逃离硅谷：从大语言模型的军备竞赛中突围
2026年的AI行业正在经历一场范式革命。AMI Labs，一家仅有25人团队的初创公司，在未推出任何产品的情况下，完成了10.3亿美元的种子轮融资，投前估值高达35亿美元。这不仅创下了欧洲AI创业史上最大规模的种子轮融资纪录，也标志着一场由图灵奖得主杨立昆（Yann LeCun）和青年学者谢赛宁主导的“逃离硅谷”运动的开始。
谢赛宁认为，硅谷已经被大语言模型（LLM）催眠了。在当前的行业环境下，研究正逐渐沦为纯粹的商业与产品问题，研究者被困在无休止的基准测试（Benchmark）竞争中，失去了定义问题的能力。AMI Labs采取了“反向OpenAI”的策略：不同于从互联网下载海量文本数据来训练GPT，AMI Labs致力于通过合作伙伴共建模型，利用真实世界的数据来驱动研究，形成一个去中心化、分布式的全球联盟，以抵制技术垄断。
世界模型：从预测字符到预测状态
谢赛宁给出了世界模型的清晰定义：给定系统或环境的当前状态，在施加干预或动作后，通过预测函数预测出下一个时刻的系统状态。这与大语言模型的逻辑有着本质区别：如果说大语言模型的核心是预测下一个字符（Token），那么世界模型的核心则是基于动作预测下一个状态。
这种预测能力是实现智能的关键。在强化学习领域，基于模型的策略（Model-based policy）能够赋予系统规划（Planning）的能力，而规划本质上就是推理。构建世界模型的核心在于表征学习（Representation Learning），即如何从高带宽的原始数据中，过滤掉无关细节（如桌子的纹理），提取出对决策有用的层次化抽象状态。世界模型的Scaling Law并不依赖于无损压缩知识，而是依赖于过滤和组织信息的能力，从而实现对物理规律的理解。
语言的局限：警惕“语言鸦片”对真实智能的污染
谢赛宁提出了一个极具争议的观点：语言是毒药，或者说是一剂鸦片。他认为，大语言模型过度依赖人类文明沉淀的语言体系，这虽然提供了强大的数字空间智能，但也带来了根本性的局限。语言作为高度凝练的抽象工具，在交流时必然会牺牲大量的物理细节（如动力学过程），导致模型可能具备“文本技巧”而非真正的“推理能力”。
这体现了莫拉维克悖论（Moravec's Paradox）：对机器而言，逻辑推理等高阶思维相对简单，而走路、视觉感知等人类认为简单的物理交互却极其困难。杨立昆曾比喻，现在大家都拄着语言模型这根拐杖走路，虽然能走，但跑不起来。过度依赖语言会导致视觉表征能力的退化，使得AI难以处理连续空间、高维度、带噪声的真实世界信号。真正的智能必须从数字空间走向物理空间，实现物理空间智能。
三条路径的共生：通往通用智能的终极博弈
目前，通往世界模型的道路并非单一的技术路线，而是存在三种互补的方向：
- 视频生成派（如Sora、Runway）：聚焦于构建世界模拟器，核心目标是渲染出具备物理一致性的逼真视频。
- 空间智能派（如李飞飞的World Labs）：重视强3D表征，将空间视为交流与创造的接口，确保空间维度的准确性。
- 预测大脑派（AMI Labs）：核心是提升智能本身的能力，通过理解物理世界来实现具备联想记忆、推理、规划及因果推理能力的真实世界交互。
谢赛宁强调，这些路线并非竞争关系，而是共同的目标。AMI Labs的目标是通过整合全球资源，利用分布式合作推动研究回归本质，最终打造出一个能够理解并预测物理世界的“预测大脑”。