AnswersPublished14 sources
איך PhiZero מפריד בין חוקי התנועה לבין המראה של הווידאו
PhiZero הוא מודל עולם בגישת «קודם להסיק, אחר כך לרנדר»: הוא חוזה שינויים בסצנה באמצעות רצף קצר של טוקנים בדידים לפני יצירת הווידאו. הטוקנייזר שלו נועד לייצג מעברים בין מצבים — תנועה ואינטראקציות — במקום לשוב ולקודד טקסטורות, תאורה ורקע.
פורסם על ידינערך באמצעות GPT-5.6 Lunaהתמונות נוצרו באמצעות GPT Image 1.5
Research answer
Key takeaways
- PhiZero הוא מודל עולם בגישת «קודם להסיק, אחר כך לרנדר»: הוא חוזה שינויים בסצנה באמצעות רצף קצר של טוקנים בדידים לפני יצירת הווידאו.
- הטוקנייזר שלו נועד לייצג מעברים בין מצבים — תנועה ואינטראקציות — במקום לשוב ולקודד טקסטורות, תאורה ורקע.
- בקטע של כ־4 שניות ו־33 פריימים, המאמר מדווח על 256 טוקנים פיזיקליים לעומת 44,800 טוקנים חזותיים רציפים ב־Wan2.2 VAE — קיצור של כ־175 פעמים באורך הייצוג.
- הגישה עשויה לסייע בתכנון לרובוטים ובסימולציות המותנות בפעולה, אך הטוקנים אינם משתנים פיזיקליים מובנים מאליהם, והמחקר עדיין אינו מוכיח שהמודל «הבין» את הפיזיקה.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What is CASIA’s PhiZero world model, published in the August 21, 2026 arXiv paper “PhiZero: A World Model Built Around Physical Language,” h. Article summary: PhiZero is CASIA’s proposed “reason-then-render” world model: it first represents predicted world-state changes as a short sequence of learned discrete “physical-language” tokens, then renders those changes into video. I. Topic tags: general, academic, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, char
מודלי עולם נועדו לחזות מה יקרה בסביבה לאחר פעולה מסוימת. אך כאשר הם מנסים לחזות ישירות את הפריימים העתידיים במרחב הפיקסלים, הם עלולים לערבב בין שני דברים שונים: איך הסצנה נראית — טקסטורות, תאורה ורקע — לבין איך היא משתנה פיזית. כך ניתן לקבל סרטון שנראה משכנע, אך מציג תנועה או אינטראקציה שאינן הגיוניות מבחינה פיזיקלית.
PhiZero, שהוצע על ידי חוקרים מהמכון לאוטומציה של האקדמיה הסינית למדעים (CASIA), מנסה לפתור את הבעיה באמצעות ייצוג בדיד שנלמד ממיליוני סרטונים מהעולם האמיתי. החוקרים מכנים את הייצוג הזה ״שפה פיזיקלית״: רצף סמלים קומפקטי שמתאר מעברים בין מצבי עולם, ולא את המראה המלא של כל פריים. 1
2
קודם לחשוב, אחר כך לרנדר
PhiZero בנוי סביב תהליך בן שני שלבים, שהחוקרים מכנים Reason-then-Render — «קודם להסיק, אחר כך לרנדר»:
- המודל מקבל את הפריים הראשון ואת הפעולה או הכוונה הרצויה.
- הוא חוזה רצף קצר של טוקנים בדידים, המייצגים כיצד מצב הסצנה צפוי להשתנות.
- מפענח וידאו מקבל את הטוקנים יחד עם הפריים הראשון.
- המפענח מרנדר את התפתחות הסצנה לפריימים עתידיים.
במילים פשוטות: הפריים הראשון מתאר איך הסצנה נראית; הטוקנים מתארים איך היא משתנה; המפענח הופך את השינוי לסרטון.
חשוב להדגיש ש״שפה פיזיקלית״ אינה שפה טבעית כמו עברית או אנגלית. הטוקנים אינם בהכרח מילים קריאות לאדם, ואחד מהם לא חייב להתאים למושג ברור כמו «כבידה» או «פנה שמאלה». מדובר באוצר סמלים נלמד, שהדפוסים בו אמורים לקודד תנועה, אינטראקציות ומעברים בין מצבים. 1
2
3
איך הטוקנייזר מנסה להפריד בין שינוי למראה
Q-Former ברמת המעבר
השלב הראשון בטוקנייזר הוא Transition-level Q-Former. במקום להתייחס לכל פריים עתידי כאל יעד חזותי עצמאי, הוא בוחן את ההתפתחות הזמנית של הווידאו ומחלץ ממנה מספר מצומצם של מאפיינים ברמת המעבר.
המטרה היא למקד את הייצוג בשאלה «מה השתנה?» — למשל, כיצד עצם זז או כיצד שני עצמים פעלו זה על זה — ולא לשאת שוב ושוב מידע סטטי כמו צבע, מרקם או רקע. 1
קוונטיזציה סקלרית סופית
המאפיינים הרציפים שמפיק ה־Q-Former עוברים Finite Scalar Quantization, או FSQ. התהליך ממיר אותם לאינדקסים בדידים, וכך נוצר אוצר הטוקנים של ה״שפה הפיזיקלית״. 1
2
הייצוג הבדיד מאפשר למודל בסגנון של מודל שפה לחזות את הטוקנים באופן אוטורגרסיבי — כלומר, טוקן אחר טוקן. במקום לחזות זרם ארוך של ייצוגים חזותיים, הוא מרכיב מסלול קצר יותר של מעברים.
עם זאת, הדמיון לשפה מתייחס לתפקיד של הייצוג, לא ליכולת הפרשנות שלו. הטוקנים הם יחידות שעליהן אפשר לבצע חיזוי והרכבה, אך הם אינם בהכרח משתנים פיזיקליים מפורשים או ניתנים לאימות.
מפענח דיפוזיה שמקבל את הפריים הראשון
מפענח הווידאו מקבל את הפריים הראשון כמעין עוגן חזותי ברזולוציה גבוהה. הפריים מספק את ההקשר הסטטי — זהות העצמים, התאורה, המרקמים והרקע — ואילו רצף ה״שפה הפיזיקלית״ מספק את המידע על מה שאמור להשתנות בהמשך. המפענח משחזר את הפרטים החזותיים הדרושים ליצירת הפריימים העתידיים. 2
חלוקת העבודה הזו מונעת מהטוקנים לבזבז את הקיבולת המוגבלת שלהם על קידוד כל פרט של המראה. לפי התיאור שדווח, תהליך האימון כולל גם שלב חימום המבוסס על רעש טהור, כדי שהמפענח לא יוכל להסתמך על מידע חלקי מהפריימים העתידיים בזמן שהוא לומד לשחזר את הווידאו. 2
מה המשמעות של הפחתה פי 175?
בדוגמה של קטע באורך של כ־4 שניות ובו 33 פריימים, המאמר מדווח כי PhiZero מייצג את הווידאו באמצעות 256 טוקנים פיזיקליים בדידים, מתוך אוצר של כ־25,000 סמלים אפשריים. לשם השוואה, ייצוג ה־Wan2.2 VAE בדוגמה כולל 44,800 טוקנים חזותיים רציפים. לפי המספרים האלה, אורך רצף הייצוג קטן בערך פי 175, תוך שמירה על איכות שחזור תחרותית. 1
אבל חשוב לקרוא את הנתון בזהירות. פי 175 מתייחס למספר הטוקנים בייצוג, ולא בהכרח לנפח האחסון הכולל בביטים, לזיכרון, לזמן ההסקה או לעלות החישוב מקצה לקצה. PhiZero עדיין זקוק למפענח דיפוזיה או התאמת־זרימה משמעותי, וכן לפריים חזותי התחלתי כדי לרנדר את הקטע. לכן הטענה המרכזית היא על דחיסת הייצוג וההסקה, ולא על הבטחה להאצה של פי 175 בחומרה או בעלות. 1
2
מדוע זה עשוי להיות חשוב לרובוטיקה ולמודלי עולם
רובוטים ובינה מלאכותית מגולמת
מערכת רובוטית יכולה להשתמש ברצף מעבר קומפקטי כדי לחזות את תוצאותיה של פעולה לפני שהיא מייצרת תחזית חזותית מפורטת. הדבר עשוי להקל על ארגון של תכנון, סימולציה המותנית בפעולה והעברת תנועה בין סביבות בעלות מראה שונה. הפרויקט מציג בין היתר יישומים של מידול עולם אינטראקטיבי, סימולציה המותנית בפעולות והעברת תנועה. 2
4
המשמעות אינה שרובוט מקבל באופן אוטומטי תיאוריה מלאה של הפיזיקה. היתרון המוצע צנוע יותר: לתת למודל יעד ביניים ממוקד — לייצג ולהרכיב שינויים סבירים בעולם לפני שמבזבזים חישוב על הפרטים החזותיים.
נהיגה אוטונומית
אותו עיקרון רלוונטי גם לתרחישים של נהיגה: במקרים רבים החשוב ביותר הוא לחזות כיצד כלי רכב והולכי רגל יתפתחו לאורך זמן — יבלמו, ינועו, ייתנו זכות קדימה או יתקשרו זה עם זה — ולא לשחזר במדויק את מרקם הכביש או את תנאי התאורה.
עם זאת, מדובר בהשלכה ארכיטקטונית ולא בראיה לכך ש־PhiZero מוכן לשימוש בטיחותי בכבישים. סרטון מפוענח יכול להיראות קוהרנטי גם כאשר המסלול החזוי שגוי, והטוקנים הנלמדים אינם משתני מצב פיזיקליים שניתן בהכרח לפרש או לאמת.
מווידאו דחוס ל״תוכנית״ של מסלול
ייצוגים חזותיים מסורתיים דומים במידה רבה לזרם וידאו דחוס: הם משמרים מספיק מידע כדי לשחזר את הפריימים. PhiZero מכוון לייצוג אחר — משהו שקרוב יותר לתוכנית קצרה שמתארת מסלול של שינוי.
רצף ה״שפה הפיזיקלית״ הוא האובייקט הביניים שעליו מסיק המודל את העתיד, והמפענח הופך את המסלול המופשט בחזרה לפיקסלים. אם הייצוג אכן שומר על הדינמיקה החשובה למשימה, הוא עשוי לאפשר למערכות להשוות, להעביר או להרכיב דפוסי מעבר בלי לייצר מחדש כל פרט חזותי בכל שלב. 1
2
4
מה PhiZero כן מראה — ומה עדיין לא
PhiZero מציע דרך קונקרטית להפוך את הדינמיקה לצוואר בקבוק מפורש במודל עולם: ללמוד ייצוגים בדידים של מעברים, לחזות אותם מתוך סצנה התחלתית וכוונה, ורק לאחר מכן לרנדר את התוצאה. ההשוואה בין 256 ל־44,800 טוקנים ממחישה מדוע ההפשטה הזו מעניינת. 1
אך המחקר אינו מוכיח שהבנה פיזיקלית נפתרה. אוצר הטוקנים עשוי ללכוד חוקיוּת שימושית בלי להתאים באופן ברור למשתנים פיזיקליים, וסרטון שנראה אמין אינו מבחן מושלם לנכונות של מצב העולם החזוי.
המסקנה הזהירה יותר היא ש־PhiZero מציג ארכיטקטורה מבטיחה למחקר במודלי עולם: להפריד בין מה שהסצנה היא לבין האופן שבו היא משתנה — לחשוב על המסלול לפני שמציירים אותו.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "איך PhiZero מפריד בין חוקי התנועה לבין המראה של הווידאו"?
PhiZero הוא מודל עולם בגישת «קודם להסיק, אחר כך לרנדר»: הוא חוזה שינויים בסצנה באמצעות רצף קצר של טוקנים בדידים לפני יצירת הווידאו.
What are the key points to validate first?
PhiZero הוא מודל עולם בגישת «קודם להסיק, אחר כך לרנדר»: הוא חוזה שינויים בסצנה באמצעות רצף קצר של טוקנים בדידים לפני יצירת הווידאו. הטוקנייזר שלו נועד לייצג מעברים בין מצבים — תנועה ואינטראקציות — במקום לשוב ולקודד טקסטורות, תאורה ורקע.
What should I do next in practice?
בקטע של כ־4 שניות ו־33 פריימים, המאמר מדווח על 256 טוקנים פיזיקליים לעומת 44,800 טוקנים חזותיים רציפים ב־Wan2.2 VAE — קיצור של כ־175 פעמים באורך הייצוג.