JawabanDipublikasikan14 sumber
PhiZero Memisahkan Dinamika Fisika dari Tampilan Video
PhiZero menggunakan pendekatan “reason then render”: memprediksi perubahan keadaan dunia terlebih dahulu, kemudian menghasilkan video. Tokenizer nya dirancang untuk menangkap transisi dan interaksi, bukan berulang kali menyimpan tekstur, pencahayaan, serta latar belakang.
Diterbitkan olehDiedit dengan GPT-5.6 LunaGambar dibuat dengan GPT Image 1.5
Jawaban penelitian
Poin-poin penting
- PhiZero menggunakan pendekatan “reason then render”: memprediksi perubahan keadaan dunia terlebih dahulu, kemudian menghasilkan video.
- Tokenizer nya dirancang untuk menangkap transisi dan interaksi, bukan berulang kali menyimpan tekstur, pencahayaan, serta latar belakang.
- Dalam contoh klip berdurasi sekitar empat detik, PhiZero memakai 256 token dibandingkan 44.800 token visual kontinu pada Wan2.2 VAE—sekitar 175 kali lebih ringkas dalam panjang urutan.
AI Perintah
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
PhiZero adalah model dunia yang diusulkan peneliti dari Institute of Automation, Chinese Academy of Sciences (CASIA). Sistem ini dibangun di atas representasi diskret yang dipelajari dari video dan disebut physical language atau “bahasa fisika”.
Alih-alih langsung menebak setiap frame masa depan dalam ruang visual yang padat, PhiZero terlebih dahulu memprediksi bagaimana keadaan dunia berubah, lalu menerjemahkan perubahan itu menjadi video. 1
2
Pendekatan ini menargetkan kelemahan utama prediksi video berbasis piksel: tampilan dan dinamika fisik sering tercampur. Model dapat menghasilkan tekstur, pencahayaan, dan latar yang tampak meyakinkan, tetapi tetap salah memahami gerakan atau interaksi objek. PhiZero menjadikan dinamika sebagai inti prediksi, sementara tampilan diperlakukan sebagai kondisi terpisah untuk proses rendering. 1
2
Prinsip utama: berpikir dulu, merender kemudian
Alur kerja PhiZero dapat diringkas sebagai berikut:
- Sistem menerima frame pertama serta tindakan atau niat yang ingin dilakukan.
- Model memprediksi rangkaian pendek token diskret yang mewakili transisi keadaan di masa depan.
- Token tersebut diberikan bersama frame pertama kepada decoder video.
- Decoder merender perkembangan keadaan itu menjadi frame-frame berikutnya.
Istilah “bahasa fisika” tidak berarti PhiZero memahami kalimat seperti manusia. Token-token tersebut bukan kata yang dapat dibaca, melainkan simbol yang dipelajari dari video dan polanya mengodekan perubahan dalam suatu adegan—misalnya pergerakan, perpindahan, atau interaksi. Representasi ini dipelajari melalui self-supervision dari video dunia nyata yang tidak diberi label manual. 1
2
3
Cara paling mudah memahami pembagian tugasnya adalah:
Frame pertama = seperti apa tampilan adegannya; token bahasa fisika = bagaimana adegan itu berubah; decoder = bagaimana perubahan tersebut divisualisasikan.
Bagaimana tokenizer memisahkan perubahan dari tampilan
1. Transition-level Q-Former
Tokenizer PhiZero memproses evolusi temporal video, bukan memperlakukan setiap frame keluaran sebagai target visual yang berdiri sendiri. Bottleneck berbasis query bernama transition-level Q-Former mengekstraksi sejumlah kecil fitur tingkat transisi.
Dengan demikian, representasi lebih berfokus pada perubahan keadaan dari waktu ke waktu daripada membawa seluruh detail visual pada setiap frame. Ini membedakannya dari codec video biasa yang terutama berusaha mempertahankan informasi agar frame dapat direkonstruksi kembali. 1
2. Finite scalar quantization
Fitur transisi yang masih kontinu kemudian diproses dengan finite scalar quantization (FSQ). Proses ini mengubah fitur tersebut menjadi indeks diskret, yang membentuk kosakata “bahasa fisika” PhiZero. 1
2
Karena hasilnya berupa token diskret, model bergaya language model dapat memprediksi rangkaian tersebut secara autoregresif. Model tidak perlu memprediksi aliran panjang token laten visual, melainkan menyusun lintasan pendek yang menggambarkan transisi keadaan.
Namun, kata “bahasa” di sini menjelaskan fungsi representasinya sebagai rangkaian simbol untuk penalaran, bukan tingkat keterbacaan bagi manusia. Satu token tidak otomatis berarti konsep yang jelas seperti “gravitasi” atau “belok kiri”.
3. Decoder difusi yang dikondisikan pada frame pertama
Decoder PhiZero menerima frame pertama yang bersih sebagai prior tampilan berfrekuensi tinggi. Frame ini menyediakan konteks visual seperti identitas objek, tekstur, pencahayaan, dan latar. Sementara itu, rangkaian bahasa fisika memberi tahu decoder apa yang perlu berubah setelah frame tersebut. 2
Pembagian kerja ini mencegah token transisi membuang kapasitas untuk mengodekan ulang setiap detail visual. Decoder bertugas mengisi dan menghasilkan detail yang diperlukan agar lintasan perubahan tersebut menjadi video yang utuh.
Prosedur pelatihan yang dilaporkan juga menggunakan tahap pemanasan dengan noise murni. Tujuannya agar decoder tidak bergantung pada informasi frame masa depan yang masih sebagian tersedia saat belajar merekonstruksi video. Decoder harus memanfaatkan frame pertama dan konteks bahasa fisika. 2
Hasil kompresi yang dilaporkan
Untuk klip berdurasi sekitar empat detik dengan 33 frame, makalah tersebut melaporkan representasi berupa 256 token bahasa fisika diskret dari kosakata sekitar 25.000 simbol. Sebagai pembanding, representasi Wan2.2 VAE menggunakan 44.800 token visual kontinu. Dalam contoh ini, PhiZero mengurangi panjang urutan sekitar 175 kali, dengan kualitas rekonstruksi yang tetap kompetitif. 1
Angka tersebut perlu dibaca secara hati-hati. Perbandingan itu menyangkut jumlah token representasi, bukan otomatis berarti penyimpanan dalam bit, penggunaan memori, latensi, atau biaya inferensi end-to-end juga turun 175 kali. PhiZero tetap membutuhkan decoder difusi atau flow-matching yang substansial serta frame visual awal untuk menghasilkan klip. Klaim terkuatnya adalah soal abstraksi dan pemadatan ruang penalaran, bukan jaminan percepatan perangkat keras sebesar 175 kali. 1
2
Mengapa pendekatan ini penting bagi model dunia
Robotika dan AI berwujud
Sistem robot dapat menggunakan rangkaian transisi yang ringkas untuk memprediksi konsekuensi suatu tindakan sebelum menghasilkan ramalan visual yang detail. Hal ini berpotensi membuat simulasi berbasis tindakan dan perencanaan lebih terstruktur, terutama ketika dinamika yang sama perlu diterapkan pada gaya visual atau tampilan adegan yang berbeda.
Proyek PhiZero menyebut penggunaan seperti pemodelan dunia interaktif, simulasi yang dikondisikan pada tindakan, dan transfer gerakan. 2
4
Meski begitu, manfaatnya bukan berarti robot langsung memperoleh teori fisika yang lengkap. Target perantara PhiZero lebih terbatas: merepresentasikan dan menyusun perubahan dunia yang masuk akal sebelum menghabiskan komputasi untuk detail visual.
Kendaraan otonom
Pemisahan yang sama dapat relevan untuk skenario berkendara. Dalam banyak situasi, hal terpenting untuk diprediksi adalah perkembangan pengguna jalan dan kendaraan—misalnya pengereman, perpindahan, memberi jalan, atau interaksi—bukan tekstur aspal atau kondisi pencahayaan pada gambar kamera.
Namun, ini adalah implikasi arsitektur, bukan bukti bahwa PhiZero siap digunakan untuk keselamatan berkendara. Video yang tampak koheren tetap dapat menyembunyikan lintasan yang keliru. Token yang dipelajari juga tidak otomatis menjadi variabel keadaan fisik yang dapat ditafsirkan atau diverifikasi.
Dari codec video menuju “program” lintasan
Representasi visual tradisional mirip aliran video terkompresi: informasi dipertahankan secukupnya agar frame dapat dibangun kembali. PhiZero mengejar bentuk abstraksi yang lebih menyerupai program ringkas tentang sebuah lintasan.
Dalam kerangka ini, rangkaian bahasa fisika menjadi objek perantara yang diprediksi oleh penalar visual-bahasa, sedangkan decoder mengubah lintasan abstrak tersebut kembali menjadi piksel. 1
2
4
Perubahan sudut pandang ini berpotensi membuat penalaran model dunia lebih mudah disusun dan digunakan ulang. Sistem dapat membandingkan atau memindahkan pola transisi tanpa harus terlebih dahulu menghasilkan ulang setiap detail visual. Apakah keunggulan itu berlaku luas tetap bergantung pada seberapa baik representasi yang dipelajari mempertahankan dinamika yang penting bagi tiap tugas.
Apa yang ditunjukkan—dan tidak ditunjukkan—PhiZero
PhiZero menawarkan arsitektur konkret untuk menjadikan dinamika sebagai bottleneck eksplisit dalam model dunia: mempelajari representasi transisi diskret, memprediksinya dari adegan awal dan niat tindakan, lalu merender hasilnya menjadi video. Perbandingan 256 token dengan 44.800 token menunjukkan mengapa abstraksi semacam ini menarik. 1
Namun, pendekatan tersebut belum membuktikan bahwa pemahaman fisika telah terselesaikan. Kosakata yang dipelajari bisa saja menangkap pola yang berguna tanpa memiliki hubungan langsung dengan variabel fisik yang mudah ditafsirkan. Selain itu, tampilan video yang masuk akal bukan ukuran sempurna untuk memastikan keadaan dunia yang diprediksi benar.
Kesimpulan yang paling aman lebih sederhana: PhiZero memperkenalkan rancangan riset yang menjanjikan untuk memisahkan apa yang ada dalam sebuah adegan dari bagaimana adegan itu berubah.
Studio Global AI
Lanjutkan penelitian Anda
Halaman ini berisi jawaban yang didukung sumber yang dapat Anda lanjutkan di dalam Studio Global.
Orang-orang juga bertanya
Apa jawaban singkat untuk "PhiZero Memisahkan Dinamika Fisika dari Tampilan Video"?
PhiZero menggunakan pendekatan “reason then render”: memprediksi perubahan keadaan dunia terlebih dahulu, kemudian menghasilkan video.
Apa poin penting yang harus divalidasi terlebih dahulu?
PhiZero menggunakan pendekatan “reason then render”: memprediksi perubahan keadaan dunia terlebih dahulu, kemudian menghasilkan video. Tokenizer nya dirancang untuk menangkap transisi dan interaksi, bukan berulang kali menyimpan tekstur, pencahayaan, serta latar belakang.
Apa yang harus saya lakukan selanjutnya dalam latihan?
Dalam contoh klip berdurasi sekitar empat detik, PhiZero memakai 256 token dibandingkan 44.800 token visual kontinu pada Wan2.2 VAE—sekitar 175 kali lebih ringkas dalam panjang urutan.