「世界模型經濟學」敘事中缺失的一環

來自紐約大學(NYU)以及 Yann LeCun 創辦的新創公司 AMI 的研究人員,共同開發了一種名為 AdaJEPA 的方法,該方法能讓「聯合嵌入預測架構」(Joint Embedding Predictive Architecture)的世界模型在數毫秒內適應未見過的物理環境,且不會發生災難性遺忘。

A
2分鐘閱讀Posted: 2026年7月6日
「世界模型經濟學」敘事中缺失的一環

Yann LeCun 的新創公司「Advanced Machine Intelligence」與紐約大學(NYU)的研究人員合作,發表了一種名為 AdaJEPA 的方法,該方法能讓世界模型在機器人運作的同時,以毫秒為單位持續自我更新。這解決了「世界模型時代」面臨的關鍵經濟瓶頸:當環境發生變化時,靜態模型會失效,並需要耗費高昂成本進行重新訓練。 透過實現測試時適應能力,AdaJEPA 讓機器人能夠即時應對新穎情境,從而確保人工智慧機器人技術在降低成本方面的回報承諾。

事件回顧

2025 年底,Yann LeCun 在 Meta 擔任首席人工智慧科學家十二年後離職,創立了 AMI Labs,並以 35 億美元的估值募得創紀錄的 10.3 億美元種子輪資金。 他的論點直截了當:大型語言模型無法實現通用智能,因為它們僅能預測文字標記;而真正的智能則需要一個能預測行動所產生物理後果的世界模型。本週,該論點的首項重大技術驗證終於問世。

由王英(Ying Wang)領銜、勒庫恩擔任顧問的紐約大學與 AMI 研究團隊,發布了 AdaJEPA 模型。該論文為「聯合嵌入預測架構」(Joint Embedding Predictive Architecture)引入了測試時適應機制。與其將世界模型在初始訓練後凍結,AdaJEPA 允許模型在機器人移動期間,於每個重新規劃週期中進行一次梯度更新。 這僅增加了 10 至 30 毫秒的延遲。在基準測試中,當機器人面對未見過的迷宮佈局時,成功率相較於靜態模型從 53.3% 躍升至 78.7%,且不會出現過去知識的災難性遺忘。

這項突破解決了當前人工智慧系統中的根本缺陷。傳統模型是靜態的;它們在耗時且昂貴的大規模訓練階段中學習,隨後被部署到現實世界中,卻無法學習任何新事物。一旦環境發生變化,模型便會失效。AdaJEPA 引入了持續學習迴圈,使模型能夠精進其對

即時適應環境。透過僅更新編碼器和預測器的最後幾層,該模型既能保留預訓練期間獲得的廣泛知識,又能迅速適應當下的局部變化。

為何這很重要

正如我們在近期關於「世界模型經濟學」的分析中所詳述,從被動式的「視覺-語言-動作」系統轉向預測性世界模型,對整個產業而言是一場「通縮性」事件。 世界模型承諾透過消除對硬編碼邊緣案例工程的需求,大幅縮短物流與製造機器人的投資回收期。但這項經濟承諾存在技術上的隱憂:若倉庫平面圖變更或季節性照明發生變化,靜態世界模型便會陷入混亂。要解決此問題,必須收集新數據並進行耗費高昂的重新訓練週期。

AdaJEPA 消除了重新訓練的費用。它將世界模型從靜態的物理引擎轉變為一個充滿生機、動態運作的系統。當機器人遇到新的 SKU 或工廠佈局重新調整時,模型會即時調整其內部表徵。這正是使經濟模型在高度結構化環境之外的部署中得以成立所需的技術機制。

對於大規模部署機器人的企業而言,這意味著機器人車隊將呈現截然不同的面貌:一種需要持續且昂貴的人工干預,另一種則是在運作時間越長、能力越強。這種能在毫秒內適應環境且不會發生災難性遺忘的能力,確保了機器人能夠應對現實世界中無窮無盡的變數,從農業中的天氣變化到繁忙倉庫中的意外障礙皆然。

美中「世界模型」競逐

AdaJEPA 的發布凸顯了全球世界模型建構競賽中策略的分化。美國正採取資本密集型、前沿實驗室的策略,專注於通用模擬與架構突破。例如 LeCun 的 AMI Labs、DeepMind 的 Genie 3、李飛飛的 World Labs,以及 NVIDIA 的 Cosmos

各平台正致力於打造龐大且通用的引擎,旨在作為未來所有具身人工智慧的基礎物理層。

中國則採取了不同的路線,其特點在於由國家支持的研究機構與即時的產業部署緊密結合。北京人工智慧研究院最近推出了「五傑鴿 3.5」多模態世界模型,以及「Physis 0.1」通用世界基礎模型。 中國開發者並未坐等通用人工智慧的到來,而是積極將這些早期世界模型整合到蔚來(NIO)和寧德時代(CATL)等企業的生產線中,將工廠車間視為驗證模型可行性的終極試驗場。

這種分歧造就了一種引人入勝的動態發展。美國正在模擬環境中打造終極的通用大腦,而中國則直接在工廠車間打造專用大腦。AdaJEPA 代表了美國路線的關鍵一步,為這些通用大腦在最終部署到混亂的物理世界時提供了適應機制。

具體的部署情境

以農業採收機器人為例,這是一個因光線不可預測、作物形狀多變及天氣變化等因素,導致傳統自動化技術失效的應用場景。 在靜態的「視覺-語言-行動」模型下,機器人必須針對番茄植株的所有可能變體進行訓練。在靜態的世界模型下,機器人雖理解採摘番茄的物理原理,但若突如其來的暴雨改變了田間的視覺紋理,便可能失效。

透過 AdaJEPA,機器人的世界模型能即時適應這場驟雨。在伸手摘取下一株番茄藤前的 30 毫秒內,模型會更新其內部表徵以因應濕滑的表面,並成功預測新的摩擦動力學。 採收作業得以不中斷地持續進行,農場主也因此避免了代價高昂的停機事件,或必須致電製造商請求軟體修補程式。這種持續的

正是這種適應性,將一項脆弱的技術轉化為工業領域中堅固可靠的工具。

嚴酷的現實

測試時的適應過程在運算上相當耗費資源。雖然 AdaJEPA 將更新範圍限制在編碼器的最後幾層,以將延遲控制在 30 毫秒以內,但在邊緣硬體上執行連續的梯度計算步驟,不僅會耗盡電池電量,還會產生熱量。 若要將此持續學習架構部署於無綁定、可移動的人形機器人上,必須在低功耗、高效率的邊緣晶片技術方面取得重大突破,才能實現大規模的商業化應用。在受控的實驗室環境中取得成功的基準測試,與在野外由電池供電的機器人上進行穩健部署之間,仍存在著巨大的工程挑戰。

來源

[1] AdaJEPA:用於連續控制的世界模型測試時適應。arXiv:2606.32026。2026年7月。https://arxiv.org/abs/2606.32026

[2] QbitAI。LeCun 團隊讓世界模型實現持續學習。2026年7月5日。https://www.qbitai.com/2026/07/442964.html

[3] TechCrunch. 揚·勒庫恩(Yann LeCun)創辦的 AMI Labs 募得 10.3 億資金,用於建構世界模型。2026 年 3 月 9 日。 https://techcrunch.com/2026/03/09/yann lecuns ami labs raises 1 03 billion to build world models/