机器人轻轻伸出机械臂，捡起一块布料并折叠。
没有人给它“示范”过。
也没有人告诉它什么是“布”、什么是“拿起”、什么是“折叠”。
它只是在看过100万小时的视频之后，自己“理解”了这一切。
图片
这是一段实验视频，记录的是 Meta 最新发布的 V-JEPA 2 在机器人控制上的一次测试。它没有依赖大量手工标注的数据，也没有借助庞大的语言模型来“解释世界”。它靠的，是对这个世界运行规律的理解——一种被称为“世界模型”的理念。
是的，在世界模型这条冷门却持久的技术路径上，Meta 发布了 V-JEPA 2，一个 12 亿参数的视频模型，它能让机器人在没见过的环境中直接执行任务。
V-JEPA 2 是 Meta 在“世界模型”方向上的第二次出击。这个模型并不只是识别图像，而是尝试“理解物理世界”：它能从视频中学习因果关系、预测未来场景，并据此规划行为。Meta 声称，它已经具备“零样本”在机器人上的规划与控制能力。
图片
lecun亲自出境宣发世界模型
地址：https://ai.meta.com/blog/v-jepa-2-world-model-benchmarks/
其实，在 Meta 的 AI 路线图中，LeCun 一直坚持“自监督学习”和“世界模型”是未来关键。他认为，今天的 AI 模型太依赖标签、数据和预设范式，缺乏真正的因果和空间理解能力。
相比 OpenAI、Google DeepMind 以大模型、对话能力为突破口，业内普遍认为 Meta 选择了相对稳健的 embodied AI 路线：他们的 AI 不必回答问题，而是更擅长在厨房、客厅、走廊等物理世界中“看懂并预测”。
这种 AI 的应用图景也随之改变：不是像 ChatGPT 那样聊天办公，而是做家务、配送物品、辅助护理。Meta 描述的终极目标是“real-world AI agents”——现实世界中的智能体，能做事，而不是说话。
比快更重要的是“少数据”
来自meta，供交流学习使用，侵删
V-JEPA 2 具备 12 亿参数，采用的是 Meta 自研的 JEPA（Joint Embedding Predictive Architecture）架构。在一个无须人工标注、全程自监督的训练过程中，它观看了超过 100 万小时的视频，并在一个短期的“动作条件训练”阶段中，仅靠 62 小时的机器人数据，学会了用预测未来的方式来选择动作。用 Meta 的话说，它学会了“思考之后再行动”。
这一训练流程分为两个阶段：第一阶段是从人类的视频中学习世界是怎么运行的，比如物体如何移动、人与物如何互动；第二阶段是让模型结合机器人的控制信号，去理解“如果我采取某个动作，会发生什么”。
最终，Meta 展示了它在多种机器人实验中的能力：在实验室里，一台机器人面对陌生物体和新场景，依靠 V-JEPA 2 的模拟预测能力，可以完成“捡起物体并放到指定位置”的任务，成功率在 65%-80% 之间。
LeCun 的“孤勇”与 AMI 的下一步
视频来自meta，供交流学习使用，侵删
在 Meta 内部，V-JEPA 项目有一个特殊的领路人：Yann LeCun——深度学习三巨头之一。这一次，他亲自出镜解读模型细节。在许多人向 AGI、Sora 或语音助手下注时，他坚持走世界模型这条路。
LeCun 多次提到，“世界模型”是自己研究了近 20 年的方向。他不看好自回归预测未来视频帧的主流方式，而是倾向 JEPA 这种嵌入空间中的预测策略，避免 LLM-style 架构在物理世界模拟上的困境。他相信真正的“高级机器智能”（Advanced Machine Intelligence, AMI）必须先有物理直觉，就像婴儿扔网球知道它会掉下，而不是变成一个苹果。
这也是 V-JEPA 与其他多模态大模型的分野：前者关注“理解世界怎么运作”，后者则更强调语言和图像的泛化能力。世界模型，不只是描述，而是预测和规划。
而 Meta 最近的系列动作也显示，它没有放弃这条非主流路线：组建“超级智能”团队、重金挖角 Alexandr Wang、招聘 DeepMind 首席研究员 Jack Rae，以及发布全新基准测试，标志着它在 AMI 路线上全面加速。
三大新基准，补课物理常识
为验证模型是否真的具备“世界理解”能力，Meta 还同步发布了三个视频推理基准：IntPhys 2、MVPBench、CausalVQA——三者分别检验物理常识、最小干扰识别能力和因果推理水平。
- IntPhys 2：灵感来自认知科学中“违反预期范式”，即给模型两个视频，其中一个在最后一秒出现物理“bug”（比如物体穿墙），模型要指出哪个视频是“不可能的”。
- MVPBench：要求模型对两个几乎一致的视频回答同一个问题，答案却相反。这种“最小变化对”避免模型通过表面特征“猜题”，而真正考验推理能力。
- CausalVQA：聚焦“物理因果性”的问答任务，问题涵盖“反事实”、“预测未来”和“下一步计划”三类。这些问题比单纯理解“发生了什么”更难，V-JEPA 2 虽已优于以往模型，但离人类表现仍有不小差距。
Meta 在 Hugging Face 上还专门上线了 Leaderboard，希望整个研究社区都能围绕“世界理解”这一新维度展开竞赛和优化。
离通用智能，还有多远？
V-JEPA 2 是一把“万金油钥匙”的雏形：它不依赖具体机器人或场景，训练一次可以“即插即用”。这是区别于传统机器人模型的重大突破。后者往往需要为每一个新场景单独收集数据、训练模型，而 V-JEPA 2 强调通用性。
在执行短任务时，比如把物体从 A 点移动到 B 点，V-JEPA 2 接收两个图像（当前状态和目标状态），然后用预测器模拟各种可能的动作后果，选出最可能成功的那个。这种“模型预测控制”（model predictive control, MPC）让机器人每一步都像“想清楚再动”。
据悉，接下来，Meta 的重点是构建能处理“多时间尺度”的世界模型：不仅做一步规划，还能像人一样分解长任务；以及“多模态”的世界模型：不仅看，还能听、摸，最终形成更加完整的“世界理解系统”。
但真正的问题是：这种以“从视频中理解世界”为中心的路线，能否撑起 AGI 的未来？
就在这个通往高级机器智能的岔路口，V-JEPA 2 把 Meta 推向了一条冷门、但可能最接近“常识”的路径——但三年后，是不是所有人都还在等 LeCun 证明“世界模型”这一假说，仍是未知数。
作者长期关注 AI 产业落地与学术动态、以及具身智能、汽车科技等前沿领域，欢迎对这些方向感兴趣的朋友添加微信 Q1yezi，共同交流行业动态与技术趋势！
