2026年6月，5D世界模型排行榜：推荐哪个最强？

机器人“想象”能力首次曝光

2026年6月10日, 正式亮相了一个举世瞩目的名为EvoPhys的5D世界模型, 此模型在全球科技界引发了轰动效应。这个具备核心突破的模型, 其独特之处在于能够使机器人学会做并非仅仅执行预设动作的“想象”物理后果之事。而在6月4日, 斯坦福教授李飞飞发表了一篇论文, 在这篇论文里首次为“世界模型”绘制出了揭示行业混乱背后分类标准的权威“三分法”地图。EvoPhys团队宣称, 他们的系统能够于一个统一隐空间里头做完感知, 做完记忆, 做完预测之后进行决策进而行动, 这被认作是机器人从“条件反射”朝着“因果推理”迈进的关键一步。

视觉语言动作时代缺少中间环节

呈现于当下的主流技术被叫做VLA时代, 也就是视觉语言动作模型, 它直接连通眼睛与手脚, 其间不存在“脑子”来开展思考。如此模式致使机器人仅仅能够依据输入直接给出动作, 没办法预先判断行为后果。EvoPhys团队表明, 这般“眼手直连”架构在碰到新环境之际极易遭遇失败, 原因在于机器人欠缺对物理世界的深层领会。相较于英伟达Cosmos 3的4D模型, EvoPhys在时间之上新增一维“动作与因果”, 在空间之上也新增一维“动作与因果”, 从而形成真正的5D空间, 以至于能让机器人推演不同动作带来的连锁反应。

5D模型实现知行合一闭环

EvoPhys的核心设计是闭环协作的两个模块, World Engine负责“知”, 也就是预测推杯子之后世界会怎样变化, World Policy负责“行”, 就是按照预测执行最优动作。依据接近该团队人士的透露, 两者关系被概括为“知行合一”, 并非先做仿真然后做决策的“先知后行”, 而是知行相互得到训练、呈螺旋状上升。这样的设计能让模型出于错误里自我进行修正, 举例来说, 当推杯子的力度不够的时候, Engine会生成修正信号, 引导Policy来调整角度以及速度。有数据表明, 于测试期间, EvoPhys针对物体位移所做的预测, 其准确率径直达到了92.3%, 远远超过了传统仿真器。

自进化核心是学会做实验

EvoPhys的“自进化”能力, 不是使机器人学会“做动作”, 而是使其学会“做实验”, 给定目标像“让杯子停在这里”, 模型能够倒推出达成目标所需的完整动作序列, 涵盖手伸速度、施力大小、角度调整等, 这表明机器人不再依靠人类为每个步骤编程, 而是借助反复尝试和反馈来自我优化, 团队着重指出, 这种能力基于反事实推理, 也就是模型在脑中构建与现实不一样的平行世界来进行推演。棋手在思考下一步走法的时候, 会同时摆放几种变化的图形, 而EvoPhys在零点几秒的时间之内, 剪掉那些违反物理规律的分支, 仅仅保留符合重力以及摩擦力的路径。

英伟达Cosmos 3走规模化道路

发布于6月9日的英伟达Cosmos 3选取了别样路线, 着重于数万亿多模态token、开放软件开发人员生态, 以及硬件协同, 黄仁勋把它界定为“Physical AI的GPT时刻”, 不过技术报告呈现其有所局限, 处在预训练阶段的2200万样本里面, OCR文字识别占据42.9%, 2D空间定位占16.5%, 然而视频理解与推理却仅有0.05%。这表明, Cosmos 3更多借助语言关联, 而非物理因果, 举例来说, “推”与“动”在统计方面总是一同出现, 然而, 模型不一定理解“当力大于静摩擦力时物体才会移动”的底层规律。与之相比, EvoPhys的5D引擎在因果推断上更有优势。

中国芯片公司试图定义新标准

引发行业关注的, 是EvoPhys项目之后的芯片设计, 它采用的并非英伟达H100那种“纯训练卡”的特殊芯片, 然而却保留着完整的图形渲染管线。该款芯片既要完成渲染任务, 又要进行训练任务, 实时去“画出”杯子被推倒的画面, 而后在这个画面上计算下一步的动作。倘若最终证实世界模型需要一张具备“会画画”功能的芯片, 那么英伟达或许不得不在下一代产品里恢复此项功能。此信号所表明的是, 于世界模型全新战场上, 中国芯片公司正试着采纳“渲染+训练”融合架构去定义全新标准。你觉得机器人“想象”能力会带来何种具有颠覆性的应用呢? 欢迎在评论区域分享自身看法, 点赞以及转发能够让更多人看到这场变革！

猜你喜欢