人工智能領域正經歷一場新的技術躍遷——從基于文本的大語言模型轉向能夠理解并模擬物理世界的“世界模型”。這場變革吸引了谷歌、meta等科技巨頭競相布局，而馬斯克旗下的xAI也悄然加入戰局，試圖在下一代AI技術中占據先機。
與傳統依賴文字訓練的模型不同，世界模型通過分析海量視頻和機器人操作數據，試圖掌握真實世界的物理規律。例如，谷歌研究人員在最新論文中提出，視頻模型可能像語言模型一樣，通過“下一幀預測”任務，自發解鎖物體分割、工具使用等未經專門訓練的能力。這種“涌現能力”被類比為語言模型中的“思維鏈”，研究人員稱之為“幀鏈”，暗示視頻模型可能通過時空推理實現更復雜的智能。
xAI的入局策略頗具針對性。據知情人士透露，該公司已從英偉達挖角兩位AI專家Zeeshan Patel和Ethan He，這兩人在世界模型領域經驗豐富。英偉達憑借Omniverse平臺在該領域處于領先地位，而xAI的招聘動作顯示其正加速技術積累。目前，xAI的“omni團隊”正高薪招募圖像和視頻生成技術人員，薪資范圍高達18萬至44萬美元，旨在“創造超越文本的AI體驗”。
游戲領域成為xAI的首個商業化目標。公司計劃利用世界模型生成可交互的3D游戲環境，并已啟動相關招聘——以時薪45至100美元招募“視頻游戲導師”，訓練其AI模型Grok開發游戲。馬斯克在社交平臺確認，xAI將在“明年年底前發布一款AI生成游戲”，并暗示這些技術未來可能應用于機器人系統。這一路徑不僅明確了商業化方向，也凸顯了世界模型在虛擬與現實交互中的潛力。
行業對視頻模型的期待正達到新高度。谷歌近期論文指出，其視頻模型Veo 3已展現出與大語言模型相似的“涌現能力”，例如通過“下一幀預測”任務，零樣本實現邊緣檢測和模擬工具使用。研究人員Jack Clark比喻，這如同自然語言處理從特定任務模型轉向通用模型，機器視覺領域可能迎來“視覺領域的GPT-3時刻”。若此預判成立，更智能的視頻模型或將催生能力極強的機器人“代理”。
然而，技術突破背后是巨大的挑戰。訓練世界模型需要處理海量真實世界數據，成本高昂且技術難度極大。例如，模擬物理交互的準確性、數據標注的復雜性，以及模型對動態環境的適應能力，均是當前亟待解決的問題。業界對AI的作用也存在理性反思。游戲開發商Larian Studios的發行主管Michael Douse指出，AI無法解決游戲行業的“核心問題”——領導力和愿景。他強調，行業需要的是對世界的多樣化表達，而非“數學方式生產的游戲循環”。
盡管如此，xAI的入局仍為這場競賽注入新動力。英偉達上月曾預測，世界模型的潛在市場規模可能接近全球經濟總量。隨著AI焦點從數字信息處理轉向物理現實模擬，視覺模型能否復刻大語言模型的輝煌，不僅將決定下一代AI霸主的歸屬，更可能重塑人類與數字及物理世界的交互方式。這場變革中，技術、商業與創意的碰撞，正推動AI向更復雜的維度演進。
