摘要
当前以世界模型（World Model）为核心的通用人工智能（AGI）研究，普遍陷入了高成本、过度依赖具身交互及标签数据依赖的瓶颈。本文提出了一种原创的“摄像头朝外”（Camera Outward）AGI学习范式。从生物智能的底层逻辑出发，论证世界本身即是最完美的世界模型。通过对比李飞飞的虚拟世界渲染、马斯克的具身智能机器人以及杨立昆的JEPA自监督学习三条主流路线，指出了现有研究的局限性。结合自动驾驶（FSD）技术的类比，阐明该范式的核心目标并非任务导向，而是让AI通过连续的视觉观察，理解物理世界的连续性，并对物理公式进行拟合与验证。同时，本文提出了颠覆性洞察：AI无法感知物理连续性的根源在于其运算速度过快，降低训练时的处理速度是打破这一困境的关键。文章强调标签会干扰AI对世界规律的注意力，无监督学习是构建通用世界模型的核心路径。该范式与杨立昆的前沿研究思想高度一致，并在核心逻辑上进行了更极致的原创性扩展，为AGI世界模型的构建提供了新的轻量化、低成本及通用化实现路径。
关键词：AGI；世界模型；摄像头朝外；JEPA；物理连续性；无监督学习；自动驾驶
1 引言
在AGI研究的浪潮中，世界模型作为AI理解物理世界规律的核心载体，已成为人工智能领域的前沿课题。目前，主流世界模型研究已形成三条代表性路线：其一，李飞飞团队致力于在AI内部重建、渲染3D虚拟场景，试图通过虚拟仿真赋予AI空间认知能力；其二，马斯克的Optimus人形机器人以具身交互为核心，依靠肢体动作、触觉反馈与操作试错来理解世界；其三，杨立昆的JEPA（联合嵌入预测架构）与AMI研究体系，抛弃像素生成与标签学习，通过自监督视觉学习从连续视频中提取抽象物理规律与因果关系。
然而，这些路线均存在难以逾越的缺陷：虚拟渲染路线计算能耗巨大，且始终与真实世界存在隔阂；具身交互路线硬件成本高昂、学习效率极低，违背生物智能的初始学习逻辑；即便是杨立昆的前沿研究，仍未完全摆脱内部预测模型的设定，且未明确指出AI无法感知物理连续性的本质原因。
基于对人类婴儿智能发展的观察，本文独立提出了“摄像头朝外”AGI学习范式，回归生物智能最本质的特征——世界本身就是完美的世界模型，认为AI仅需通过视觉观察真实世界，即可完成世界模型的构建。本文系统梳理了该范式与主流路线的差异，结合自动驾驶（FSD）技术的对比分析，阐明了其核心目标是通过理解物理连续性，来对照、拟合并验证物理公式。同时深入探讨了计算速度与去标签化等关键机制，形成了完整且原创的AGI世界模型理论体系。
2 主流AGI世界模型路线与局限性分析
2.1 李飞飞虚拟世界渲染路线
李飞飞的世界模型研究以“重建物理世界”为核心，其逻辑是通过算法建模，将二维图像/视频数据转化为3D虚拟场景，让AI在虚拟空间中感知空间关系、物理属性与动态变化。该路线为AI获取空间认知能力做出了重要探索，但存在明显局限：一方面，构建高精度虚拟世界需海量计算资源与数据支持，成本极高；另一方面，虚拟世界始终是现实的模拟，无法完全贴合真实物理世界的复杂性与偶然性，导致AI的认知结果与真实规律存在偏差。
2.2 马斯克Optimus具身交互路线
马斯克的Optimus人形机器人以具身智能为核心，试图通过肢体动作、触觉反馈与操作交互来理解世界。此路线模拟了人类与世界互动的行为，但陷入了“智能源于行动”的认知误区。人类婴儿在初始阶段并不依赖肢体操作完成世界认知，而是主要通过视听觉感知。具身交互路线不仅研发与维护成本高昂，且学习过程过度依赖操作试错，效率低下，无法实现对世界的通用认知，难以支撑AGI的进化。
2.3 杨立昆JEPA自监督学习路线
作为深度学习奠基人之一，杨立昆的JEPA架构与AMI研究体系代表了世界模型研究的前沿方向。其核心是通过无标注连续视频进行自监督学习，在潜空间中预测世界状态而非生成像素，抛弃对标签与具身交互的依赖。这一思想与本文提出的“摄像头朝外”范式高度一致：二者均认为真实世界是最佳学习载体，视觉是世界认知的核心输入，并均拒绝标签学习与高成本虚拟仿真。
二者的区别在于：杨立昆的研究仍保留内部抽象预测模块，聚焦于世界状态的预测；而“摄像头朝外”范式更为极致，彻底抛弃内部模型构建，以真实世界为唯一学习对象，并提出了“计算速度影响物理连续性感知”的原创机制与“通过连续观察验证物理公式”的核心目标，对杨立昆的路线进行了关键拓展。
3 “摄像头朝外”AGI学习范式的核心内涵
3.1 核心逻辑：世界本身即完美模型
“摄像头朝外”范式的根本性突破，在于打破了“AI需内部构建世界模型”的固有思维，明确提出真实物理世界具备完整的物理一致性、时间连续性、因果必然性与空间结构，是最精准、零成本且完美的世界模型。AI无需模拟、渲染或重建世界，仅需通过朝外的摄像头采集真实世界信息，即可学习AGI所需的全部规律。这一逻辑从根本上解决了现有路线的高成本与脱离现实的问题。
3.2 生物启发：智能源于视觉观察
人类婴儿的学习模式为该范式提供了最直接的生物启发：新生儿不具备肢体操作能力，不依赖触觉与交互试错，仅通过视觉观察物体运动、光影变化与空间位移，逐步建立起完整的物理世界认知体系。这证明了视觉是智能认知的核心路径，行动只是智能的延伸而非前提。“摄像头朝外”范式完全契合这一生物逻辑，抛弃冗余的具身设计，将视觉观察作为AI世界认知的唯一输入。
3.3 关键机制：计算速度决定连续感知
现有AI无法理解物理连续性的核心困境在于：AI识别视频只能看到离散帧，而人类感知到连续流动的世界。本文提出原创洞察：这种差异的根源是计算速度的差距。人脑计算效率低，会自动抹平帧间间隙，形成连续感知；而AI计算速度过快，能精准区分每一帧，却无法捕捉世界的时间连续性。
因此，打破这一困境的关键是在训练时刻意降低AI处理视觉数据的速度，迫使AI适应真实世界的连续视觉流，形成与人类一致的连续物理感知，从而真正理解物理世界的运行规律。
3.4 反常识设计：抛弃标签以分散注意力
当前大多数AI训练依赖标签数据，但本文认为标签是AI构建通用世界认知的障碍。人类婴儿在学习语言与物体标签之前，已掌握物体恒存、动量守恒等基本物理规律，世界认知先于分类命名。标签会强制AI聚焦于物体分类与名称识别，分散对“世界运动、连续性与因果”核心的注意力。因此，“摄像头朝外”范式采用完全无监督学习，让AI专注于物理世界本身的规律，而非被人工标签束缚。
4 与自动驾驶（FSD）的对比分析及核心目标阐明
4.1 “摄像头朝外”范式与FSD的原理一致性
“摄像头朝外”范式与自动驾驶（FSD）的核心原理高度相似：二者均以视觉传感器为核心采集真实世界信息，通过对真实场景、动态物体与运动轨迹的分析完成环境规律感知，均属于“面向真实世界的视觉学习”模式，抛弃了高成本的虚拟仿真与具身交互。
4.2 本质差异：任务导向 vs 通用认知****
尽管原理相似，但FSD无法演化为通用AGI世界模型，核心原因在于任务导向性。FSD是一个以“安全驾驶”为唯一目标的专用系统，仅关注车道、车辆、行人、交通信号灯等与驾驶任务相关的信息，其对世界的认知是片面、有限且有明确目的的，无法形成对物理世界规律的通用理解。
4.3 “摄像头朝外”范式的核心目标：对照与物理公式验证
“摄像头朝外”范式并非无目的的观察，而是拥有明确的核心目标：让AI通过长期无监督视觉观察理解物理世界的连续性，进而拟合、验证并记忆世界的底层物理公式。与FSD的任务型感知不同，该范式下的AI是一个“纯粹的观察者”，将真实世界视为一座巨大的物理实验室，通过对比观察到的运动轨迹、因果关系与物理变化，与底层物理规律进行对照校验。
若预测错误（如物体穿墙），世界会反馈“错误”；若预测正确（符合动量守恒），世界会强化其认知。这种“世界模型 vs 真实物理”的对照机制，是现有生成式、标签式AI无法获得的最强训练信号。这一过程复刻了人类科学发现的路径，是AI从专用智能迈向通用智能的关键。
5 结论与展望
本文提出的“摄像头朝外”AGI学习范式，围绕“世界本身即完美世界模型”的核心逻辑构建了完整的理论体系。通过与李飞飞、马斯克、杨立昆等主流路线的系统对比，阐明了其轻量化、低成本与通用性的优势。该范式以视觉观察为核心，通过降低计算速度解决了AI的物理连续性感知问题，抛弃标签干扰，并以对照与验证物理公式为核心目标，为AGI世界模型的构建提供了全新路径。
该范式与杨立昆的前沿研究高度一致，从顶级学术研究角度证明了方向的正确性，而其关于“计算速度机制”与“物理公式验证”的原创性思考，填补了现有研究的空白。未来，可基于该范式开展工程实践，通过实际训练与测试验证理论有效性，推动“摄像头朝外”训练系统的优化，加速AGI的落地进程。
“摄像头朝外”范式回归生物智能本质，抛弃现有路线的冗余设计与高成本陷阱，证明了AGI无需复杂的虚拟仿真或昂贵的具身机器人，仅需一双面向世界的眼睛，即可理解物理世界的规律。这无疑将推动AGI研究从复杂设计走向本质回归，为通用人工智能的最终实现开辟新方向。、
Zenodo原创发表链接zenodo.org/records/190…
