網傳報導顯示，全球人工智慧的發展正經歷一場基礎性的範式轉移。業界已開始認識到，單純基於文本訓練的「大型語言模型」（LLMs）在理解真實世界的物理複雜性方面存在根本性限制。因此，科技巨頭正將重心轉向「世界模型」（World Models）的建構，這些模型不再僅依賴文字數據，而是側重於整合來自影片、自動駕駛場景等多種現實物理情境的「多模態數據」（multimodal data）。
為搶佔這一趨勢，阿里巴巴雲（Alibaba Cloud）宣布領投了兩億元人民幣（約合2.9億美元）的資金，投資於AI視頻生成工具Vidu背後的初創公司ShengShu。此輪資金注入，除了吸引了TAL教育和百度創投等機構參與，更標誌著資金流向清晰地指向「感知與行動」（perception and action）的閉環能力。ShengShu的目標是建立一個「通用世界模型」，目的在於將遊戲/AI視頻的數位世界，與自動駕駛/機器人操控的物理世界連接起來。
這場戰役的競爭者眾多，不僅OpenAI的Sora工具引發了關注，中國本土的快手和字節跳動等短影音巨頭也迅速跟進。阿里巴巴的戰略佈局十分積極，除了對ShengShu的鉅額投資外，它還持續在相關領域進行佈局，包括投資專用於生成3D模型和指導影片生成流程的初創公司，並釋出自主研發的開源模型，甚至推出了用於驅動機器人的模型。整體而言，這不僅是一場技術競賽，更是科技巨頭爭奪通往機器人化和實體世界控制權的權力遊戲。
從專業視角來看，這篇報導揭示了一個極為關鍵的產業轉捩點。以往的AI戰場主要是在「知識層」（Knowledge Layer）——即如何讓機器聰明地「說出答案」（LLM的範疇）。然而，報導和相關專家評論（如Kevin Kelly）都明確指出，要達到「複製人類智慧」的層次，僅有知識是不夠的。人腦具備的是推理（Reasoning）、對物理世界的本能理解（Physical World Understanding）以及持續學習的能力。
「世界模型」正是填補這三個要素中「物理世界理解」這一關鍵鴻溝的學術與工程體現。這意味著，未來AI真正的商業價值點，不再是生成一篇優美的文章或一段酷炫的視頻，而是能夠讓機器「理解」一個玻璃杯會如何掉落、它會撞擊地面的物理軌跡，並據此進行「預測與修正」。這是從「資訊處理」到「實體操作」的躍升，直接決定了下一代工業自動化、服務機器人以及虛實整合（XR）帶來的市場規模。阿里巴巴等企業的資本傾斜，已經明確表明：下一波AI淘金熱點，絕對在「具身智能」（Embodied AI）和世界模型的實證驗證環節。掌握這個世界模型的開發主導權，等於掌握了未來實體世界的控制權。
原文網頁：Alibaba leads $290 million investment for building a new kind of AI model as LLM limits emerge (by Evelyn Cheng)
發佈留言