世界模型经济学理论中的缺失环节

来自纽约大学和Yann LeCun创办的初创公司AMI的研究人员开发了一种名为AdaJEPA的方法,该方法使联合嵌入预测架构(Joint Embedding Predictive Architecture)的世界模型能够在毫秒内适应未见过的物理环境,且不会出现灾难性遗忘。

A
2分钟阅读Posted: 2026年7月6日
世界模型经济学理论中的缺失环节

Yann LeCun的新初创公司Advanced Machine Intelligence与纽约大学的研究人员合作,发布了AdaJEPA——一种能在机器人运行过程中,使世界模型以毫秒级速度持续自我更新的方法。这解决了“世界模型时代”面临的关键经济瓶颈:即静态模型在环境变化时会失效,从而需要耗费高昂成本进行重新训练。 通过实现运行时自适应,AdaJEPA使机器人能够即时应对新出现的情景,从而确保了人工智能机器人技术在降低成本方面的回报承诺。

事件回顾

2025年底,Yann LeCun在担任Meta首席人工智能科学家十二年后离职,创立了AMI Labs,并以35亿美元的估值完成了创纪录的10.3亿美元种子轮融资。 他的论点直截了当:大型语言模型无法实现通用智能,因为它们仅仅预测文本令牌,而真正的智能需要一个能够预测行动物理后果的世界模型。本周,该论点获得了首个重大的技术验证。

由王颖(Ying Wang)领导、勒库恩担任顾问的纽约大学和AMI研究人员发布了AdaJEPA。该论文向联合嵌入预测架构(Joint Embedding Predictive Architecture)引入了测试时自适应机制。AdaJEPA不再在初始训练后冻结世界模型,而是允许模型在机器人移动期间,每完成一个重新规划周期就进行一次梯度更新。 这仅增加了10至30毫秒的延迟。在基准测试中,当机器人面对未见过的迷宫布局时,其成功率与静态模型相比从53.3%跃升至78.7%,且不会出现对过往知识的灾难性遗忘。

这一突破解决了当前人工智能系统中一个根本性缺陷。传统模型是静态的:它们在耗时且成本高昂的大规模训练阶段完成学习,随后被部署到现实环境中却无法学习任何新知识。一旦环境发生变化,模型便会失效。AdaJEPA引入了一个持续学习循环,使模型能够不断优化其对

实时适应环境。通过仅更新编码器和预测器的最终层,该方法既能保留预训练阶段获得的广泛知识,又能快速适应眼前的局部变化。

为何重要

正如我们在近期关于世界模型经济性的分析中所详细阐述的,从被动响应的“视觉-语言-动作”系统向预测性世界模型的转变,对整个行业而言是一次通缩性事件。 世界模型有望通过消除对硬编码边界情况工程设计的依赖,大幅缩短物流和制造机器人的投资回收期。但这一经济承诺存在技术上的隐患。如果仓库平面图发生变化或季节性照明发生变化,静态世界模型就会陷入混乱。要解决这个问题,就必须收集新数据并进行耗资巨大的重新训练。

AdaJEPA 消除了重新训练的费用。它将世界模型从静态的物理引擎转变为一个鲜活、动态的系统。如果机器人遇到新的 SKU 或工厂布局发生变化,该模型会实时调整其内部表征。这是使经济模型在高度结构化环境之外的部署中成立所必需的技术机制。

对于大规模部署机器人的企业而言,这意味着两种截然不同的局面:一种是需要持续、昂贵的人工干预的机器人机队,另一种则是运行时间越长、能力越强的机器人机队。能够在毫秒内适应环境变化且不会出现灾难性遗忘的能力,确保了机器人能够应对现实世界中无穷无尽的变化,从农业中的天气变化到繁忙仓库中的意外障碍。

中美世界模型竞赛

AdaJEPA的发布凸显了全球构建世界模型竞赛中策略的分化。美国正在采取一种资本密集型、前沿实验室式的策略,专注于通用模拟和架构突破。LeCun的AMI Labs、DeepMind的Genie 3、李飞飞的World Labs以及NVIDIA的Cosmos

这些平台正在构建庞大且通用的引擎,旨在作为未来所有具身人工智能的基础物理层。

中国则走了一条不同的道路,其特点是国家支持的研究机构与即时的工业部署紧密结合。北京人工智能研究院最近推出了“五杰鸵鸟3.5”多模态世界模型和“Physis 0.1”通用世界基础模型。 中国开发者并未坐等通用人工智能的到来,而是积极将这些早期世界模型整合到蔚来(NIO)和宁德时代(CATL)等企业的生产线中,将工厂车间视为检验模型可行性的终极试验场。

这种分歧催生出引人入胜的动态。美国正在模拟环境中构建终极通用“大脑”,而中国则直接在生产车间打造专用“大脑”。AdaJEPA代表了美国路线的关键一步,为这些通用“大脑”最终部署到混乱的物理世界后如何适应提供了机制。

一个具体的部署场景

以农业采收机器人为例,在该应用场景中,传统自动化技术因光照不可预测、作物形态各异以及天气变化而难以奏效。 在静态的“视觉-语言-动作”(Vision Language Action)模型下,机器人必须针对番茄植株的每一种可能形态进行训练。在静态世界模型下,机器人虽理解摘取番茄的物理原理,但若突如其来的暴雨改变了田间的视觉纹理,它便可能失效。

借助 AdaJEPA,机器人的世界模型能够实时适应暴雨。在它伸手摘取下一株番茄藤前的 30 毫秒内,模型会更新其内部表征以考虑湿滑的表面,从而成功预测新的摩擦动力学。 采收工作得以不间断地进行,农场主也避免了代价高昂的停机事件,或向制造商请求软件补丁的情况。这种持续的

正是这种适应性,将一项脆弱的技术转变为工业领域中坚固可靠的工具。

严酷的现实

测试时适应性调整在计算上代价高昂。虽然AdaJEPA将更新范围限制在编码器的最后几层,以将延迟控制在30毫秒以内,但在边缘硬件上持续运行梯度更新会消耗电池电量并产生热量。 若要将这种持续学习架构部署在无需线缆连接的移动类人机器人上,在实现大规模商业化之前,低功耗、高效率的边缘芯片技术必须取得重大突破。在受控的实验室环境中取得成功的基准测试,与在实地由电池供电的机器人上实现稳健部署之间仍存在巨大差距,这依然是一项重大的工程挑战。

来源

[1] AdaJEPA:用于连续控制的世界模型测试时自适应。arXiv:2606.32026。2026年7月。https://arxiv.org/abs/2606.32026

[2] QbitAI. LeCun团队实现世界模型的持续学习。2026年7月5日。https://www.qbitai.com/2026/07/442964.html

[3] TechCrunch. 扬·勒昆(Yann LeCun)的AMI Labs筹集10.3亿用于构建世界模型。2026年3月9日。 https://techcrunch.com/2026/03/09/yann lecuns ami labs raises 1 03 billion to build world models/