Talk at Ginza Bookstore: Language‑World Models: Rivalry and Fusion | 郭宇银座单向街书店分享：语言模型与世界模型的融合

https://www.youtube.com/watch?v=UCHsMVasxho

郭宇银座单向街书店分享：语言模型与世界模型之争，AI正在把手伸向物理现实世界

说明：时间占比按照文档token总长度11861进行内容位置占比估算，百分比代表文档内容起止位置占比。

第（一）部分 分享开篇：AI前沿快速迭代，本次分享主题引入（0%‑12%）

1. 分享背景与选题变动：本次是银座单向街书店线下分享，原定话题多次修改；AI行业发展迭代速度极快，几乎每个月都有重大新发布，本次距离上一期分享已经间隔两个月，目标是深入浅出解读近一两个月AI领域最重要的变化。
2. GPT‑6 Astra核心新能力介绍：本月重点更新GPT‑6 Astra版本，它具备强大Computer Use计算机使用能力，不再局限浏览器间接操作，可以直接操控本地专业桌面软件，例如Blender、Marvelous Designer这类3D设计软件，能够完成专业级建模，能力可以对标人类设计师、工程师。
3. 李飞飞实验室世界模型Atlas初步介绍：World Labs推出Atlas版本，仅输入2‑3张图片就能够还原虚拟3D点云场景；举例可以利用逝去亲人的少量照片生成多角度虚拟视图，但生成的点阵云场景仅支持查看视角变换，无法和对象进行交互，物体不能自主在虚拟空间行动。
4. 世界模型的原始设计目标：世界模型是服务具身智能（机器人）的技术路线；以Figure机器人举例，该企业在旧金山租用大量Airbnb住宅，训练机器人完成整理房间、洗衣叠被、铺床单等居家任务；世界模型通过构建模拟虚拟世界，把仿真产生的大量视频数据投喂给机器人，让机器人在虚拟环境学习现实物理规则，例如床单重量、材质、拉伸形变受力，以此提升机器人现实任务完成度。
5. 两大技术路线出现能力交汇：GPT‑6 Astra语言模型路线、李飞飞Atlas世界模型路线出现功能交集；GPT‑6 Astra操作3D软件产出可复用数字资产，可以用来制作游戏资源、影视剧CG片段；Atlas依靠少量照片生成点云虚拟世界，两种不同技术方案都可以产出虚拟三维内容。
6. 预告本次分享全部议题：除GPT‑6 Astra操作3D软件、Atlas世界模型之外，还会介绍新刷屏模型Jev快速分类器；希望面向无工程、无设计背景普通观众，用通俗语言结合网络实例讲解整套技术。

第（二）部分 底层逻辑：语言模型与世界模型，目标是把物理世界迁移进模拟器Real‑to‑Sim（12%‑24%）

1. Real‑to‑Sim技术概念与真实目的：Real‑to‑Sim即真实世界迁移至模拟器；做这件事的核心动因并非元宇宙概念，而是服务AI与机器人，让人工智能从更多维度理解真实物理世界。
2. 原生语言模型的固有短板：缺失真实世界因果认知：ChatGPT、Claude这类大语言模型本质基于概率生成文本，擅长知识类文字工作；但原生不具备现实世界因果、时间线性逻辑认知，无法自主理解现实里“前因造成后果”的物理因果关系；语言模型只能依靠搜索引擎、维基百科等外部人类知识库间接获取因果相关知识，模型内部神经网络本身没有因果维度。
3. 世界模型用来补足因果与物理仿真能力：世界模型构建虚拟环境，内置重力、碰撞、各类物理规则，以此补全语言模型缺失的现实因果逻辑。
4. 语言模型逐步向外延伸的发展历程：ChatGPT最初只用于生成各类语言文字；写代码能力成为语言模型触碰现实世界的第一个抓手；去年10月Claude Code推出Skill即时代码生成能力，语言模型可以生成一次性任务代码，开始间接影响软件、互联网APP乃至工业实物；到GPT‑6 Astra，语言模型直接深度操控本地电脑软件，进一步对接现实实物生产链路。

第（三）部分 实战案例：GPT‑6 Astra全自动完成宠物服饰完整3D设计生产链路（24%‑34%）

1. 完整的AI服装设计全流程演示案例：以给小狗制作万圣节主题衣服作为实例；GPT‑6生成服饰多视角效果图，导入Tripo建模工具生成约200万三角面3D模型；自动导入Blender完成骨骼绑定，实现角色动态效果；自动接入Marvelous Designer，完成虚拟裁片制作，可以切换针织、硬质等不同布料材质；AI自动完成服装打板，把三维衣服拆解为二维剪裁布片，标注缝纫工艺，输出的文件可以直接给到工厂进行实体生产；整套完整流程仅耗时20分钟。
2. Jev快速分类器的价值展望：Jev作为高速分类模型，可以赋能Computer Use电脑操作；如果将Jev接入CUA开源库替代原生GPT浏览器操作，电脑操作速度会提升到人类肉眼无法跟上，人类将完全放手交由AI执行任务，失去观察AI操作过程的机会。
3. 本章节后续内容预告：后续会详细拆解Atlas世界模型、GPT‑6 Astra桌面软件实操、Marvelous Designer服装设计、Jev高速分类器四大模块内容；原本计划将本次分享做成实操Workshop，包含现场实操演示。

第（四）部分 GPT‑6 Astra Computer Use工作原理、两种操作模式与优劣对比（34%‑45%）

1. OSWorld 2.0基准测试表现：OSWorld是评估AI操作系统操作能力的测试考卷；GPT‑6 Astra相比前代GPT‑5.6得分提升10个百分点，进步幅度显著，已经可以处理浏览器之外大量第三方专业软件。
2. 模式一：视觉截屏驱动操作：AI不断对电脑屏幕截图，依靠视觉图像观察界面，判断每一步操作对错；实操小提示：操作专业软件建议软件界面切换英文，中文UI会消耗更多token，识别速度下降；该模式逻辑类似人类使用电脑。
3. 模式二：MCP协议后台直接通信模式：MCP协议由Anthropic（Claude所属公司）发明，让大模型直接和软件后端代码通信；优势是可以判断逻辑对错；短板是针对视觉设计任务无效，比如衣服版型变形、模型局部破损，这类视觉问题无法通过后台逻辑识别判断，很难用语言精准描述错误。
4. 实操使用建议：操作Blender等3D设计软件优先选择视觉Computer Use模式，即便会消耗更多token，视觉判断产出效果远优于MCP；MCP更适配数据库等抽象逻辑业务场景，不适合视觉创意类软件。
5. 技术路线预判：下一代模型偏向视觉式电脑操作：不可能让模型训练阶段遍历世界上全部软件；类比特斯拉自动驾驶放弃激光雷达，以纯视觉模仿人类眼睛感知世界的训练思路；推测GPT下一代版本（如6.5）会大量引入Jev这类高速图像分类能力，主要依靠视觉完成电脑操作；同时评价Claude在桌面软件操控能力上已经大幅落后OpenAI。

第（五）部分 可编辑三维资产的优势，对比传统视频生成模型的痛点（45%‑54%）

1. 传统视频生成Seedance类模型的固有缺陷：Seedance生成视频由大量图片帧组成，生成结果不可编辑；想要修改人物动作、外观只能重新生成；多次参考重生成会不断累积噪声造成画面失真；生成高质量视频需要几百上千字超长提示词，普通用户很难完成编写；提示词工程不会是未来主流AI交互方式。
2. 原生3D数字资产的核心优势：生成可编辑3D模型后，人物动作、服饰、颜色可以随时修改调整，不需要反复重生成、不需要高额重复算力开销。
3. UV展开贴图修改工作流：可以让AI生成二维贴图图片，完成UV展开映射，直接修改3D模型外观，快速更换帽子、服装颜色等外观效果。
4. Tripo/Meshy工具作用：Tripo、Meshy可以把多张参考图片转换成高复杂度3D网格模型；最高支持约200万三角面，贴图支持4K‑8K分辨率；工具最初开发目的是生成人像模型供给3D打印机；举例：拍摄孩子照片，一分钟生成孩子3D模型，直接3D打印实体手办。
5. 3D资产拓展应用场景：Tripo输出模型导入Blender做骨骼绑定，实现虚拟人物动作；结合语音API，实现和虚拟人物实时对话；日本创作者用来快速制作VTuber虚拟形象，部署网页端实现交互，整套工作仅需要1‑2小时；预判2026年会迎来AI生成内容大规模爆发。

第（六）部分 AI服装设计实操体验：AI能力边界、人台虚拟量体裁衣与制造业影响（54%‑67%）

1. AI服装设计现存短板，必须人类介入校验环节：AI可以完成UV拼接、版型裁切，但衣服版型合身度、布料实际物理表现依旧需要人类设计师判断；模型掌握服装理论知识，但缺少实物尺寸、布料真实表现的一手信息；即便是人类服装设计师，也需要多次试样改版，AI同理；想要完全自动化，还需要接入实物测量数据、实物打版反馈闭环。
2. Marvelous Designer软件介绍与适用范围：主打虚拟服装仿真；多用于虚拟角色服装创意设计，不完全等同于纺织工厂工业级仿真软件，更偏向学生创作、虚拟内容创意；内置不同布料参数，记录克重、垂坠效果，虚拟仿真效果可以达到90%以上；不能100%复刻真实布料，最终实物依旧需要白坯布打样或者交给工厂试产。
3. 虚拟人台实现量体裁衣：可以输入真人照片生成对应身材比例的虚拟人台；可以模拟真人坐下、蹲起等动作，测试西裤等服饰运动冗余量，检查动态下服装变形、紧绷问题；软件只能仿真，布料肌肤触感等真实体验依旧要实体试穿确认。
4. 对全球服装制造业的巨大潜在冲击：服装是全球大宗商品，女装占据服装市场极大份额；AI打通个性化服装设计‑打版‑生产全链路，未来普通人无需找裁缝定制服装；若个性化制造蚕食10%大批量生产市场，物流、全球贸易、通关体系都会发生巨大变革；提出警示，如果国内制造业不跟进这套AI个性化生产变革，未来制造业订单有可能外流。

第（七）部分 李飞飞World Labs Atlas世界模型深度解析：能力、局限、机器人训练、太空机器人应用前景（67%‑78%）

1. Atlas世界模型能力细节：仅2‑3张静态照片，还原完整空间深度、场景物体，可生成子弹时间多角度画面；不仅是单纯图像，生成结果带有碰撞网格，摄像机不会穿模，具备初步物理约束；模型会自主推测照片没有拍到的画面内容，推测结果不一定和现实完全一致；画质高清，广角畸变问题已经得到很大改善，手机端很难区分虚拟与真实。
2. Atlas当下的功能短板：虽然有碰撞网格，但完整物理模拟尚未完成；物体重力、受力交互还不完善，比如示例中篮球还不能自由改变投射力度、角度、自主落地反弹。
3. 世界模型的核心终极用途：训练具身智能机器人：可以大批量快速生成大量虚拟场景视频，投喂机器人完成训练；提出太空应用场景：未来月球永久基地大量工作依靠机器人，需要在模拟器复刻月球重力环境，才能提前完成机器人训练，否则机器人抵达月球后无法正常作业。
4. 发展阶段判断：当前Atlas仍然处于非常早期；2026年9月当下版本能力有限，期待后续多个版本迭代会带来质变，计划明年单向街继续跟踪分享该技术进展。
5. 回顾AI发展节奏变化：2022‑2024年AI大多停留在文本对话；真正加速变革从2025年10‑11月开始，迭代速度越来越快，坚持做线下分享记录AI变革历程有重要意义。

第（八）部分 Jev通用快速分类器：原理、特性、成本、各类落地应用案例（78%‑92%）

1. Jev模型基础背景：由前OpenAI研究员Diogo离职后开发，定位通用智能快速分类器；不属于对话大模型，不能聊天生成文本，只做筛选、选择判断；不需要提前标注数据集、不需要预微调，直接使用自然语言描述筛选条件，毫秒级别完成海量数据筛选。
2. 核心技术指标与成本优势：响应延迟70‑300毫秒，部分场景宣称速度对比GPT‑6快约300倍；输出选择结果几乎零成本，输入成本很低；准确率略低于GPT‑6、Claude Opus，但是和GPT‑5.6接近；可以和大模型搭配使用：Jev负责高速筛选海量候选对象，大模型后续做内容生成。
3. 案例1：电脑操作、机票搜索：用于Computer Use电脑操作，识别屏幕图像内容；搜索航班时高速筛选机场、航班选项，速度远超原生大模型。
4. 案例2：邮件批量分类：短时间处理成千上万封邮件，筛选待办、旅行相关邮件，区分重要邮件和垃圾邮件，成本极低。
5. 案例3：本地电脑文件自动化管理：监控下载文件夹，新文件出现自动识别、归类、重命名，存入对应磁盘目录；效果优于Mac Spotlight聚焦搜索，不需要长时间建立索引，可延伸到企业仓储、文件管理业务。
6. 案例4：游戏AI自动游玩：高速读取游戏状态，实时输出操作指令；可以用于马里奥这类小游戏自动游玩；展望未来可以赋能大型游戏内原生AI角色，解决过去AI游戏角色成本高、延迟高的痛点。
7. 其他脑洞方向与风险提示：可以用于量化交易、预测市场Polymarket、二手平台自动捡漏、线上抽票抢票；但是现场举例有人拿Jev做量化交易已经亏损，模型只提供高速筛选，不保证投资盈利。
8. 接入渠道与行业影响预判：可直接在OpenRouter、Cloudflare直接调用，无需内测；国内大模型DeepSeek、GLM、MiniMax后续大概率会模仿同类技术实现高速电脑操作；小模型搭配Jev类分类器，能够用OpenAI千分之一成本实现类似Computer Use能力，大量C端软件会接入该类技术。

第（九）部分 AI时代的个人生存思考：智力工作贬值，智能杠杆与叙事Narrative复利能力（92%‑99%）

1. 时代变迁回顾：分享者自身经历三次巨大时代变化：从乡村到深圳感受到改革开放时代；PC互联网转向智能手机移动互联网；当下是AI带来的第三次重大变革，变化速度持续加快。
2. 传统教育路径面临冲击：过去东亚社会的人生路径：读书考学，依靠脑力做知识型高级打工人获得高收入；在AI时代这套路径正在失效；AI掌握海量人类知识，算力永不休息，医生、律师这类传统高收入知识工作岗位价值被稀释，单纯出卖智力很难获取超额收益。
3. 新的核心思路：使用智能杠杆赚取复利：AI可以完成海量知识劳作，但目前尚不擅长构建Narrative叙事（讲故事）；叙事能力是当下人类核心优势；举例JK罗琳依靠故事叙事获得巨大复利，马斯克依靠宏大叙事聚拢资源并且落地项目。
4. 叙事能力的应用场景：无论是写书、做品牌、做服装、做内容博主，底层都是叙事；AI可以辅助完成生产制造，但决定故事、定义叙事主题这件事目前属于人类；叙事能力可以把AI智能转化为复利收益。
5. 教育现状困境：现有东亚教育体系并不鼓励叙事、大胆构想、对外讲述未落地的想法；害怕失败被嘲笑，和AI时代需要的能力不匹配。
6. 心态建议：客观看待AI带来的变革，不制造焦虑，保持开放心态；个体无论是调整工作方式、规划下一代教育，前提是认清世界客观发生的技术变化，才能调整自身应对策略。

第（十）部分 结尾：开放问答环节开启（99%‑100%）

1. 现场互动说明：本次分享剩余半小时时间，开放现场听众自由提问。
2. 分享者承诺会尽可能回答大家提出的全部问题。