物理世界模型 PhiZero 发布：引入"物理语言"实现显式推理

视频生成模型正被广泛视为通往具身智能的关键模拟器，但主流方案在像素空间直接预测的方式，往往难以保证物理规律的稳定性与连贯性。针对这一痛点，研究团队近日推出全新物理世界模型 PhiZero，创新性地引入"物理语言"概念，让 AI 在生成视频前先进行显式物理推理。

PhiZero 的核心突破在于提出一种离散表征的"物理语言"。该语言通过自监督学习，从海量真实视频中提炼状态转移模式，捕捉不同视觉经验中的动态演化规律。基于此，模型采用"先推理、后渲染"的架构设计：系统首先在物理语言空间内自回归推断未来世界的演变轨迹，再由专用扩散解码器渲染为高清视频。这一设计将动力学推演与像素级合成分离，显著提升了物理一致性表现。

技术层面，该系统由两大模块构成。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；扩散解码器则以首帧和离散符号为条件，恢复细腻视觉细节。物理语言推理器基于预训练视觉语言模型初始化，从首帧和文本动作意图出发，预测未来的物理语言序列。

在 Physics-IQ Verified、PhyGround 及 WorldModelBench 等多项基准测试中，PhiZero 取得领先成绩。无论是碰撞位移、重力形变还是复杂连锁反应，模型均展现出高度的物理合理性。

随着具身智能与机器人技术加速落地，PhiZero 为可控、可交互的世界建模开辟了新路径，有望在长时程模拟与运动迁移等场景中发挥关键作用。