
林俊旸新公司的惊人估值
前通义千问负责人林俊旸在5月成立的新公司,连名字都还没起,只知道研究的是世界模型和具身智能,估值就已到20亿美元,还拿到了腾讯2000万美元的投资。
林俊旸的研究方向:“想象力”
此前有人根据林俊旸的推文推断,他现在做的是“预测”,Next State Prediction,即预测下一帧会发生什么。但现在所有大模型都是在预测下一个token的内容,且若只是状态预测,像OpenAI的视频生成模型Sora也在做相同的事,再开一家公司做就没意义。林俊旸想要卖的是一套更深的东西——想象力,即AI在行动之前,把事情在脑子里过一遍。
比如让机器人去举起一个水杯,它会在脑子里想“这水杯的摩擦力是如何,我的机器手臂会不会打滑?”“这小子是不是坑我,水杯有可能是带电的,我碰一下把我给电坏了咋办”“万一我把水杯给摔了,把我卖了够不够赔的?”把所有可能都想好,再去行动,整个过程就叫做“想象力”。
林俊旸的研究拼图
M6:“想象力”的起点
林俊旸参与过的研究众多,最知名的是M6。M6的全称是Multi-Modality to Multi-Modality Multitask Mega-transformer,翻译过来是从多模态到多模态,多任务,巨型Transformer。其核心是把所有模态、所有任务,都塞进同一个大模型框架里,让模型不仅能处理纯文本、纯图像的单模态任务,也能处理跨模态任务,还能做文本引导的图像生成。
物理世界本身复杂,有文字、图像、声音、空间位置、物体状态、动作过程和结果反馈。AI想要理解这个世界,第一步就是把这些不同类型的信息放进同一个模型里处理,所以M6是“想象力”的起点。
Qwen和Qwen-VL:让模型有行动流程和感知能力
光有框架还不够,还得让模型能明白,于是有了Qwen和Qwen-VL。Qwen可以写代码、调用API、使用工具,把一个目标拆成多步行动,并根据工具返回的结果继续调整下一步,让模型有了比较清楚的行动流程:先理解目标,再选择手段,再执行,再看反馈。
Qwen-VL让AI的眼睛不只是看,还能指。它能做grounding,把图片里的物体框出来,读图上的文字,回答“图中右下角的红色杯子在哪个位置”这种问题。Qwen-VL让模型知道物体在哪,Qwen让模型知道怎么动手,相当于是让模型从观众席,走到了赛场上。
WebWorld:打造模拟世界
2026年春节前后,林俊旸参与了一篇论文,名为WebWorld。这篇论文讲的是造一个假的网页世界,让Agent在里面练手。它用超过一百万条真实网页交互数据训练了一个网页模拟器,能支撑三十步以上的长序列模拟,支持推理、多格式数据。
当时,WebWorld的模拟质量已经能跟Gemini-3-Pro打平。并且用WebWorld合成数据训练的Qwen3-14B,在WebArena上直接涨了9.2%,性能追上了GPT-4o。而且这套模拟能力还能跨领域泛化,代码、GUI、游戏环境都适用。
造模拟世界是因为真实世界太慢,网页有加载延迟、有访问频率限制、有风控拦截。让Agent在真实网页上试错一千次,可能八百次都卡在网络延迟上,剩下两百次还有一半被当成爬虫封了。训练需要大量多样化的交互经验,所以在模型内部再造一个世界,Agent在这个虚假世界里怎么摔跟头都行,零成本,零风险。这就是“想象力”的本质,为了降低后续的风险成本,让机器人“大脑”内进行模拟训练,训练好了以后才能少闯祸。
VideoAgentTrek:挖掘训练数据
模式有了,那该让机器人在脑内训练什么呢?VideoAgentTrek做的是从人类操作视频里,自动挖出Agent可以学习的操作轨迹。它从YouTube上扒了三万九千个屏幕录制的教程视频,全是无标注的原始视频,然后自动解析出了一百五十多万条GUI交互步骤。
这篇论文颠倒了整个认知逻辑。一般人看到教程,想到的是“我跟着学”,林俊旸看到的是训练数据。教程视频里藏着最精准的操作轨迹,鼠标从哪移到哪、点了什么按钮、打了什么字,全是现成的标注。他想的是怎么把这种“人演示给机器看”的视频,逆向拆成“机器能学的经验”。这个思路一旦成立,数据就取之不竭,每天有无数人在网上录教程,每一个教程都是一条隐形的训练轨迹。
说句题外话,这篇论文还有个有意思的地方,那就是林俊旸(Junyang Lin)和香港大学的杨俊霖(Junlin Yang)一起出现在了作者的位置。
CUA-Gym:自动裁判系统
如果让一个Agent在模拟世界里做一百次尝试,但是没有人告诉它哪次对哪次错,那这一百次就等于白做。CUA-Gym做的事情就是自动安插一个裁判,自动出题,自动批卷。
想象力如果没有像代码那样可以被验证的奖励信号,那就是纯消耗算力。只有有了裁判、有了分数、有了回放,模拟里跑过的每一步才真正算数。要想把“想象力”放进现实里去,就得有答案、反馈和复盘的系统。
Qwen-VLA和Qwen-RobotWorld:物理世界的双生子
最后,一切都要落到“执行”二字,因此来到了Qwen-VLA和Qwen-RobotWorld。这两篇论文是物理世界的双生子。Qwen-VLA在Qwen的基础上加了一个DiT架构的动作解码器,把文本、图像的理解直接输出为连续的动作轨迹。为了支持不同形态的机器人,它引入了一个机器人描述符机制,换一个身体就换一个描述文本,同一套大脑不变。效果很猛,LIBERO上97.9%,Simpler-WidowX上73.7%,真实世界的ALOHA实验中76.9%的跨分布泛化。
Qwen-RobotWorld则是另一个维度,它训练了一个语言条件视频世界模型,通过860万条视频文本数据,两亿多帧画面,涵盖二十多种机器人和五百多种动作类型。这个模型能根据当前观察和一句指令,预测未来会发生什么画面,在EWMBench和DreamGen Bench上都排到了第一。
所有研究成果连起来看,“想象力”从理念到执行,实现了完整的闭环,一环扣一环。
李飞飞和杨立昆的世界模型
李飞飞的“空间智能”
如果只拿林俊旸的研究来说事,可能有些站不住脚。但把李飞飞和杨立昆也拉进来,就发现一切成立了,每个人做出来的世界模型,本质上都是他们一生研究成果的终极大融合。
先说AI教母李飞飞,她从ImageNet起家,研究的就是“AI如何看见世界”。ImageNet让机器学会了辨认物体,之后的二十年她都在往更深处挖,从识别走向理解,从理解走向生成,从二维走向三维。她创立的World Labs,首款产品叫Marble,能让用户从文字、图片或视频直接生成可进入的三维场景。她的世界模型本质上卖的是一样东西,空间,一个AI可以感知、生成、编辑、交互的三维世界。她把这个方向叫“空间智能”,说它是语言智能之后的下一个前沿。World Labs在2025年11月推出Marble,2026年2月估值已经冲到50亿美元,也融了10亿美元。
杨立昆的基于逻辑推演的认知结构
杨立昆也是做世界模型的,但他的世界模型和李飞飞的是根本上的两个物种,原因是他俩的研究方向不同。杨立昆从自监督学习出发,他的核心执念是让AI不靠海量标注数据,像人一样通过观察来理解世界。他的JEPA架构不生成像素,转而在潜空间里预测世界的抽象状态变化。
V-JEPA 2用了一百万小时互联网视频做预训练,然后加上不到62小时的机器人视频,就能让Franka机械臂在零样本条件下完成拾取放置。2026年3月,杨立昆发布了世界模型LeWorldModel,把端到端的JEPA稳定训练做到了只用两个损失项,一千五百万参数在一张GPU上跑几个小时就能做规划。
杨立昆的世界模型卖的是基于逻辑推演的认知结构。他要让AI在潜空间里理解世界如何演化,不靠背语言、不靠记模式。他对世界模型的理解就成了“AI怎么理解看见的东西”。比如有一把椅子,它不能凭空出现,它得立在地面上才站得住,通过椅子的质量,就能推演出地面给了多少支撑力。
“想象力”才是核心
所以,“想象力”比“世界模型”更接近林俊旸这家公司的真实命题。世界模型只是工具,真正值钱的,是让机器少用现实犯错的能力。你,准备好了吗?
362



被折叠的 条评论
为什么被折叠?



