AI先驱Yann LeCun再破世界模型瓶颈：AI实现边执行边进化！

世界模型被普遍视为迈向通用人工智能的关键路径之一，它相当于AI在内部构建了一个由外部环境构成的模拟系统，Yann LeCun是这一领域极具号召力的倡导者。

以往的世界模型存在一个明显短板：在实验室中用大量数据完成训练后，其参数随即进入冻结状态，然后直接投入使用，相当于训练一次，终身使用。这使得它一旦进入新环境，碰到未曾见过的情形，就很容易暴露出掉链子的状况。

模型能否适应现实环境，完全取决于训练数据是否涵盖所有情形，但现实环境的复杂度远超训练数据所能覆盖的范围。

近期，纽约大学携手前Meta首席AI科学家LeCun创建的AI研究机构AMI，公布了JEPA系列的最新研究成果——AdaJEPA。

这项工作最核心的突破，并非让世界模型运转得更准确，而是让世界模型首次拥有了部署后的持续学习能力。

它能够在执行任务期间，依据真实环境，一边运行一边调整自身的认知，让世界模型越用越灵活。

过去主流世界模型的运作方式是这样的：

1、离线训练：先给模型输入大量历史数据，学习环境，归纳规律，把复杂的图像、视频压缩为更易计算的隐空间，并在这个隐空间内推断未来可能发生的情况。

2、测试部署：到了实际应用阶段，会配合一种名为MPC模型预测控制的算法。

什么是MPC？

把它类比为开车：你坐在驾驶位向前观察一段路，脑中规划好接下来的一系列动作，比如打方向、踩油门、踩刹车。

但你不会闭着眼把这一连串动作执行完，而是在踩第一脚油门车子移动后，去观察最新的路况，再重新看路、重新规划下一步动作！

这种方式在训练环境中效果尚可，一旦物理环境发生改变，出现训练阶段未见过的新场景，原本精确的世界模型就会失效，甚至变得迟钝！

例如，训练时推动的都是方形积木，实际中给它一个圆形的。此时，冻结的模型在隐空间里以为我这么推，它就会前进，但实际操作时，积木早已滚到一旁。

但MPC是持续向前推演的，只要模型预测出现细微偏差，后续误差便会持续累积扩大，最终造成规划崩溃。

这也是当前众多世界模型真正落地时遭遇的核心难题：模型不会随着环境改变而进化。

而AdaJEPA，正是为了攻克这个难题！

人类不会依赖十几二十年前掌握的知识，应对当下所有的问题，而是在行动过程中，持续根据现实反馈，来修正判断。

AdaJEPA能让世界模型同样具备这种能力。

MPC以往的流程是：规划 → 执行 → 再规划；

而AdaJEPA转变为：规划 → 执行 → 观测 → 更新 → 再规划。

虽然仅增加了两个步骤，但意义截然不同。当模型完成一次动作后，会立即获取真实环境反馈。

系统不会忽略这些新信息，而是将它们当作新的学习样本，对世界模型进行一次轻量级更新。

更新完成后，再进入下一轮规划；每一次行动都会让模型对当前环境理解得更为精准。

部署后的世界模型不再是一张离线地图，而是一位持续积累经验、不断提升技能的老司机。

实时更新，那算力撑得住吗？

会不会卡顿？模型会不会学乱了？甚至崩溃？

AdaJEPA每走一步并不需要重新训练整个神经网络，它最大的设计亮点就是轻量化。

整个系统依然建立在JEPA架构之上。JEPA并不像视频预测模型那样生成未来图像，而是在隐空间中预测未来状态，因此计算开销更低，也更为稳定。

为避免算力卡死，也为防止在线更新把原本训练良好的参数拖垮，LeCun团队还引入了两项约束：

首先，对目标特征采用Stop-Gradient，使目标表示维持稳定。

其次，在每次重新规划时，仅更新模型最后几层参数，只调整一小部分参数，而非重新训练整个网络。

这种设计既保障了学习能力，又化解了在线训练成本过高的难题。

AdaJEPA最核心的创新，不在于提升模型规模，而是在部署阶段引入持续校准机制。

每完成一次动作，系统都会把最新获取的数据存入一个在线缓存。

缓存不会无限膨胀，仅保留最近一段时间的数据。

随后模型利用这些最新样本预测下一状态，并与真实环境进行比对。

预测越精确，说明模型越熟悉当前环境；预测偏差越大，系统便依据误差进行快速修正。

执行下一轮规划时所采用的世界模型，已经不是刚部署时的那个版本，而是经过当前环境持续调整后的新版本。

换句话说，世界模型开始拥有了边执行边学习的能力！

为验证这一机制是否真正奏效，LeCun团队分别在PushObj和PointMaze两个经典世界模型测试平台开展了实验，重点考察模型面对训练阶段从未见过的新环境时的表现：

在PushObj任务中，当机器人遭遇全新的物体形状时，AdaJEPA几乎将任务成功率翻倍；在PointMaze任务中，同样收获了大幅提升。

面对那些在训练时完全没见过的物体形状或迷宫布局，AdaJEPA展现出了强大的自适应能力，规划成功率实现跨越式提升。

更令人惊喜的是延迟问题：由于AdaJEPA每次仅更新最后几层，而且只执行1步梯度下降，实验测算下来，每次重规划带来的额外延迟仅为 0.01 到 0.03 秒。

也就是说，这种成功率提升并非依靠堆砌沉重的算力换取，只需极小的额外投入，就能让世界模型在面对内部结构或外部环境变化时，仍能维持功能稳定运行的能力。

模型不仅借助已有经验进行预测，还持续通过与真实环境交互，修正自身的世界认知。

若这一方向持续推进，世界模型将不仅是负责预测未来的模拟器，而是会进化为能持续积累经验、自主适应环境的智能体。

对于机器人、自动驾驶、智能制造以及未来具身智能而言，AI将不再依赖一次性的训练，而是能拥有超越人类的持续学习和成长的能力。

从这个视角看，AdaJEPA的意义并非在于提升了多少百分点的新突破，而是在世界模型的路径上：从静态知识库迈向动态智能体！