当下热议的大语言模型（LLM）可能只是AI发展史上的一个阶段。英伟达具身智能领域的专家提出一个颠覆性观点：AI的核心范式正从“预测下一个词”转向“预测下一个物理状态”。这一转变预示着AI将更深入地理解和操作物理世界，为机器人技术和通用人工智能（AGI）的真正突破指明新方向，揭示了技术发展的底层逻辑变革。
智能速览
AI正经历第二次范式转移：从预测词语转向预测物理状态。
Sora等视频生成模型本质上是可学习的物理模拟器。
当前的视觉语言模型因“语言优先”逻辑而存在根本缺陷。
自然界证明，高超的物理智能无需强大的语言能力。
预测到2026年，大型世界模型将为机器人技术奠定基础。
精华内容
为何当前备受追捧的视觉语言模型会被认为存在根本性缺陷？AI的进化又将如何真正拥抱物理世界？这一系列问题的答案，正指向一场深刻的AI范式革命。
范式革命
人工智能的下一个浪潮并非现有技术的延伸，而是一场根本性的范式转移。此前的AI，以GPT等大语言模型为代表，其核心任务是“预测下一个词”，在虚拟的语言世界里构建逻辑。而现在，焦点正转向“世界模型”，即“预测下一个物理状态”。这意味着AI不再仅仅是语言大师，更要成为物理世界的观察者和模拟者。像Sora这类视频生成模型，其深层价值并非制造娱乐内容，而是作为一个可学习的物理模拟器，通过学习像素序列来理解现实世界背后的物理规律。
VLM的软肋
目前主流的视觉语言模型之所以被认为不够优雅，关键在于其“语言优先”的设计理念。在这种架构下，视觉信息被降级为二等公民，必须被翻译成语言描述才能被模型处理和理解。这种做法导致了知识（识别出这是可口可乐）与物理（知道碰倒可乐会流出液体弄脏桌子）的割裂。大多数现有的具身智能模型也因此显得头重脚轻，像是将强大的语言大脑生硬地嫁接到一个笨拙的身体上，无法流畅地与物理世界交互。
自然界的铁证
自然界为AI的发展方向提供了有力启示。猩猩的语言能力可能仅相当于早期的GPT-1水平，但它们在物理世界的操作能力，例如驾驶高尔夫球车、更换刹车片等，却远超目前最先进的机器人。这一现象揭示了一个重要事实：视觉才是连接大脑与物理世界最高带宽的通道。人类大脑有三分之一的皮层用于处理视觉信息，且这一过程无需语言作为中介。这表明，真正的物理智能可以独立于强大的语言能力而存在。
未来已来
英伟达专家Jim Fan做出预测：2026年将是大型世界模型为机器人和多模态AI奠定基础的关键一年。届时，我们将看到“视觉空间的思维链”成为现实，AI在解决物理谜题时，不再需要将问题翻译成文字，而是直接在视觉空间中进行几何与碰撞的模拟。这场变革的背后，是一场数据革命：海量的YouTube视频流以及通过智能眼镜采集的第一视角数据，将成为训练这些世界模型的新石油，驱动AI能力的指数级增长。
语言模型或许只是通往通用人工智能的脚手架，而物理世界的真实互动才是核心地基。随着世界模型的兴起，AI正从虚拟的语言游戏走向广阔的现实应用，一个全新的研究时代已经开启，物理世界将是AI的下一片星辰大海。
