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
。。。。。。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
。。。。。。盒卸占涞纳杓
。。。。。。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？？？
？？？？，，，，，，，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
。。。。。；；；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；；；侍，，，，，，，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
。。。。。；；；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；；；侍
。。。。。。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
。。。。。。