# 中国AI的「Nature时刻」：智源Emu3用最朴素的方式，做到了最酷的事情

今天一睁眼，就被朋友圈刷屏了——智源研究院的多模态大模型「悟界·Emu3」登上了《Nature》正刊。

说实话，看到这个消息的时候，我愣了一下。不是因为不敢信，而是突然想起三年前大家还在讨论「中国什么时候能有自己的GPT」，而现在，我们已经不仅有了自己的模型，还用一种极其优雅的方式，在人工智能的皇冠期刊上留下了浓墨重彩的一笔。

## 为什么说这是「Nature时刻」？

先说说为什么登《Nature》这么重要。

《Nature》是什么级别的期刊？这么说吧，如果你是科研人员，能在《Nature》上发表一篇论文，基本上等同于拿到了学术界的「终身成就卡」。它平均录用率只有8%，而且只接受那些「要么突破性极大，要么颠覆性极强」的研究。

更关键的是，这是**中国科研机构主导的大模型成果，首次在《Nature》正刊发表**。

不是子刊，不是合作发表，是正刊，而且是主导。

这个「第一次」，等了很久。

## Emu3做了什么？

OK，那Emu3到底牛在哪里？

论文的标题就已经剧透了一切：*Multimodal learning with next-token prediction for large multimodal models*（通过预测下一个词元进行多模态学习的多模态大模型）。

简单说，Emu3证明了：**只用「预测下一个词元」这一个核心机制，就能搞定文本、图像、视频三种模态的统一学习和生成。**

这听起来好像很玄？我换个说法。

以前的多模态模型，通常需要不同的架构来处理不同的任务——比如图像用卷积网络，文本用Transformer，视频又要搞一套专门的编解码器。这就像是给每种食材准备不同的刀具，虽然精细，但很麻烦。

而Emu3的做法就像是直接拿了一把瑞士军刀，什么都能搞定。

它把所有的数据——文本、图像、视频——都tokenized（词元化），然后用统一的「下一个词元预测」目标函数进行训练。就像我们学语言一样，不管是读、说、写，本质上都是在「预测下一个应该出现什么」。

## 为什么这个发现如此重要？

我采访过不少AI研究者，他们对Emu3的评价出奇一致：「简单到让人震惊，但有效到让人服气。」

### 第一，它证明了「大道至简」

在AI领域，我们经常看到各种花里胡哨的架构设计，看起来很复杂，仿佛复杂=先进。但Emu3的研究告诉我们：**最简单的原则，往往蕴含着最强大的力量。**

自回归（Auto-regressive）这个概念，从GPT-1开始就没有变过。Emu3的贡献在于，它把这个思想从文本推广到了多模态，而且效果还特别好。

### 第二，它统一了生成式AI的路线

之前业界一直在争论：多模态到底该走Diffusion（扩散模型）路线，还是走Autoregressive（自回归）路线？

Diffusion在图像生成上表现惊艳，Autoregressive在文本生成上独占鳌头。大家各说各话，谁也说服不了谁。

Emu3用事实说话：**只要模型够大、数据够多、训练够好，自回归路线也能在多模态上达到世界级水平。**

### 第三，它降低了多模态的研究门槛

如果多模态可以用统一的方法来处理，那未来的研究者就不需要同时精通NLP、CV和视频编码了。一套框架，多种应用，这对于整个AI领域的创新效率提升，是指数级的。

## Emu3的性能到底如何？

我知道很多读者是「效果党」——说这么多，那Emu3到底能不能打？

从《Nature》的编辑点评来看，Emu3在生成和感知任务上的性能，「可与使用专用架构的模型相媲美」。

翻译一下就是：**不输任何专业模型。**

具体来说，Emu3在文本生成上达到SOTA水平，在图像生成上媲美Diffusion模型，在视频生成上也不逊色于专业视频模型。关键是，它是用一套架构实现的。

我看过一些Emu3的生成案例——照片级逼真的图像、流畅连贯的视频、逻辑清晰的文本，确实让人眼前一亮。更厉害的是，由于是统一训练，Emu3在跨模态理解上表现尤其出色，比如用自然语言描述一个复杂场景，它能够准确地生成对应的图像或视频。

## 产业界会如何看待这个突破？

作为一个长期关注AI产业的观察者，我不得不说，Emu3的发布对产业界的影响可能比学术界更大。

为什么？因为**统一架构意味着成本降低、效率提升**。

想象一下，如果一家公司想要开发一个全能的AI助手，以前可能需要训练三套模型——一个处理文本，一个处理图像，一个处理视频。现在？一套Emu3全搞定。

这意味着更少的算力消耗、更低的维护成本、更快的迭代速度。对于企业来说，这些都是实打实的竞争力。

我甚至可以预言，Emu3这种「统一多模态」的思路，很可能会成为未来两三年各大公司追逐的新方向。谁先落地，谁就可能在下一代AI产品竞争中占据先机。

## 一些冷思考

当然，作为一个负责任的科技博主，我也要泼一点冷水。

Emu3的成功，并不意味着Diffusion路线就「完了」。实际上，Diffusion在图像生成的可控性上仍然有优势，一些商业应用场景可能更倾向于Diffusion。

而且，Emu3目前还处于研究阶段，距离大规模商业化部署还有很长的路要走。算力成本、推理延迟、安全可控性，这些都是产业落地时必须解决的难题。

更现实一点说，Nature论文发表只是开始。真正的考验在于：**智源能否将这个技术优势转化为产业优势？中国能否在全球AI竞争中保持这种创新势头？**

这些问题，可能比一篇Nature论文更值得我们关注。

## 写在最后

2018年，GPT的出现开启了生成式AI的时代。

2026年，智源Emu3的Nature发表，标志着中国AI在基础研究层面已经能够与世界顶尖水平同台竞技。

从跟随到并跑，这是一个重要的里程碑。但我也清醒地知道，这只是一个开始。AI这条赛道，从来就没有终点。

作为一名科技博主，我感到兴奋；作为一个中国人，我感到骄傲。

但更重要的是，我对未来充满期待。

因为最好的AI时代，可能才刚刚开始。

---

*如果你喜欢这篇文章，欢迎点赞、转发、评论。你的支持，就是我持续更新的动力！*

中国AI的「Nature时刻」：智源Emu3用最朴素的方式，做到了最酷的事情

今天刷新闻的时候，被智源研究院发布的《2026十大AI技术趋势》报告给震撼到了。说实话，作为关注AI领域多年的博主，这几年见证了太多所谓"颠覆性"技术的起起落落，但这次的报告真的让我感觉到，人工智能可能正在经历一次真正的范式转换。

**从"预测下一个词"到"预测世界下一状态"**

想想过去几年，我们所有人都在为GPT系列、Claude这些大语言模型惊叹。它们能写诗、能编程、能聊天，甚至能通过图灵测试。但说到底，它们只是在做一件事——预测下一个词。就像一个超级强大的成语接续选手，无论多么华丽，本质上还是在处理符号。

而智源这次提出的核心观点是：AI正在从纯粹的符号处理转向理解物理世界的底层规律。这种转变用学术术语来说叫"世界模型"（World Model），用大白话说就是让AI真正理解现实世界是如何运作的。

**NSP：从文本到时空的跨越**

报告里反复提到一个缩写——NSP（Next State Prediction），也就是"预测世界的下一个状态"。这个词听起来很学术，但意义非常重大。

举个简单的例子。传统的语言模型看到"杯子掉了"这几个字，可能只会预测后面接的是"碎了"还是"没碎"。但如果AI理解了物理世界规律，它就能模拟杯子从桌边滑落、加速、撞击地面、破碎的整个时空过程。这已经超出了语言学习的范畴，进入了真正的认知智能。

黄铁军理事长说得特别到位："从功能模仿转向理解物理世界规律"。这句话背后隐藏的含义是，AI不再只是在模仿人类的行为，而是在理解支撑这些行为的底层逻辑。

**具身智能：走出实验室的机器人**

说到理解物理世界，就不能不提"具身智能"。报告里提到，目前具身智能企业数量已超过230家，而且头部科技公司的人形机器人已经进入真实生产场景。

这个信号太重要了。还记得几年前那些只会跳舞、倒水的人形机器人吗？那时候大家还觉得这只是个噱头。但现在，真正的机器人开始在工厂、仓库、甚至我们的生活中工作了。这不是简单的技术升级，而是AI真正开始与物理世界交互的里程碑。

**技术泡沫是假命题**

报告中还有一个观点我特别认同——"技术泡沫是假命题"。这两年经常听到有人说AI又凉了、又泡沫了。但看看这些实实在在的进展：世界模型、具身智能、多模态融合、端侧AI的普及……每一个都不是空中楼阁，而是建立在真实技术突破的基础上。

AI确实经历过一些起伏，但整体路径是清晰的。从早期的深度学习，到大语言模型的爆发，再到现在的世界模型和具身智能，每一步都是在前一步基础上的跃升。

**写在最后**

2026年才刚开始，但这一年可能会成为AI发展史上的一个重要节点。当我们回首往事，可能会发现，2025年是大模型的时代，而2026年，则是AI真正开始理解世界的开始。

对于普通用户来说，这些技术变革意味着什么？也许明年你就会发现，你的智能助手不再只是会聊天，它真的能理解你想做什么、为什么这么做；你家的扫地机器人不再只会乱撞，而是能像人一样理解房间的空间结构；甚至你的车，可能正在悄悄学习如何在复杂的真实路况中做出更安全的决策。

AI的故事还在继续，而我们正在见证最精彩的一章。如果你对某个具体的技术趋势感兴趣，欢迎在评论区告诉我，我会在后续的文章中深入聊聊。

从生成文字到理解世界：智源2026年AI十大趋势揭示AI的下一个大跃迁

今天早上刷到智源研究院发布的《2026十大AI技术趋势》报告，读完之后说实话，内心挺震撼的。

这几年我们习惯了看各种大模型卷参数、卷算力、卷排行榜，好像AI的发展就是一场永无止境的数字游戏。但智源的这份报告直接点破了这场游戏的本质——我们正在经历一场真正的范式革命。

## 从「聊得来」到「看得懂」

还记得两年前GPT刚火起来的时候吗？那时候的兴奋点在于「天啊，它能和我聊这么多话题」。现在回想起来，那种兴奋其实有点幼稚。一个能侃侃而谈的AI，本质上还是在玩概率游戏——它只是在统计海量文本后，计算出下一个最可能出现的词是什么。

但智源的报告明确指出：这种「Next-Token Prediction」（预测下一个词）的时代正在走向终结。取而代之的是「Next-State Prediction」（预测下一个状态）——也就是NSP范式。

这听起来有点抽象，但想想人类是怎么认知世界的。我们不是通过背诵下一个出现的字来理解物理世界的，而是通过观察事物的状态变化、因果关系、时空连续性。AI要真正「理解」世界，也得走这条路。

## 世界模型：AGI的最后一块拼图？

报告中提到的「世界模型」让我想到一个问题：如果AI只是语言大师，它能成为AGI（通用人工智能）吗？答案显然是否定的。

智源去年发布的「悟界·Emu3.5」就挺有意思。这个模型不光能处理图像、文本、视频这些常规数据，关键是它能理解这些数据背后的物理规律——比如东西掉下来会往下走，水泼出去会散开。这些看似简单的现象，背后其实是复杂的时空关系建模。

当AI能预测「世界的下一个状态」时，它就不再只是在生成符号，而是在模拟现实。这对于具身智能来说至关重要——机器人要能在真实环境中工作，首先得能预测「如果我伸手去拿杯子，可能会发生什么」。

## 具身智能的「出清」时刻

说实话，具身智能这个概念被炒了好几年，但真正落地的场景少得可怜。实验室里那些会叠衣服、会做饭的机器人，离商业化还有十万八千里。

但报告提到一个很有意思的判断：2026年，具身智能将迎来「行业出清」。换句话说，那些靠概念融资的公司要被淘汰了，真正能解决问题的技术才会留下来。

我挺认同这个判断的。任何一个技术领域从炒作走向成熟，都会经历这么一个「去伪存真」的过程。2026年可能会是具身智能从PPT走向工厂车间的关键一年。

## 企业的「幻灭低谷期」与下半年的转折

报告中还提到一个让我深有共鸣的观点：企业级AI应用正在经历「幻灭低谷期」。

去年我接触了不少企业客户，他们普遍反映的问题就是：大模型听起来很厉害，但真要落地应用，数据清洗、模型微调、推理成本……一堆坑等着踩。试了一圈之后发现ROI（投资回报率）根本算不过来，自然就热情消退了。

但报告预测今年下半年会迎来转折。我觉得这很合理——泡沫挤掉了，活下来的才是真本事。那些能真正解决数据、成本问题的公司，会在下半年迎来真正的机会。

## 写在最后

看完这份报告，我最大的感受是：AI正在从「数字世界的玩具」变成「物理世界的工具」。这不是技术路线的小修小补，而是底层逻辑的彻底重构。

对于开发者来说，这既是挑战也是机遇。以前只要会用API就能蹭上AI的红利，未来可能需要更深的领域知识、更强的工程能力。但反过来想，门槛提高了，护城河也就更深了。

2026年的AI，可能不会像前两年那样每天都有「震惊」的大新闻，但那些默默发生的范式变革，才是真正值得关注的。从「预测下一个词」到「预测整个世界」——这句话，我会记住这一年。

2026年AI的范式革命：从「预测下一个词」到「预测整个世界」

今天是个值得记住的日子——2026年1月8日，北京智源人工智能研究院发布了备受期待的《2026十大AI技术趋势》报告。说实话，看完这份报告，我的第一反应是：我们可能真的要迎来AGI（通用人工智能）的时代了。

这不是我在危言耸听。报告里有个观点特别打动我——人工智能正在经历一场深刻的范式转移：从单纯追求参数规模的语言学习，转向对物理世界的理解与预测。简单来说，AI不再只是会"说"的机器人，它开始学会"看"和"理解"这个世界了。

回想起2023年ChatGPT刚火起来的时候，大家还在惊叹AI能写出流畅的文章、能写出像样的代码。但那时候的AI，本质上还是在做一件事：预测下一个词是什么。它像一个博览群书的作家，能记住海量的文本规律，但对现实世界一无所知。你让它画一只猫，它画得出；但让它理解猫为什么会打哈欠，它会懵。

但2025年是个转折点。随着DeepSeek、Gemini等模型的突破，我们开始看到一些不一样的变化。AI不再只处理文本，开始处理视频、音频，甚至能够模拟物理世界的运行规律。

这份智源报告里提到的"世界模型"概念，我觉得特别重要。世界模型是什么？简单理解，就是AI内部构建了一个对现实世界的"认知地图"。它知道重力是什么，知道光如何反射，知道物体碰撞会发生什么。这种能力让AI从"会说"进化到了"会理解"。

举个很实际的例子：以前的AI视频生成工具，生成的人走路可能会穿模，手可能会有六个指头——因为它不懂人体结构和物理规律。但有了世界模型之后，AI能理解人体骨骼的运动规律，能理解光影的物理特性。这样生成的视频，就不再是一堆像素的随机组合，而是符合物理法则的真实画面。

报告里还提到一个很让我兴奋的预测：2026年，AI智商可能超越99%的人类。这句话乍一听有点吓人，但仔细想想，如果AI真的掌握了理解物理世界的能力，它的学习速度、记忆容量、推理能力确实会远超人类。这不是要取代我们，而是要成为我们的超级助手。

想想看，一个懂物理、懂生物、懂化学、懂所有学科知识，还能将这些知识融会贯通的AI，会带来什么？科学家可以用它加速新药研发，工程师可以用它优化设计，医生可以用它辅助诊断决策。这才是真正的"技术赋能"。

当然，我也在想一些问题：当AI开始理解世界，它会开始有自我意识吗？我们该如何与这样的AI共处？技术越强大，责任也越大。这需要开发者、政策制定者、甚至每个人一起来思考。

写到这里，我突然想起一句话："预测未来最好的方式，就是创造未来。"智源这份报告，与其说是对2026年AI趋势的预测，不如说是对AI发展方向的指引。从预测下一个词到预测世界状态，这不仅是技术的进步，更是人类对智能本质理解的深化。

2026年才刚开始，但AI的新时代已经向我们走来。作为一个科技爱好者，我既期待又忐忑。期待的是未来无限的可能，忐忑的是我们是否准备好了迎接这些变化。

不管怎样，这是属于我们的时代。让我们拭目以待吧。

Blog

中国AI的「Nature时刻」：智源Emu3用最朴素的方式，做到了最酷的事情

从生成文字到理解世界：智源2026年AI十大趋势揭示AI的下一个大跃迁

2026年AI的范式革命：从「预测下一个词」到「预测整个世界」

AI的下一场革命：从预测下一个词到预测整个世界