一个关于"成长"的启示
人类婴儿花了大约2年时间，才学会"物体从手中掉落会掉在地上"这个基本物理事实。这2年里，婴儿做了无数次"放手"实验——拿起玩具，放手，观察它掉在地上。通过这些实验，婴儿建立了"世界模型"——对物理世界运行规律的内部表示。
2026年的AI，读过整个互联网，但从未"体验"过重力。它知道"重力"这个词，知道"重力"的定义，知道"重力"的公式。但它从未"感受"过重力。这就是为什么LLM会生成"物理上不可能"的场景——因为它们没有"世界模型"。
金句：AI不能在"文本的海洋"中学会物理，就像人类不能在"书本的海洋"中学会游泳。 你需要在水中，才能真正理解水。
2026年的虚拟世界
DeepMind Genie 2： 从单张图片生成可交互的3D世界。你可以在这个世界中移动、跳跃、与环境互动。Genie 2不仅是"视频生成器"，而是"世界模拟器"——它需要理解物理规则（重力、碰撞、物体持久性）才能生成一致性的交互体验。
NVIDIA Omniverse： 工业级的物理模拟平台。Omniverse可以模拟真实物理（包括流体动力学、刚体动力学、光学），为AI提供了一个"物理实验室"。
OpenAI Sora： 从文本生成逼真视频。Sora展示了"视频生成器即世界模型"的潜力——它生成的视频符合物理规律（至少大部分时候）。但Sora仍然会产生"物理幻觉"。
Epic Unreal Engine + AI： 游戏引擎+AI的结合。Unreal Engine提供了物理精确的虚拟世界，AI在这些世界中"生活"和"学习"。2026年，越来越多的AGI研究者在用游戏引擎训练AI。
为什么虚拟世界对AGI至关重要？
原因一：物理直觉。 文本无法教会AI"物理直觉"。你需要"体验"物理——或者至少"观察"物理——才能理解物理。虚拟世界提供了这种"体验"。
原因二：安全探索。 在真实世界中，让AI"试错"是危险的——一个自动驾驶AI不能在真实道路上"学习"撞车。但在虚拟世界中，AI可以安全地"撞车"一百万次，直到学会不撞车。
原因三：无限数据。 虚拟世界可以生成无限量的训练数据。一个虚拟世界可以运行"一百万种不同的天气条件"、“一百万种不同的交通场景”——这在真实世界中是不可能的。
原因四：可控实验。 在虚拟世界中，研究者可以精确控制变量——“改变重力”、“改变光照”、“改变物体属性”——来测试AI的"物理理解"是否真的"理解"了物理，还是只是在"记忆"模式。
结论：2026年，虚拟世界正在成为AGI研究的"第三空间"——介于"纯文本"和"真实世界"之间。 在这个空间中，AI可以"体验"物理、“探索"世界、“犯错"后安全地学习。也许AGI的真正诞生地，不是硅谷的数据中心，而是虚拟世界中的"成长环境”。