编者独立评价

编者独立评价：本章全部为编者观点，不代表受访者的立场。

谢赛宁最有说服力的部分，是把抽象判断落到可复核的技术工作上：ResNeXt 把 cardinality 变成可控制的架构维度；DiT 把 Transformer 带入潜扩散骨干；MMVP 与 Cambrian-1 把视觉 grounding 的问题做成失败样例、Benchmark 和系统设计；REPA 与 RAE 把“表征影响生成”变成可比较实验。

更需要打折的是从这些工作外推出来的强命题。视觉表征是瓶颈，不等于语言监督总体有害；世界模型的目标函数清楚，不等于状态表征、规划和安全已经解决；连续感知数据规模很大，也不等于它比文本更容易形成高价值训练信号。

十四条主张的裁定

主张	编者裁定	主观置信度	关键检验
LLM 是“反 Bitter Lesson”	论证过强，注意力经济学直觉成立	70%	同 FLOPs 的纯感知与语言系统跨任务曲线
语言 Scaling Law“有水分”	“免费不等于无标签”对；Y-space 二分过强	75%	分离检索、推理和物理任务后重新拟合曲线
语言会污染视觉	分场景成立，更像有副作用的强力药	75%	零语言监督系统能否在语义任务追平
AGI 是伪命题、应谈 AMI	AGI 缺定义的批评对；换名不自动产生指标	60%	AMI 是否发布带阈值的能力评测
世界模型预测动作后的下一状态	定义清楚，是最强主张之一	85%	预测质量与闭环规划能否形成稳定关系
反向 OpenAI／联盟	数据认识论深刻，商业机制未设计完成	70%	是否公开数据计价与收益分配协议
download human	数据方向对，跨模态数量比喻不可用	80%	第一人称视频预训练的可比 FLOPs 收益
不做机器人解决机器人	短期资源配置对，长期数据闭环风险高	70%	两家独立机器人公司真机采用并优于自研
AMI 是 underdog	作为事实不成立，作为组织叙事有效	75%	未达里程碑时是否用资源劣势解释
vision-centric／表征优先	作为诊断与工程结论强，作为充分纲领未证	85%	不借外部编码器能否达到 REPA/RAE 级表现
隐式潜状态与显式 3D 分工	输出契约三分成立，人物站队二分不成立	60%	统一几何输出与潜规划的系统是否出现
NAS 浪费两年、一无所获	明显过头，忽略设计空间与部署遗产	75%	文献与工程栈的技术传承审计
无限游戏／只优化最大值	解释他本人真诚，对青年研究者可能危险	70%	采用该策略的青年研究者长期职业结果
世界模型会有不同 Scaling Law	有早期希望，尚未证实	55%	多点曲线、硬任务迁移、独立复现三项合取

表中事实锚点分别来自论文、个人主页、访谈与 AMI 公告；主张的“裁定”和概率全部属于编者 ^{[1] [2] [3] [4] [5] [6] [7] [8]}。

Q1：感知 grounding 是必要还是充分

感知—行动 grounding 很可能是具身智能的重要条件，视觉是高带宽且工程上关键的路径，但并非逻辑上唯一必要模态。先天失明者具有通用认知能力，智能体也可以依赖触觉、听觉和本体感觉。类人猿和 Moravec 悖论最多支持“语言不是智能的必要条件”，不能推出“视觉是唯一必要条件”。

支持侧：MMVP、Cambrian-1、REPA 与 RAE 分别显示视觉缺陷、系统瓶颈和表征对生成训练的影响 ^{[4] [9] [5] [6]}。

反例侧：当前强多模态系统仍普遍以语言为组织接口；纯视觉尚未展示与 LLM 同等级的跨任务 scaling。

可证伪指标：2027–2028 年，vision-first／世界模型在机器人或科学模拟硬任务中持续跑赢“VLM+VLA 拼接”，并被独立团队复现。

Q2：显式 3D 与隐式潜状态会不会收敛

中期更可能分工共存：显式几何负责可检查、可编辑状态，潜表征负责过滤不可预测细节和规划。长期可能在“可计算状态接口”处部分收敛。

把谢赛宁简单归为隐式派不成立；其公开作品包含 PointContrast、Image Sculpting 与 3DGS scaling。三分法描述 AMI、显式世界与视频模拟器的输出契约，不描述研究者终身阵营 ^[1]。

可证伪指标：出现一个既能导出稳定几何，又能用潜状态进行闭环规划，并在两类指标上同时领先的系统。

Q3：联盟的利益分配

Nabla 的独家战略合作、产业投资和治理安排说明联盟不是纯口号，但它们仍是股权、治理与优先访问，不是 Mastercard 式数据清算机制 ^{[10] [7]}。

核心问题是：数据贡献如何估值？训练所得模型归谁？伙伴退出后模型能否继续使用数据？模型收益怎样分配？没有这些规则，“与世界共建”可能停留在叙事。

可证伪指标：2027 年前公开至少两个包含数据权利、模型访问与收益分配条款的产业协议。

Q4：语言“鸦片”是否过头

支持侧：语言确实能形成 shortcut，MMVP 表明模型会在看不懂视觉差异时仍给出流畅解释 ^[4]。

反例侧：MetaMorph 与统一多模态预训练显示语言和视觉可协同；MetaCLIP 等工作也说明谢赛宁并非实践上拒绝语言监督。REPA/RAE 默认常用 DINOv2、MAE 等纯视觉编码器，不能把“依赖外部表征”错误升级为“依赖语言” ^{[11] [12] [5] [6]}。

裁定：语言不是纯毒药，而是收益大、也容易造成依赖的强信号。应按融合阶段和任务分别评估。

Q5：世界模型 scaling 是否真实

支持侧：多模态预训练的 IsoFLOP 实验显示视觉可随规模改善；LeJEPA 形式化给出特定条件下的可识别性 ^{[12] [13]}。

反例侧：Stable World Models 显示 OOD 变化会破坏规划，预测准确率不等于任务成功；理论保证也有分布与探索假设 ^[8]。

本专题作废“用十分之一 LLM token 追平”这种旧指标：跨模态 token 不可直接比较，单点追平也不能证明 scaling law。新的三项合取标准是：

1. 统一计算口径下，跨至少一个数量级的多点曲线稳定改善；
2. 改善转移到机器人或科学模拟等独立硬任务；
3. 非原团队完成复现。

Q6：AMI 作为组织能否成立

支持因素是研究领导力、跨代合作者与巨额启动资金；压力来自市场预期、跨城市协作、闭环数据依赖和公开产出不足。融资是资源，不是模型效果 ^[7]。

观察指标：2027 年底前是否有公开模型、论文里程碑和独立硬任务；若只有合作与融资叙事，没有可复核产出，组织路线承压。

Q7：无限游戏是否可复制

CVPR 2025 workshop 页面只能确认谢赛宁参与；Research: The Infinite Game 题目和“一辈子只需成功一次”均未获得原始议程或可核时间点，因此本章不把它们作为事实或论据 ^[14]。

风险矩阵

以下坐标是主观分档，不是测量值：

风险／机会	发生概率	路线影响	解释
世界模型 scaling 不及预期	高	高	核心科学假设受挫
产业联盟缺少数据与收益机制	高	高	反向 OpenAI 停留在合作公告
动作闭环被伙伴控制	中高	高	OOD 动作与失败样本无法系统回流
LLM 阵营先整合世界模型	中	高	路线正确但组织优势消失
跨城市人才与算力协调	中	中高	影响迭代速度而非理论正确性
RAE 成为生成基座之一	中高	中高（正面）	已兑现技术线继续扩散
语言污染论被证明过强	中	中	影响叙事，不抹去论文贡献
短期无公开产品导致预期压力	中高	中	融资规模放大时间压力

Bull／Base／Bear 三情景

情景	主观概率	描述	触发条件
Bull	25%	vision-first 成为新范式，AMI 给出世界模型硬里程碑	2027–2028 在机器人／科学硬任务领先；Q5 三项合取标准成立
Base	55%	世界模型成为 LLM 的重要补充，RAE 等技术持续影响主流	渐进进展；联盟缓慢形成；无单一颠覆时刻
Bear	20%	世界模型 scaling 与数据闭环不及预期，语言中心继续主导	2028 前无独立里程碑；脆弱性未解；合作缺机制

这三个概率只表达编者当前判断强弱。它们不是市场共识，也不应显示成“量化事实”。

可证伪观察时间轴

时点	编者预测	若未发生意味着什么
2027	RAE／表征 latent 成为主流生成基座之一	论文建议没有转化为外部采用
2027	世界模型在至少一个机器人或科学硬任务跑赢拼接式 VLM+VLA	vision-first 仍主要是诊断而非充分路线
2027 底	AMI 公布至少两项有数据权利和收益机制的产业协议	Mastercard 类比仍未形成机制
2028	Q5 三项 scaling 标准同时成立	scaling 真实性继续存疑
2028	两家独立机器人公司真机采用上游世界模型并优于自研	“不做机器人解决机器人”长期判断受挫
2027–2029	AMI 为使命四项能力给出公开阈值和评测	AMI 与 AGI 的区别仍偏术语和品牌