林俊旸的新公司，賣的可能不是模型，而是“想象力”

前通義千問負責人林俊旸在5月成立的新公司，連名字都還沒起，只知道研究的是世界模型和具身智能，估值就已經到20億美元了，還拿到了騰訊2000萬美元的投資。

此前有人根據林俊旸的推文推斷，說他現在做的是“預測”，Next State Prediction，也就是預測下一幀會發生什么。

這句話沒說錯，然而說了等于沒說。

為什么呢？因為現在所有大模型都是在預測，預測下一個token的內容是什么。

而且如果只是狀態的預測，那OpenAI的視頻生成模型Sora，它其實干的也是預測各個事物的物理狀態，你再開一家公司去干相同的事情，完全沒有意義。

我認為，林俊旸想要賣的是一套更深的東西——想象力。

AI在行動之前，把事情在腦子里過一遍。

我給你舉個例子，我讓機器人去舉起一個水杯，它會在腦子里想“這水杯的摩擦力是如何，我的機器手臂會不會打滑？”、“這小子是不是坑我，水杯有可能是帶電的，我碰一下把我給電壞了咋辦”、“萬一我把水杯給摔了，把我賣了夠不夠賠的？”

把所有可能都想好，再去行動，整個過程，就叫做“想象力”。

你別不信，聽我慢慢給你講。

01

林俊旸的拼圖

我們先從最基本的開始說起。

林俊旸參與過的研究非常多，最知名的肯定是M6。

M6的全稱是Multi-Modality to Multi-Modality Multitask Mega-transformer，翻譯過來是從多模態到多模態，多任務，巨型Transformer。

M6的核心，是把所有模態、所有任務，都塞進同一個大模型框架里。讓模型不僅能處理純文本、純圖像的單模態任務，也能處理跨模態任務，還能做文本引導的圖像生成。

M6是“想象力”的起點，物理世界本身很復雜，有文字、圖像、聲音、空間位置、物體狀態、動作過程和結果反饋。AI想要去理解這個世界，第一步就是把這些不同類型的信息放進同一個模型里處理。

林俊旸很早關心的就不是單個任務，而是如何把不同來源、不同形態的經驗統一成模型可學習的格式。

光有框架還不夠，你還得讓模型能明白。所以就有了Qwen和Qwen-VL。

Qwen我們都很熟悉了，它可以寫代碼、調用API、使用工具，把一個目標拆成多步行動，并根據工具返回的結果繼續調整下一步。

也就是說，Qwen讓模型有了比較清楚的行動流程：先理解目標，再選擇手段，再執行，再看反饋。

到了，Qwen-VL，它讓AI的眼睛不只是看，還能指。看圖說話大家都會，但Qwen-VL還能做grounding，把圖片里的物體框出來，讀圖上的文字，回答“圖中右下角的紅色杯子在哪個位置”這種問題。

這兩篇放在一起看，Qwen-VL讓模型知道物體在哪，Qwen讓模型知道怎么動手。

相當于是讓模型從觀眾席，走到了賽場上。

2026年春節前后，林俊旸參與了一篇論文，名為WebWorld。這篇論文講的是造一個假的網頁世界，讓Agent在里面練手。

它用超過一百萬條真實網頁交互數據訓練了一個網頁模擬器，能支撐三十步以上的長序列模擬，支持推理、多格式數據。

在當時，WebWorld的模擬質量已經能跟Gemini-3-Pro打平。并且用WebWorld合成數據訓練的Qwen3-14B，在WebArena上直接漲了9.2%，性能追上了GPT-4o。

而且這套模擬能力還能跨領域泛化，代碼、GUI、游戲環境都適用。

為什么要造模擬世界？因為真實世界太慢了。網頁有加載延遲、有訪問頻率限制、有風控攔截。你讓Agent在真實網頁上試錯一千次，可能八百次都卡在網絡延遲上，剩下兩百次還有一半被當成爬蟲封了。

訓練本身需要的是大量多樣化的交互經驗。既然如此那就在模型內部再造一個世界。Agent在這個虛假世界里怎么摔跟頭都行，零成本，零風險。

這就是“想象力”的本質，我是為了要降低后續的風險成本，所以我現在才讓機器人“大腦”內進行模擬訓練，訓練好了以后才能少給我闖禍。

模式有了，那我該讓機器人在腦內訓練什么呢？VideoAgentTrek。它做的是從人類操作視頻里，自動挖出Agent可以學習的操作軌跡。

VideoAgentTrek從YouTube上扒了三萬九千個屏幕錄制的教程視頻，全是無標注的原始視頻，然后自動解析出了一百五十多萬條GUI交互步驟。

這篇論文顛倒了整個認知邏輯。一般人看到教程，想到的是“我跟著學”。林俊旸看到的是訓練數據。

教程視頻里藏著最精準的操作軌跡，鼠標從哪移到哪、點了什么按鈕、打了什么字，全是現成的標注。他想的是怎么把這種“人演示給機器看”的視頻，逆向拆成“機器能學的經驗”。

這個思路一旦成立，數據就取之不竭。每天有無數人在網上錄教程，每一個教程都是一條隱形的訓練軌跡。

說句題外話，這篇論文還有個非常有意思的地方，那就是林俊旸（Junyang Lin）和香港大學的楊俊霖（Junlin Yang）一起出現在了作者的位置。

再然后，就到了CUA-Gym。

如果你讓一個Agent在模擬世界里做一百次嘗試，但是沒有人告訴它哪次對哪次錯，那這一百次就等于白做。CUA-Gym做的事情就是自動安插一個裁判，自動出題，自動批卷。

想象力如果沒有像代碼那樣可以被驗證的獎勵信號，那就是純消耗算力。只有有了裁判、有了分數、有了回放，模擬里跑過的每一步才真正算數。要想把“想象力”放進現實里去，就得有答案、反饋和復盤的系統。

最后，或者說一切的一切，都要落到“執行”二字。因此來到了Qwen-VLA和Qwen-RobotWorld。這兩篇論文是物理世界的雙生子。

Qwen-VLA做了一件事，它在Qwen的基礎上加了一個DiT架構的動作解碼器，把文本、圖像的理解直接輸出為連續的動作軌跡。

為了支持不同形態的機器人，它引入了一個機器人描述符機制，換一個身體就換一個描述文本，同一套大腦不變。效果很猛，LIBERO上97.9%，Simpler-WidowX上73.7%，真實世界的ALOHA實驗中76.9%的跨分布泛化。

Qwen-RobotWorld則是另一個維度，它訓練了一個語言條件視頻世界模型，通過860萬條視頻文本數據，兩億多幀畫面，涵蓋二十多種機器人和五百多種動作類型。

這個模型能根據當前觀察和一句指令，預測未來會發生什么畫面，在EWMBench和DreamGen Bench上都排到了第一。

所有研究成果連起來看，“想象力”從理念到執行，實現了完整的閉環，一環扣一環。

02

李飛飛和楊立昆

如果只拿林俊旸的研究來說事，可能有些站不住腳。但是如果把李飛飛和楊立昆也拉進來，你就發現一切成立了，每個人做出來的世界模型，本質上都是他們一生研究成果的終極大融合。

先說AI教母李飛飛，她從ImageNet起家，她從那時候起研究的就是“AI如何看見世界”。

ImageNet讓機器學會了辨認物體，之后的二十年她都在往更深處挖，從識別走向理解，從理解走向生成，從二維走向三維。

她創立的World Labs，首款產品叫Marble，能讓用戶從文字、圖片或視頻直接生成可進入的三維場景。她的世界模型本質上賣的是一樣東西，空間。一個AI可以感知、生成、編輯、交互的三維世界。

她把這個方向叫“空間智能”，說它是語言智能之后的下一個前沿。World Labs在2025年11月推出Marble，2026年2月估值已經沖到50億美元，也融了10億美元。

楊立昆也是做世界模型的，但是他的世界模型和李飛飛的世界模型是根本上的兩個物種，究其原因是他倆的研究方向不同。

楊立昆從自監督學習出發的，他的核心執念是讓AI不靠海量標注數據，像人一樣通過觀察來理解世界。他的JEPA架構不生成像素，轉而在潛空間里預測世界的抽象狀態變化。

V-JEPA 2用了一百萬小時互聯網視頻做預訓練，然后加上不到62小時的機器人視頻，就能讓Franka機械臂在零樣本條件下完成拾取放置。

2026年3月，楊立昆發布了世界模型LeWorldModel，把端到端的JEPA穩定訓練做到了只用兩個損失項，一千五百萬參數在一張GPU上跑幾個小時就能做規劃。

楊立昆的世界模型賣的是基于邏輯推演的認知結構。他要讓AI在潛空間里理解世界如何演化，不靠背語言、不靠記模式。他對世界模型的理解就成了“AI怎么理解看見的東西”。

比如這有一把椅子，它不能憑空出現，它得立在地面上才站得住。那么通過椅子的質量，就能推演出地面給了多少支撐力。

所以，這也是為什么我覺得，“想象力”比“世界模型”更接近林俊旸這家公司的真實命題。世界模型只是工具，真正值錢的，是讓機器少用現實犯錯的能力。