前通义千问发达东谈主林俊旸在5月拓荒的新公司，连名字王人还没起，只知谈盘考的是全国模子和具身智能，估值就一经到20亿好意思元了，还拿到了腾讯2000万好意思元的投资。

此前有东谈主凭证林俊旸的推文推断，说他当今作念的是“估计”，Next State Prediction，也等于估计下一帧会发生什么。

这句话没说错，相关词说了等于没说。

为什么呢？因为当今所有大模子王人是在估计，估计下一个token的内容是什么。

而且淌若仅仅现象的估计，那OpenAI的视频生成模子Sora，它其实干的亦然估计各个事物的物理现象，你再开一家公司去干调换的事情，彻底没故兴趣。

我认为，林俊旸想要卖的是一套更深的东西——联想力。

AI在行径之前，把事情在脑子里过一遍。

我给你举个例子，我让机器东谈主去举起一个水杯，它会在脑子里想“这水杯的摩擦力是如何，我的机器手臂会不会打滑？”、“这小子是不是坑我，水杯有可能是带电的，我碰一下把我给电坏了咋办”、“万一我把水杯给摔了，把我卖了够不够赔的？”

把所有可能王人想好，再去行径，通盘过程，就叫作念“联想力”。

你别不信，听我逐步给你讲。

01

林俊旸的拼图

咱们先从最基本的运转提及。

林俊旸参与过的盘考相称多，最盛名的详情是M6。

M6的全称是Multi-Modality to Multi-Modality Multitask Mega-transformer，翻译过来是从多模态到多模态，多任务，巨型Transformer。

M6的中枢，是把所有模态、所有任务，王人塞进团结个大模子框架里。让模子不仅能解决纯文本、纯图像的单模态任务，也能解决跨模态任务，还能作念文本承接的图像生成。

M6是“联想力”的早先，物理全国自己很复杂，有笔墨、图像、声息、空间位置、物体现象、作为过程和放手反映。AI想要去领路这个全国，第一步等于把这些不同类型的信息放进团结个模子里解决。

林俊旸很早眷注的就不是单个任务，而是如何把不同开端、不同方式的造就和谐成模子可学习的体式。

光有框架还不够，你还得让模子能明显。是以就有了Qwen和Qwen-VL。

Qwen咱们王人很熟识了，它不错写代码、调用API、使用用具，把一个谋划拆成多走路动，并凭证用具复返的放手不竭疗养下一步。

也等于说，Qwen让模子有了相比明晰的行径经过：先领路谋划，再聘用工夫，再践诺，再看反映。

到了，Qwen-VL，它让AI的眼睛不仅仅看，还能指。看图言语人人王人会，但Qwen-VL还能作念grounding，把图片里的物体框出来，读图上的笔墨，回话“图中右下角的红色杯子在哪个位置”这种问题。

这两篇放在一齐看，Qwen-VL让模子知谈物体在哪，Qwen让模子知谈怎么动手。

特地于是让模子从不雅众席，走到了赛场上。

2026年春节前后，林俊旸参与了一篇论文，名为WebWorld。这篇论文讲的是造一个假的网页全国，让Agent在里面练手。

它用逾越一百万条真实网页交互数据老师了一个网页模拟器，能复古三十步以上的长序列模拟，支合手推理、多体式数据。

在其时，WebWorld的模拟质料一经能跟Gemini-3-Pro打平。何况用WebWorld合成数据老师的Qwen3-14B，在WebArena上奏凯涨了9.2%，性能追上了GPT-4o。

而且这套模拟本领还能跨规模泛化，代码、GUI、游戏环境王人适用。

为什么要造模拟全国？因为真实全国太慢了。网页有加载蔓延、有拜谒频率旁边、有风控抵制。你让Agent在真实网页上试错一千次，可能八百次王人卡在蚁合蔓延上，剩下两百次还有一半被当成爬虫封了。

老师自己需要的是大宗各种化的交互造就。既然如斯那就在模子里面再造一个全国。Agent在这个罅隙全国里怎么碰鼻王人行，零资本，零风险。

这等于“联想力”的本体，我是为了要裁减后续的风险资本，是以我当今才让机器东谈主“大脑”内进行模拟老师，老师好了以后才能少给我闹事。

模式有了，那我该让机器东谈主在脑内老师什么呢？VideoAgentTrek。它作念的是从东谈主类操作视频里，开云世界杯中国有限公司官网自动挖出Agent不错学习的操作轨迹。

VideoAgentTrek从YouTube上扒了三万九千个屏幕录制的教程视频，全是无标注的原始视频，然后自动领悟出了一百五十多万条GUI交互身手。

这篇论文倒置了通盘通晓逻辑。一般东谈主看到教程，料到的是“我随着学”。林俊旸看到的是老师数据。

教程视频里藏着最精确的操作轨迹，鼠标从哪移到哪、点了什么按钮、打了什么字，全是现成的标注。他想的是怎么把这种“东谈主演示给机器看”的视频，逆向拆成“机器能学的造就”。

这个想路一朝拓荒，数据就取之束缚。每天有无数东谈主在网上录教程，每一个教程王人是一条隐形的老师轨迹。

说句题外话，这篇论文还有个相称故兴趣的地点，那等于林俊旸（Junyang Lin）和香港大学的杨俊霖（Junlin Yang）一齐出当今了作家的位置。

再然后，就到了CUA-Gym。

淌若你让一个Agent在模拟全国里作念一百次尝试，关联词莫得东谈主告诉它哪次对哪次错，那这一百次就等于白作念。CUA-Gym作念的事情等于自动安插一个裁判，自动出题，自动批卷。

联想力淌若莫得像代码那样不错被考证的奖励信号，那等于纯耗尽算力。只消有了裁判、有了分数、有了回放，模拟里跑过的每一步才真实算数。要想把“联想力”放进履行里去，就得有谜底、反映和复盘的系统。

终末，大约说一切的一切，王人要落到“践诺”二字。因此来到了Qwen-VLA和Qwen-RobotWorld。这两篇论文是物理全国的双生子。

Qwen-VLA作念了一件事，它在Qwen的基础上加了一个DiT架构的作为解码器，把文本、图像的领路奏凯输出为流畅的作为轨迹。

为了支合手不同方式的机器东谈主，它引入了一个机器东谈主描摹符机制，换一个躯壳就换一个描摹文本，团结套大脑不变。效果很猛，LIBERO上97.9%，Simpler-WidowX上73.7%，真实全国的ALOHA实验中76.9%的跨漫衍泛化。

Qwen-RobotWorld则是另一个维度，它老师了一个语言条目视频全国模子，通过860万条视频文本数据，两亿多帧画面，涵盖二十多种机器东谈主和五百多种作为类型。

这个模子能凭证面前不雅察和一句领导，估计改日会发生什么画面，在EWMBench和DreamGen Bench上王人排到了第一。

所有盘考着力连起来看，“联想力”从理念到践诺，放手了好意思满的闭环，一环扣一环。

02

李飞飞和杨立昆

淌若只拿林俊旸的盘考来说事，可能有些站不住脚。关联词淌若把李飞飞和杨立昆也拉进来，你就发现一切拓荒了，每个东谈主作念出来的全国模子，本体上王人是他们一世盘考着力的终极大会通。

先说AI教母李飞飞，她从ImageNet起家，她从那期间起盘考的等于“AI如何看见全国”。

ImageNet让机器学会了辨别物体，之后的二十年她王人在往更深处挖，从识别走向领路，从领路走向生成，从二维走向三维。

她创立的World Labs，首款居品叫Marble，能让用户从笔墨、图片或视频奏凯生成可投入的三维场景。她的全国模子本体上卖的是相通东西，空间。一个AI不错感知、生成、裁剪、交互的三维全国。

她把这个标的叫“空间智能”，说它是语言智能之后的下一个前沿。World Labs在2025年11月推出Marble，2026年2月估值一经冲到50亿好意思元，也融了10亿好意思元。

杨立昆亦然作念全国模子的，关联词他的全国模子和李飞飞的全国模子是根底上的两个物种，究其原因是他俩的盘考标的不同。

杨立昆从自监督学习启航的，他的中枢执念是让AI不靠海量标注数据，像东谈主相通通过不雅察来领路全国。他的JEPA架构不生成像素，转而在潜空间里估计全国的轮廓现象变化。

V-JEPA 2用了一百万小时互联网视频作念预老师，然后加上不到62小时的机器东谈主视频，就能让Franka机械臂在零样本条目下完成拾取遗弃。

AG真人中国官方网站

2026年3月，杨立昆发布了全国模子LeWorldModel，把端到端的JEPA安详老师作念到了只用两个亏欠项，一千五百万参数在一张GPU上跑几个小时就能作念谋划。

杨立昆的全国模子卖的是基于逻辑推演的通晓结构。他要让AI在潜空间里领路全国如何演化，不靠背语言、不靠记模式。他对全国模子的领路就成了“AI怎么领路看见的东西”。

比如这有一把椅子，它不成假造出现，它得立在大地上才站得住。那么通过椅子的质料，就能推上演大地给了几许复古力。

是以，这亦然为什么我以为，“联想力”比“全国模子”更接近林俊旸这家公司的真实命题。全国模子仅仅用具，真恰巧钱的开云世界杯中国有限公司官网，是让机器少用履行犯错的本领。