōu)秀的、泛化能力強的世界模型，也能為具身的訓(xùn)練，為他們對現(xiàn)實世界的理解和長程任務(wù)，提供低成本高保真的試錯空間。

世界模型，也是AI真正由虛到實，進入我們現(xiàn)實空間中的必要條件之一。

而螞蟻，居然是螞蟻。

把這個進程，向前推了一大步。

并且直接選擇開源，造福所有人。

我很少會對一個技術(shù)demo感到興奮，而最近的興奮，坦誠的講，幾乎都來自世界模型。

而LingBot-World讓我又有了當(dāng)年最開始玩AI的那種感覺。

世界模型成熟之后，來臨的，必然就是井噴式的、進入我們實體世界的、隨處可見的具身智能們。

而那時。

才是我心中，真正的AI時代。

以上，既然看到這里了，如果覺得不錯，隨手點個贊、在看、轉(zhuǎn)發(fā)三連吧，如果想第一時間收到推送，也可以給我個星標(biāo)?～謝謝你看我的文章，我們，下次再見。

>/ 作者：卡茲克

>/ 投稿或爆料，請聯(lián)系郵箱：wzglyay@virxact.com