四天前，，，英伟达刚刚宣布了他们的天下模子Cosmos 3；；；；前一天，，，斯坦福教授李飞飞揭晓论文，，，为“天下模子”这个被严重滥用的看法画出了权威的“三分法”地图。。。。。学界、工业界、算力巨头在统一时间窗口亮牌，，，展现目今AI新主流蹊径的竞争，，，进入白热化的阶段。。。。。 第一种做法，，，它看到杯子，，，识别指令，，，伸手抓取。。。。，，平移放下。。。。。整个历程像条件反射，，，不会想。。。。。这是VLA时代，，，视觉语言行动模子，，，眼睛和手脚直接连线，，，中心没有脑子。。。。。 第二种做法，，，它看到杯子，，，脑子里睁开几张图。。。。。图一，，，轻轻推，，，杯子滑到左边。。。。。图二，，，用力推，，，杯子翻倒，，，水洒出来。。。。。图三，，，没遇到，，，杯子不动。。。。。它剪掉图二和图三，，，选择图一。。。。。这是天下模子，，，4D版，，，三维空间加时间。。。。。它能展望下一秒会爆发什么，，，就像一个能寓目物理规则影戏的观众，，，但它仍然只是一个观众。。。。。 第三种做法，，，照旧这几张图，，，但它进一步想。。。。。若是桌面有水渍，，，图一的滑动距离会不会改变。。。。。若是杯子是空的和满的，，，翻倒的阈值有何差别。。。。。若是推的时间手指碰了一下杯沿，，，杯子会不会转。。。。。它同时推演多条天下线，，，并在分叉中选择。。。。。这是天下模子，，，5D版，，，在时间和空间之上，，，再加一维行动与因果。。。。。它不是在展望影戏，，，而是在导演剧本——它在行动前，，，快速做完了一场关于“效果”的短梦。。。。。 EvoPhys-World不是一个由多个自力？？？？
？？？槠醇鹄吹摹胺旌瞎帧薄。。。。它是一个统一的基础模子，，，将感知、影象、展望、决议、行动所有压缩进了统一个隐空间。。。。。 第一种叫World Engine，，，即“天下引擎”。。。。。你给它一个行动，，，好比“推”，，，它就能在脑子里模拟出这个天下接下来会酿成什么样——杯子会滑多远、会不会倒、水会不会洒。。。。。这是它的“想象”能力，，，所谓“万物可孪生，，，物理可交互”。。。。。 第二种叫World Policy，，，即“天下战略”。。。。。你给它一个目的，，，好比“让杯子停在这里”，，，它就能倒推出实现这个目的需要的一系列行动——手应该伸多快、用多大的力、角度怎么调解。。。。。这是它的“行动”能力，，，所谓“天下可预演，，，万物可操控”。。。。。 它们不是割裂的。。。。。World Policy执行后爆发的效果，，，会反响给World Engine，，，让它的“想象”更精准；；；；更精准的“想象”又能天生更好的“行动”。。。。。这就是“自进化”的焦点——它不是让机械人学会“做行动”，，，而是让它学会“做实验”。。。。。先在大脑里做一万次实验，，，再挑出最优的谁人计划去执行。。。。。 这种设计有一个深层的哲学基础。。。。盒卸占涞纳杓啤。。。。英伟达Cosmos 3是机械人中心主义的，，，它的行动被界说为机械臂的枢纽角度、夹爪的位置。。。。。而EvoPhys接纳人本主义蹊径：它不教机械人“二指夹爪怎么动”，，，而是先教模子学“人的五指怎么捏杯子、怎么拧瓶盖”。。。。。 但人本主义不但是蹊径的选择，，，它延伸出一套更完整的工程标准——“三位一体”。。。。。这套标准以为，，，人类的数据收罗装备、机械人本体、以及人类远程操控机械人的交互装备，，，必需共享统一个数据接口。。。。。人类戴着装备去推杯子时，，，眼睛看到的画面、头部转动的姿态、手指的骨骼点与用力巨细。。。。，，都遵照统一套名堂。。。。。这套名堂被机械人直接读取。。。。，，也被远程操控的人类原样吸收。。。。。这样一来，，，人类收罗的交互数据可以直接用于训练，，，学到的行为可以直接转移到机械人上，，，而人类在远程操控时也不会有任何感知上的错位。。。。。 这意味着，，，它明确的是使命自己，，，而不是被特定的硬件形态所绑定。。。。。在机械人形态尚未收敛的今天，，，人，，，才是那具最通用的本体。。。。。 说到“知”与“行”的关系，，，World Engine肩负的就是“知”的角色——它知道推杯子后天下会怎样转变；；；；World Policy肩负的是“行”的角色——它知道为实现目的该怎样脱手。。。。。据靠近该团队的人士透露，，，他们将两者的闭环归纳综合为“知行合一”：不是先仿真再决议的“先知后行”，，，而是知行互训、螺旋上升。。。。。 这个螺旋能够高效运转，，，有一个要害的硬件条件。。。。。EvoPhys团队将模子训练在摩尔线程的MTT S5000千卡集群上。。。。。这款芯片最特殊的地方在于：它不是英伟达H100那样的“纯训练卡”，，，而是保存了完整的图形渲染管线。。。。。World Engine要实时“画出”杯子被推倒的画面，，，World Policy要在这幅画上盘算下一步的行动——渲染与训练必需在一颗芯片上同时完成，，，不可分到两台机械上倒腾数据。。。。。英伟达的数据中心卡为了极致算力阉割了渲染？？？？
？？？椋，，而摩尔线程的“全功效GPU”恰恰知足了天下模子的这种刚需。。。。。 就在EvoPhys宣布的三天前，，，英伟达推出了天下模子Cosmos 3。。。。。唬；；迫恃涠ㄎ晃癙hysical AI的ChatGPT时刻”，，，打出了三张牌：数万亿级别的多模态token、开放的开发者生态、以及与宇树科技等本体厂商的硬件协同。。。。。 但剖解它的数据组成，，，会发明一些有意思的细节。。。。。据英伟达果真的手艺报告，，，在Cosmos 3 Reasoner的预训练阶段，，，约2200万样本中，，，OCR文字识别占42.9%，，，2D空间定位占16.5%，，，视觉问答占11.3%，，，而视频明确与推理仅占0.05%。。。。。 换句话说，，，英伟达的模子是一个极其渊博的“通才”，，，但在“怎样推一个杯子”这门物理课上，，，它可能照旧个初学者。。。。。它的“课本”里，，，掺杂了太多“语言”和“合成画面”。。。。。它可能学到的更多是“推”和“动”在统计上总是一起泛起的语言关联，，，而不是“当施加的力大于最大静摩擦力时，，，物体才会爆发位移”的物理因果。。。。。它强盛，，，但它解决的是规模唬；；侍猓，，而不是“明确”问题。。。。。 与此同时，，，来自工业前线的真实需求数字，，，显得更为冷静。。。。。智元机械人合资人姚卯青曾估算，，，GPT-5训练语料折合约100亿小时，，，而全行业汇聚的高质量具身数据仅约50万小时，，，差别以万倍计。。。。。唬；；迫恃档摹癎PT时刻”，，，更准确地讲，，，或许是“基础设施的归因时刻”，，，而非“模子能力的落地时刻”。。。。。算力可以买到，，，但真实天下数据，，，必需是一天一天攒出来的。。。。。 同样是在这个时间窗口，，，学界给出了自己的框架。。。。。6月4日，，，斯坦福教授李飞飞揭晓论文，，，把被严重滥用的“天下模子”划出了三大功效种别：渲染器（天生逼真像素）、仿真器（天生切合物理纪律的天下状态）、妄想器（天生行动序列）。。。。。她特殊强调，，，这三者中最被低估、但价值最深远的，，，是仿真器。。。。。她预言，，，最终这三类模子的界线将一直消融，，，走向一个“大一统天下模子”。。。。。 Cosmos 3，，，着重渲染与仿真，，，试图涵盖一切，，，但重心是“天生逼真的未来天下”。。。。。而EvoPhys，，，恰恰精准地押注在李飞飞所说的那片“无人区”——价值最深、也最难啃的“仿真器”上。。。。。但更要害的是，，，EvoPhys悄悄画出了逾越地图的蹊径。。。。。李飞飞的框架里，，，三者在分头演进后需要被“缝合”。。。。。而EvoPhys用“一个基模，，，两种形态”给出了更极致的谜底：这三个功效历来不需要被缝合，，，它们从一最先就共享统一个隐空间，，，通过“螺旋自进化”相互喂养。。。。。 棋手在思量下一步时，，，脑子里不是只算一个点，，，而是同时摆几张转变图。。。。。图一，，，我下这里，，，敌手应那里；；；；图二，，，我打入，，，敌手还击，，，我是否做活。。。。。棋手在零点几秒内剪掉显着低胜率的分支，，，落子。。。。。天下模子推演物理效果，，，实质上在做同样的事——但棋盘从361个交织点酿成了无限的一连空间。。。。。一个行动下去，，，可能的效果有无限多种。。。。。模子要在零点几秒内剪掉那些违反物理纪律的分支，，，只保存切合重力、摩擦力、碰撞体积的路径，，，再从中选最优。。。。。 模式匹配，，，是模子在数据里看到“推”这个行动，，，和“杯子动”这个画面，，，在统计上总是一起泛起。。。。。于是它学会了这个纪律。。。。。效果，，，当它被要求推一个铁块时，，，它依然会用同样的实力——由于它不明确“为什么”需要更用力。。。。。它只是记着了一对表象。。。。。 因果推断，，，是模子在无数真实交互中，，，学会了一条底层物理纪律：“当施加的力大于最大静摩擦力时，，，物体才会爆发位移”。。。。。它不是在匹配“推”和“动”的画面，，，而是在学习谁人通用的物理方程。。。。。因此，，，无论是推杯子照旧推铁块，，，它都能凭证物体的质量和材质，，，盘算出需要多大的力。。。。。它明确了缘故原由和效果之间的必定联系。。。。。 更进一步。。。。。反事实推理问的是：“若是适才我没推，，，杯子会不会由于桌面的震惊而自己滑落？？？？
？？？”这是在脑子里构建一个与现实差别的平行天下去推演。。。。。EvoPhys的5D引擎，，，实质上就是在工程化这种“反事实”能力。。。。。 英伟达Cosmos 3走的是“主流”蹊径——20万亿token、开放生态、硬件协同，，，它解决的是“怎样让更多机械人快速学会一个行动”的规模唬；；侍狻。。。。这是算力帝国的一次标准出牌。。。。。 EvoPhys的激进，，，在于它连李飞飞刚画出的地图都不知足。。。。。李飞飞说天下模子应该融合渲染器、仿真器、妄想器三类功效。。。。。EvoPhys的回应是：这三者历来不需要被融合，，，它们从一最先就应该长在一起。。。。。“一个基模，，，两种形态”，，，不是一个愿景，，，而是已经跑通了的架构。。。。。李飞飞还在指出“前方应该有一座桥”，，，EvoPhys已经站到了桥的对岸，，，转头看地图说：“888集团引擎已经由了河。。。。。” 李飞飞画出“渲染器-仿真器-妄想器”三分地图，，，其实质是学术正统的渐进主义：认可三者终将消融，，，但坚持必需履历“先分后合”的阶段，，，以“大一统”为最终静态终点。。。。。EvoPhys的架构更激进。。。。。它直接作废“三分法”的中心状态，，，将仿真器（World Engine）与妄想器（World Policy）压进统一隐空间，，，让两者不是“界线消融”后的并列选项，，，而是相互喂养的动态闭环——Policy执行后的真实效果反响给Engine，，，Engine天生更精准的状态展望再驱动Policy。。。。。这不是“先分后合”的渐进融合，，，而是知行合一的螺旋上升。。。。。 团队曾将AI的三层进阶归纳综合为：LLM读万卷书，，，具身智能行万里路，，，天下模子知行合一。。。。。前两者或知或行，，，各有着重；；；；而天下模子的终点，，，恰恰是知行互训的即时融合——没有静止的“大一统”，，，只有一连的螺旋。。。。。 而这场竞赛最意味深长的一幕，，，或许爆发在硬件层面。。。。。摩尔线程为EvoPhys提供了一颗“会渲染”的GPU——这恰恰是英伟达数据中心卡被阉割掉的能力。。。。。这是一个信号：在天下模子这个新战场上，，，中国芯片公司正在用“渲染+训练”的融合架构，，，试图界说一个新的标准。。。。。若是天下模子最终被证实需要一张“会画画”的芯片，，，英伟达可能不得不在下一代产品中恢复这项功效。。。。。