世界模型，为什么一定要是人类眼中的世界？
下一代 AI 的互联网，可能不在互联网里具身智能系列 · 第 04 篇 今天谈 World Model，我们有一个非常自然的习惯。 输入摄像头，输入视频，让模型学习物体、空间和运动，然后我们说：模型正在理解世界。 这句话自然得几乎不会有人怀疑。 可如果稍微停一下，会发现里面藏着一个很奇怪的问题： 为什么摄像头看到的东西，就等于世界？ 摄像头首先看到的只是可见光，而且还只是经过镜头、曝光、分辨率、帧率和视角裁剪以后的一小部分可见光。我们之所以很少觉得这里有什么问题，只是因为人本来就是一种高度依赖视觉的动物。 于是人类看见的世界，不知不觉被我们当成了： 世界本身。 一、语言可以天然以人为中心，世界不行这是 Language Model 和 World Model 一个非常重要的区别。 大语言模型学习的是人类语言。中文是人说的，英语是人说的，论文、代码、小说和论坛也都是人留下来的。 所以 LLM 以人为中心，没有任何问题。 它本来就在学习： 人类怎样描述世界。 可物理世界不是人造出来的。 重力在人出现以前就在。 红外辐射不会因为人的眼睛看不见，就失去存在资格。 磁场不会因为我们走在...
数据很多，不等于数据能用——谁来给物理世界“炼油”？
下一代 AI 的互联网，可能不在互联网里具身智能系列 · 第 03 篇 互联网早期有一种很朴素的想象：网页既然已经在那里，搜索应该不是太难。 后来才发现，网页越多，问题反而越复杂。真正值钱的并不是“世界上有很多网页”，而是谁能把它们抓下来、去重、索引、排序、过滤垃圾，再在用户真正需要的时候，从几十亿个页面里找到最有价值的十个。 物理世界的数据可能正走到类似的阶段。 摄像头很多，视频很多，机器人日志越来越多，汽车也每天产生巨量传感器记录。可这些东西躺在硬盘里，并不会自动变成 Intelligence。 从现实发生，到模型真正学会，中间还缺一条完整的工业链。 我越来越愿意把它叫作： Physical Data Refinery——现实世界的数据炼油厂。 一、一万小时录像，首先不是一万小时知识假设一个摄像头对着仓库拍一天，绝大多数时间可能什么值得注意的事情都没有发生。墙没有动，货架没有动，箱子也没有动。 真正有信息量的可能只有几十个瞬间：有人移动托盘，推车和人互相避让，一个箱子掉下来，有人第一次抓取失败以后重新调整，一条通道突然被堵住。 所以真正的数据加工，第一步甚至不是标注，而是...
现实世界已经被拍了几十年，为什么机器人还是缺数据？
下一代 AI 的互联网，可能不在互联网里具身智能系列 · 第 02 篇 如果你在一座现代城市里走上一天，会遇到一个很奇怪的矛盾。 一边是具身智能公司不断说机器人数据太少，另一边却是摄像头多得让人觉得，我们的人生大概已经被拍得差不多了。道路、停车场、工厂、商场、仓库、电梯里都有摄像头，汽车自己又装了一圈传感器，普通人还有手机、运动相机、无人机和越来越多的智能眼镜。 世界显然不缺画面。 所以真正的问题不应该是“现实数据在哪里”，而应该反过来问：既然现实已经被拍了这么多年，为什么这些东西没有自然变成机器人的互联网？ 因为“世界曾经被记录过”和“世界已经变成训练语料”，从来不是同一件事。 一、短视频和监控，记录的是两种不同的现实互联网视频有一个很明显的偏差：它拍的是人觉得值得拍的东西。 一顿饭吃两个小时，最后剪成三十秒；旅行八个小时都在坐车，视频里留下的是日落；一只杯子在桌上静静放三个小时，几乎不会有人觉得这是值得上传的内容。互联网视频因此并不是现实的均匀采样，而是一份经过人类注意力筛选以后留下来的世界。 监控恰好相反。 它最大的特点，是无聊。 墙在那里，昨天在那里，今天还在那里；一...
下一代 AI 的互联网，可能不是互联网
下一代 AI 的互联网，可能不在互联网里——从现实数据、世界模型，到动物与机器自己的世界 大语言模型有一个很容易被低估的幸运：它出生的时候，人类已经替它积累了几十年的训练数据。 当然，没有人真的在替 GPT 工作。程序员写代码，是为了做软件；网友在论坛里提问，是因为真的遇到了问题；研究人员写论文，是为了研究和发表；一个人在博客里写下自己的生活，也只是因为他当时想写。几十年里，人类因为完全不同的目的，把文字、代码、知识和争论一点点留在互联网上，直到大模型出现以后，我们才突然给这些彼此无关的东西起了一个共同的名字：预训练语料。 这件事其实比 Transformer 本身更值得琢磨。 假如把互联网从历史上删掉，再给 OpenAI、Google、Anthropic 同样的算法和 GPU，让这些公司重新雇人写出 Wikipedia、GitHub、Stack Overflow、新闻、小说和几十年的论坛讨论，大模型大概不会像今天这样迅速出现。总不能靠几家公司，把人类过去几十年在互联网上留下来的东西重新生产一遍。 具身智能今天面对的，可能正是一个类似的问题。 如果未来的通用机器人真的也需要某...
社会为什么总在劝你合群？因为“我们”是最便宜的组织方式
人类特别喜欢说“我们”：我们班、我们学校、我们公司、我们家乡，或者我们这一代人。这个词用得太自然，以至于我们很少意识到，它其实完成了一件相当了不起的事情：两个完全不认识的人，只因为共享一个名字，就可能突然觉得彼此是自己人。 两个平时互相看不顺眼的同学，出了学校以后碰到别校的人，可能立刻站到同一边；几个在班里懒得说话的人，一到运动会，也会一起喊“八班加油”。他们并没有因此变得更加了解彼此，过去的矛盾也没有消失，但一个共同身份已经足够让他们暂时行动起来。 这件事之所以值得讨论，是因为它揭示了人类社会一种很基础的组织技术：我们不需要先调查每个人的三观，也不需要逐个签订合作协议，更不需要所有人真的互相喜欢，只要先给他们一个共同名字，就能让原本分散的个体产生某种默认的联系。 不过，便宜的东西通常不是真的免费。许多时候，只是别人替你买了单。 身份压缩：一个名字如何降低协作成本最稳定的共同身份，往往来自那些不太容易改变的东西，比如出生地、语言、学校、家庭和国家。它们的共同特点是容易识别，而且不会因为一个人今天心情不好，明天就自动失效。 这对组织特别重要。假如一个群体每天第一件事都是重新确认“你...
什么都能解释的理论，跟“啥都能圆”的算命有啥区别？
有些理论特别厉害，市场涨了，它能解释；市场跌了，它也能解释。一个人成功了，是因为长期主义，失败了，则是方向没选对；坚持到底赢了，叫“坚持就是胜利”，及时退出躲过一劫，又叫“懂得止损”。这些话单独听起来似乎都有道理，可是放在一起，就会让人产生一种奇怪的感觉：如果无论发生什么，它都能宣布自己早已料到，那么它究竟告诉了我们什么？ 我觉得，判断一个理论有没有价值，不能只看它解释了多少事情，还要看它为了维持这些解释，给自己留下了多少事后修改的余地。这里不妨把这种余地叫作“解释自由度”：一个系统在事实已经发生以后，可以多大程度地重新选择变量、补充条件、调整边界、改变口径，从而让原来的说法继续成立。这不是某个严格的数学量，而是一个用来观察认知方式的概念。 自由度本身并不是坏事。神经网络有很多参数，经济模型需要处理复杂变量，物理理论也离不开辅助假设。真正值得警惕的是另一种情况：一个解释系统不断增加对过去的适应能力，却几乎不增加对未来的约束。事情发生之前，它不肯说死；事情发生之后，它又什么都说得通。这样一来，解释就成了一种没有风险的生意。 算命先生说：“你今年会遇到贵人。”一年过去，并没有什么贵人...
网上那么多“上岸经验”，到底有多少是在事后编故事？
每年高考、考研、考公、秋招结束以后，互联网都会进入一个很神奇的季节：突然之间，所有成功的人都变得特别会总结。 “三个月逆袭 985，我只做对了这三件事。”“普通人复制这套方法就够了。”“后来我才发现，真正拉开差距的根本不是努力。”标题一个比一个确定，看多了以后，你甚至会产生一种错觉：人生这玩意儿，原来是有 README 的。找一个已经跑通的人，复制他的配置，改一下自己的参数，理论上应该也能启动。 可惜人生不是开源项目，别人的运行日志也不等于你的部署说明书。一个人成功以后，总能从过去的几百件事里挑出几件看起来最像原因的东西，再把它们排列成一条清楚的时间线；至于这些事情究竟是成功的原因，还是成功以后才被赋予了特殊意义，就没有那么容易分清了。 所以，标题里的问题如果一定要先给一个答案，我认为是：我们不知道网上究竟有多少成功经验是在事后编故事，但有理由怀疑，绝大多数经过传播的成功叙事，都把现实中复杂的因果关系压缩得过于整齐了。 这不等于说分享者都在撒谎。很多人确实努力过，方法也确实有用，只是一个人真诚地相信自己的解释，和这个解释真的具有因果效力，是两回事。 心理学里关于自利性归因的研究早...
依赖定价机制：全球化越深，为什么世界反而开始造“第二套系统”？
有时候回头看二十年前的新闻，会产生一种很奇怪的穿越感。那时候最时髦的词是全球化、国际分工、比较优势和全球供应链，甚至有一本后来特别出名的书，干脆叫《世界是平的》。 那套想象确实迷人：美国设计芯片，荷兰造光刻机，日本提供材料，台湾地区负责先进制造，中国大规模生产和组装，澳大利亚挖矿。每个人只干自己最擅长的部分，没人需要把整套工业文明从头再造一遍。现代工业能够复杂到今天这个程度，本来就是因为没人需要什么都会；如果每个国家都坚持从螺丝钉到光刻机全部自己生产，人类恐怕连一部手机都要造得相当费劲。 可二十多年以后，再看看今天科技新闻里的高频词，已经换成了国产替代、自主可控、供应链安全、De-risking、Friend-shoring、Small yard, high fence、Resilience 和技术主权。以前大家拼命证明“我能接入全世界”，现在又拼命证明“哪怕有一天某一部分世界不让我接了，我也不能马上死”。 再低头看看手机，ChatGPT、Claude、Gemini 是一套，DeepSeek、Qwen、豆包、Kimi 又是一套；YouTube、Google、WhatsApp 与 ...
网红赚得比工程师多，真的是社会分配出了 Bug？
有时候看收入这件事，会产生一种很朴素的困惑。一个工程师做了几年系统，白天改 Bug，晚上查日志，服务器半夜炸了还得爬起来看，最后做出来的产品也许有几百万、几千万用户，每天稳定运行，几年以后还在给公司赚钱。另一边，一个主播坐在镜头前聊几个小时，一个 KOL 发一条商单，一个头部博主拍一期视频，一场直播就能卖掉几千万的货，有些账号一条广告的报价，可能顶普通人几年工资。站在技术人的视角看，很难不冒出一句：凭什么？ 工程师特别习惯一种价值直觉：东西最好能复用，能规模化，能积累。今天写一个库，明天还能用；今天搭一套系统，几年以后还能继续跑；一个算法被发明出来，可能执行几亿次，一套基础设施搭好，后面几百个人都能踩在上面继续干活。相比之下，一场直播关播以后似乎就结束了，一条热搜三天以后还有多少人记得，一场演唱会、一场比赛、一个爆款视频，放到几十年、几百年的尺度上，又究竟留下了什么？ 这个问题多少有点“工程师味过重”，但它暴露出来的直觉并不罕见。我们经常默认工资是在给社会贡献打分：工资高，说明能力强；赚得多，说明贡献大。如果一个头部主播一年赚几个亿，一个科研人员一年赚几十万，是不是意味着社会已经...
如果机器已经能把活干了，人为什么还得每天上班？
我最近看到过一句挺怪的话，大意是：很多工作存在的意义，可能不是社会真的缺你这八个小时的产出，而是社会需要一个理由，给你发钱。 这句话听起来像段子，甚至有点阴谋论的味道。毕竟企业不是慈善机构，一个岗位如果完全没有需求，公司没有理由每个月真金白银地发工资。把现代工作理解成社会故意制造一堆活，好让大家忙起来，显然解释不了真实的经济。 但这句话碰到了一个值得认真讨论的问题：如果机器越来越能干，生产同样的东西已经不需要那么多人，为什么绝大多数人仍然必须通过一份全职工作，才能获得稳定的收入和体面的生活？ 这里真正需要区分的，是两件长期被我们当成同一件事的东西：社会需要多少劳动，以及一个人需要多少收入。 过去，两者之间的关系非常紧密。地没人种，就没有粮食；机器没人开，就没有产品；商品没人运输，也到不了消费者手里。社会要维持生产，就必须让大量人参与劳动，而工资恰好把生产和分配连接起来。你付出劳动，企业支付报酬，社会由此完成一部分资源分配。 技术进步正在改变的，首先是这条连接的前半段。它未必会让人类彻底没有事情可做，却可能让某些劳动不再稀缺，让原本足以养活一个家庭的工作变得便宜、零散，或者不再需要...
