告别盲目像素预测：PhiZero 开创“物理语言”先河

在当今大模型浪潮中，视频生成模型常被视为通往具身智能的未来模拟器。然而，主流模型多采用像素空间的直接预测，容易在物理规律的稳定性和连贯性上出现偏差。针对这一行业痛点，研究团队近日正式推出了全新的物理世界模型 PhiZero。该模型摒弃了传统盲目预测的套路，创新性地引入了“物理语言”概念，让 AI 在生成视频前先进行显式的物理推理。

核心创新：物理语言

PhiZero 的核心创新在于提出了一种被称为“物理语言”的离散表征。这种语言通过自监督学习方式，从海量野外视频中提炼出状态转移模式，从而捕捉不同视觉经验中的动态演化规律。与传统像素预测不同，物理语言将物理过程抽象为一系列可推理的符号序列，使模型能够理解并预演世界的运行逻辑。

架构设计：先推理，后渲染

基于物理语言，PhiZero 构建了“先推理、后渲染”的创新架构：

1. 物理推理阶段：系统首先在物理语言空间内自回归地推断未来世界的演变轨迹。
2. 视频渲染阶段：将推理结果交由专用的扩散解码器渲染为高清视频。

这种设计将底层动力学推演与像素级合成分离开来，大幅提升了模型在物理一致性上的表现。换言之，模型不再“盲目”地逐像素生成，而是先理解“发生了什么”，再描绘“看起来怎样”。

技术实现：分词器与推理器

PhiZero 的系统架构分为两大核心模块：

物理语言分词器

• 利用转移级 Q-Former 捕获相邻状态变化。
• 结合有限标量量化机制生成紧凑的离散符号。
• 扩散解码器以首帧和离散符号为条件，恢复出细腻的视觉细节。

物理语言推理器

• 基于预训练视觉语言模型进行初始化。
• 从首帧和文本动作意图出发，精准预测未来的物理语言序列。

这种分工让模型既具备高层语义理解能力，又保有底层渲染的精细度。

基准测试：全面领先

多项基准测试结果表明，PhiZero 在 Physics-IQ Verified、PhyGround 以及 WorldModelBench 等多个物理推理和视频生成评估中取得了领先成绩。无论是碰撞引起的物体位移、重力驱动的形变，还是复杂的连锁反应，模型均能展现出高度逼真的物理合理性。

未来展望

随着具身智能与机器人技术的加速落地，PhiZero 的问世为可控、可交互的世界建模开辟了全新路径。该模型有望在以下场景中发挥关键作用：

• 长时程模拟：在长时间跨度内保持物理一致性。
• 运动迁移：将源视频中的物理运动规律迁移至新场景。
• 交互式具身智能：为机器人提供可推理的世界模型基础。

PhiZero 通过“物理语言”让 AI 学会了像人一样思考物理过程，而非仅仅预测像素。这一方向或将为世界模型的发展树立新的里程碑。