人工智能领域正经历一场重要变革，技术重心从擅长文本处理的大语言模型，逐步转向能够模拟现实世界物理规律的“世界模型”。这场竞争吸引了谷歌、meta等科技巨头，而马斯克旗下的xAI也悄然入局，试图在这个新兴领域占据一席之地。
据英国《金融时报》报道，xAI今年夏天从英伟达挖角两名人工智能专家，专门从事世界模型相关研究。与传统依赖文本训练的大语言模型不同，世界模型通过分析大量视频和机器人操作数据，试图掌握现实世界的物理规则。英伟达上月曾预测，这一技术的潜在市场规模可能接近全球经济总量，显示出其巨大的商业价值。
谷歌研究人员在近期论文中提出，视频模型可能像语言模型一样，通过简单任务训练获得复杂能力。例如，谷歌的视频模型Veo 3在“下一帧预测”任务中，展现出了物体分割、边缘检测等未经专门训练的技能，这种“涌现能力”与大语言模型通过“下一词元预测”获得数学和写作能力的方式类似。
xAI的布局已初现端倪。公司聘请了英伟达的Zeeshan Patel和Ethan He两位专家，他们曾在世界模型领域取得显著成果。知情人士透露，xAI计划将这一技术首先应用于游戏领域，开发可交互的3D环境。马斯克在社交平台X上确认，xAI将在明年年底前推出一款AI生成游戏，并暗示这些技术未来可能用于机器人系统。
xAI的招聘信息也反映了其战略方向。公司正在为“omni团队”招聘图像和视频生成领域的技术人员，年薪最高达44万美元，旨在“创造超越文本的AI体验”。公司还以时薪45至100美元招聘“视频游戏导师”，用于训练其AI模型Grok制作游戏。
谷歌研究人员Jack Clark在论文中进一步指出，视频模型可能引发机器视觉领域的“范式转移”。他将视频逐帧生成的过程类比为语言模型的“思维链”，认为这种“帧链”推理能力使视频模型能够跨越时空进行复杂分析。这一发现暗示，更智能的视频模型可能催生出能力极强的机器人“代理”。
然而，世界模型的发展仍面临重大挑战。目前，获取和处理足够训练数据的成本极其高昂，成为技术落地的首要障碍。与此同时，业界对AI的作用也持谨慎态度。热门游戏《博德之门3》的发行主管Michael Douse在X上表示，AI无法解决游戏行业的核心问题，即“领导力和愿景”。他认为，行业需要的是对世界更多样化的表达，而非单纯依赖技术生成的游戏内容。
尽管如此，xAI的入局无疑加剧了世界模型领域的竞争。人工智能的焦点正从数字信息处理转向物理现实模拟，视觉模型能否复制大语言模型的成功，迎来属于自己的“GPT时刻”，不仅将决定下一代AI技术的走向，更可能改变人类与数字及物理世界的互动方式。
