ОтветыОпубликовано14 источники
PhiZero: «физический язык» для прогнозирования того, как меняется мир
PhiZero использует принцип «сначала рассуждение, потом рендеринг»: сначала прогнозирует изменения сцены, затем генерирует будущие кадры. Её «физический язык» — это не набор понятных человеку слов, а обученные дискретные токены, описывающие переходы между состояниями мира.
ОпубликовалОтредактировано с помощью GPT-5.6 LunaИзображения созданы с помощью GPT Image 1.5
Ответ на исследование
Ключевые выводы
- PhiZero использует принцип «сначала рассуждение, потом рендеринг»: сначала прогнозирует изменения сцены, затем генерирует будущие кадры.
- Её «физический язык» — это не набор понятных человеку слов, а обученные дискретные токены, описывающие переходы между состояниями мира.
- В примере из исследования четырёхсекундный ролик из 33 кадров представлен 256 токенами вместо 44 800 непрерывных визуальных токенов Wan2.2 VAE — сокращение примерно в 175 раз.
- Архитектура может быть полезна для робототехники и воплощённого ИИ, однако токены не являются автоматически интерпретируемыми физическими переменными, а результат пока остаётся исследовательским.
Промпт ИИ
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 — мировая модель, предложенная исследователями Института автоматизации Китайской академии наук (CASIA). Её ключевая идея проста: не пытаться сразу предсказать каждый будущий пиксель, а сначала описать, как изменится состояние мира, и только потом превратить это описание в видео. 1
2
Такой подход должен решить одну из главных проблем предсказания видео в пиксельном пространстве. Внешний вид и физическая динамика сцены могут «смешиваться»: модель способна убедительно воспроизвести текстуры, освещение и фон, но ошибиться в движении объектов или их взаимодействии. PhiZero делает динамику основной задачей прогнозирования, а внешний вид выносит в отдельный этап рендеринга. 1
2
Принцип «сначала рассуждение, потом рендеринг»
Работа PhiZero строится по следующей схеме:
- Модель получает первый кадр и действие или намерение.
- Она авторегрессионно прогнозирует короткую последовательность дискретных токенов будущих переходов.
- Эти токены вместе с первым кадром передаются видеодекодеру.
- Декодер визуализирует предполагаемое развитие сцены в виде будущих кадров.
Авторы называют такую последовательность «физическим языком». Но это не обычный язык и не набор символов, которые человек может прочитать как «мяч падает» или «автомобиль поворачивает». Это обученные обозначения, чьи комбинации кодируют изменения сцены — например, движение и взаимодействие объектов. Представление формируется с помощью самосупервизированного обучения на реальных видео из интернета. 1
2
3
Упрощённо распределение ролей выглядит так:
Первый кадр — как выглядит сцена; токены физического языка — как она меняется; декодер — как показать это изменение.
Как токенизатор отделяет динамику от внешнего вида
Переходный Q-Former
Токенизатор анализирует временную эволюцию видео, а не рассматривает каждый будущий кадр как независимую визуальную цель. Его запросный узкий слой — transition-level Q-Former — извлекает компактный набор признаков перехода между состояниями. Благодаря этому представление сосредоточено на изменениях, а не на повторном кодировании всех деталей изображения. 1
Иными словами, токенизатор должен фиксировать не саму текстуру поверхности или постоянный фон, а то, что произошло между моментами времени.
Дискретизация FSQ
Непрерывные признаки переходов затем проходят через finite scalar quantization — конечное скалярное квантование, или FSQ. Оно преобразует их в дискретные индексы и формирует конечный словарь «физического языка» PhiZero. 1
2
Дискретная форма позволяет модели, построенной по принципам языкового моделирования, авторегрессионно прогнозировать и комбинировать последовательность переходов. Вместо длинного потока визуальных скрытых токенов она работает с более короткой траекторией изменений.
При этом слово «язык» описывает функцию представления, а не его понятность человеку. Отдельный токен не обязан соответствовать конкретному физическому понятию вроде «гравитация» или «поворот налево».
Диффузионный декодер с условием на первый кадр
Декодер получает исходный чистый кадр как высокочастотную подсказку о внешнем виде сцены. Последовательность токенов сообщает, что должно измениться после этого момента, а диффузионный декодер восстанавливает необходимые визуальные детали и создаёт будущие кадры. 2
Такой раздел труда позволяет не заставлять токены физического языка тратить ограниченную ёмкость на каждую текстуру, деталь освещения, особенности объекта или фон. Значительная часть визуального контекста уже содержится в первом кадре.
В описании обучения также упоминается этап с чистым шумом: он не даёт декодеру опираться на частично доступную информацию о будущих кадрах. Вместо этого модель должна использовать первый кадр и контекст физического языка. 2
Что означает сокращение в 175 раз
Для ролика длительностью около четырёх секунд и состоящего из 33 кадров авторы приводят представление из 256 дискретных токенов при словаре примерно из 25 000 возможных символов. Для сравнения, представление Wan2.2 VAE содержит 44 800 непрерывных визуальных токенов. Таким образом, в этом примере длина последовательности сокращается примерно в 175 раз, при этом качество реконструкции остаётся сопоставимым. 1
Однако цифру важно трактовать аккуратно. Она сравнивает количество токенов представления, а не общий объём данных в битах, использование памяти, задержку или полную стоимость вывода. PhiZero по-прежнему нуждается в ресурсоёмком диффузионном или flow-matching-декодере и в исходном визуальном кадре. Поэтому наиболее сильное утверждение здесь касается компактности абстракции и пространства рассуждения, а не гарантированного ускорения или снижения стоимости оборудования в 175 раз. 1
2
Почему это важно для мировых моделей
Робототехника и воплощённый ИИ
Робот мог бы сначала прогнозировать последствия действия в виде компактной последовательности переходов, а уже затем строить подробный визуальный прогноз. Это потенциально упрощает планирование и моделирование действий, особенно если одна и та же динамика должна переноситься между сценами с разным внешним видом. Среди заявленных направлений проекта — интерактивное моделирование мира, симуляция по условию действия и перенос движений. 2
4
Речь не идёт о том, что робот автоматически получает полноценную физическую теорию. Более узкая цель PhiZero — научиться представлять и комбинировать правдоподобные изменения мира до того, как система потратит вычисления на их визуализацию.
Автономное вождение
Подобное разделение может быть полезно и в сценариях вождения. Для прогноза важнее понять, как во времени изменится поведение участников движения — кто затормозит, перестроится, уступит дорогу или продолжит движение, — чем точно воспроизвести фактуру дороги или особенности освещения.
Но это лишь архитектурное следствие подхода, а не свидетельство готовности PhiZero к работе в системах, связанных с безопасностью. Визуально связное видео всё ещё может содержать неверную траекторию, а обученные токены не являются автоматически интерпретируемыми или проверяемыми физическими переменными.
От видеокодека к компактной программе траектории
Обычные визуальные представления напоминают сжатый видеопоток: они сохраняют достаточно информации для восстановления кадров. PhiZero пытается приблизиться к другой абстракции — короткой программе, описывающей развитие сцены.
Именно последовательность физического языка становится промежуточным объектом, который прогнозирует визуально-языковой рассуждатель. Затем декодер превращает эту абстрактную траекторию обратно в пиксели. 1
2
4
Если такой подход будет хорошо работать на широком круге задач, системы смогут сравнивать, переносить и комбинировать шаблоны переходов, не восстанавливая каждый раз всю визуальную сцену. Но преимущество зависит от того, насколько хорошо выученное представление сохраняет динамику, действительно важную для конкретной задачи.
Что PhiZero показывает — и чего пока не доказывает
PhiZero предлагает конкретную архитектуру, в которой динамика становится явным узким местом модели: система учит дискретные представления переходов, прогнозирует их по исходной сцене и намерению, а затем визуализирует результат. Сравнение 256 и 44 800 токенов объясняет, почему такая абстракция выглядит привлекательной. 1
При этом работа не доказывает, что ИИ уже решил задачу физического понимания. Словарь токенов может отражать полезные закономерности, не соответствуя напрямую физическим величинам, а правдоподобное видео остаётся несовершенным тестом правильности предсказанного состояния мира.
Наиболее осторожный вывод таков: PhiZero — перспективная исследовательская схема, которая разделяет то, чем является сцена, и то, как она меняется.
Studio Global AI
Продолжайте свое исследование
На этой странице есть ответ, подтвержденный источником, который вы можете продолжить внутри Studio Global.
Люди также спрашивают
Каков краткий ответ на вопрос «PhiZero: «физический язык» для прогнозирования того, как меняется мир»?
PhiZero использует принцип «сначала рассуждение, потом рендеринг»: сначала прогнозирует изменения сцены, затем генерирует будущие кадры.
Какие ключевые моменты необходимо проверить в первую очередь?
PhiZero использует принцип «сначала рассуждение, потом рендеринг»: сначала прогнозирует изменения сцены, затем генерирует будущие кадры. Её «физический язык» — это не набор понятных человеку слов, а обученные дискретные токены, описывающие переходы между состояниями мира.
Что мне делать дальше на практике?
В примере из исследования четырёхсекундный ролик из 33 кадров представлен 256 токенами вместо 44 800 непрерывных визуальных токенов Wan2.2 VAE — сокращение примерно в 175 раз.