答案已发布14 来源
PhiZero 如何把物理变化与视频外观分开
PhiZero 采用“先推理、后渲染”流程：先预测未来的场景变化，再把变化生成视频。 其“物理语言”是从真实视频中通过自监督学习得到的离散 token，重点编码运动、交互和状态转移，而不是纹理、光照与背景。 在一个约 4 秒、33 帧的视频示例中，PhiZero 使用 256 个离散 token，而 Wan2.2 VAE 使用 44,800 个连续视觉 token，序列长度约减少 175 倍；这并不等同于整体推理速度或硬件成本提升 175 倍。
发布者使用 GPT-5.6 Luna 编辑图片由 GPT Image 1.5 生成
研究答案
要点
- PhiZero 采用“先推理、后渲染”流程：先预测未来的场景变化，再把变化生成视频。
- 其“物理语言”是从真实视频中通过自监督学习得到的离散 token，重点编码运动、交互和状态转移，而不是纹理、光照与背景。
- 在一个约 4 秒、33 帧的视频示例中，PhiZero 使用 256 个离散 token，而 Wan2.2 VAE 使用 44,800 个连续视觉 token，序列长度约减少 175 倍；这并不等同于整体推理速度或硬件成本提升 175 倍。
AI 提示
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
中国科学院自动化研究所的研究人员提出了 PhiZero，一种围绕“物理语言”（physical language）构建的世界模型。它的核心思路并不是直接在高维像素空间里预测每一帧未来画面，而是先预测世界状态将如何变化，再将这些变化渲染成视频。1
2
这一区分针对的是视频预测中的一个关键难题：场景外观与物理动态往往纠缠在一起。模型可能生成纹理、光照和背景都很逼真的画面，却在物体运动或相互作用上出错。PhiZero 则试图把“场景是什么样”与“场景如何变化”拆成两个相对独立的问题。1
2
核心流程：先推理，再渲染
PhiZero 的工作流程可以概括为：
- 读取初始画面，以及一个动作或意图描述；
- 预测一段代表未来状态转移的离散 token 序列；
- 将这段 token 与第一帧画面一起交给视频解码器；
- 渲染出场景后续演化的视频。
这里的“物理语言”并不是人类可以直接阅读的自然语言，也不意味着某个 token 就明确对应“重力”“向左转”等概念。它是一套从真实世界视频中通过自监督学习得到的离散符号，其模式主要编码场景状态的变化，例如运动、交互以及物体从一个时刻到下一个时刻的转移。1
2
3
可以用一句话理解这套分工：
第一帧负责说明场景长什么样；物理语言 token 负责说明场景如何变化；解码器负责把变化画出来。
Tokenizer 如何提取“变化”而非“外观”
1. Transition-level Q-Former
PhiZero 的 tokenizer 处理的是视频的时间演化，而不是把每一帧都当成彼此独立的视觉目标。其基于查询的 Q-Former 瓶颈会提取一组紧凑的、面向转移的特征，让表示更多关注状态如何从当前时刻演变到下一时刻，而不是反复携带静态的表面纹理或背景信息。1
这与传统视频编码器的思路有所不同：后者通常需要保留足够多的视觉信息，以便尽可能还原画面；PhiZero 则试图把“发生了什么变化”作为中间表示的重点。
2. 有限标量量化 FSQ
这些连续的转移特征随后经过有限标量量化（Finite Scalar Quantization，FSQ），被转换成离散索引。这些索引构成了 PhiZero 所谓的“物理语言”词汇表。1
2
离散化之后，类似语言模型的推理器就可以按自回归方式预测 token 序列。换言之，模型需要组合的是一段较短的状态转移轨迹，而不是一条更长的视觉潜变量序列。
因此，“语言”一词更多描述的是这种表示的功能：它提供了一串可以被模型预测、组合和推理的符号。它并不保证 token 具有人类可解释的语义。
3. 以第一帧为条件的扩散解码
PhiZero 的视频解码器会直接接收干净的第一帧，将其作为高频视觉外观先验。物理语言序列负责告诉解码器第一帧之后应该发生什么，而解码器则补足生成视频所需的纹理、光照、身份特征和背景细节。2
这样一来，有限长度的转移 token 不必把所有视觉信息都编码进去。第一帧已经提供了大量外观上下文，token 可以将容量集中在后续动态上。
据报告，训练过程中还会使用纯噪声预热阶段，避免解码器依赖未来帧中残留的部分信息。模型需要利用第一帧条件和物理语言上下文来完成后续画面的重建。2
175 倍压缩意味着什么
论文给出的一个示例是：对于约 4 秒、33 帧的视频片段，PhiZero 使用 256 个离散物理语言 token 表示，词汇表规模约为 25,000 个符号；作为对比，Wan2.2 VAE 的表示包含 44,800 个连续视觉 token。在这个例子中，PhiZero 的表示序列长度约减少了 175 倍，同时保持了具有竞争力的重建质量。1
不过，这个数字需要准确理解。175 倍比较的是表示 token 的数量，并不等同于存储比特数、显存占用、端到端延迟或整体推理成本减少 175 倍。PhiZero 仍然需要规模可观的扩散或流匹配视频解码器，也需要一张初始视觉画面来生成视频。1
2
因此，更稳妥的说法是：PhiZero 展示了在表示层和推理抽象层进行大幅压缩的可能性，而不是承诺 175 倍的硬件加速。
对世界模型和具身智能的意义
机器人与具身 AI
对于机器人系统而言，先在紧凑的状态转移空间中预测动作后果，再生成详细视觉结果，可能有助于组织动作条件模拟和规划。研究项目提到的应用方向包括交互式世界建模、动作条件模拟和运动迁移。2
4
它的潜在价值并不是让机器人自动获得一套完整的物理理论，而是把中间目标收窄为：在投入大量计算生成视觉细节之前，先表示并组合世界中可能发生的变化。
自动驾驶
这种拆分同样适用于驾驶场景。预测车辆和行人如何演化——例如减速、移动、礼让或发生交互——可能比预测道路纹理、天气光照和摄像头画面中的全部细节更重要。
但这只是架构层面的启发，并不能证明 PhiZero 已经适合安全关键型驾驶。生成的视频即使视觉上连贯，也可能包含错误的运动轨迹；而学习得到的 token 也并非天然可解释、可验证的物理状态变量。
从“视频编码器”转向“轨迹程序”
传统视觉表示更像压缩后的视频流：只要保留足够信息，就能还原画面。PhiZero 试图让中间表示更接近一段描述状态轨迹的紧凑程序。
在这一框架中，视觉语言模型风格的推理器负责预测物理语言序列，解码器再将这段抽象轨迹转换回像素。理论上，系统可以在重新生成全部视觉细节之前，对不同的转移模式进行比较、组合或迁移。1
2
4
这种设计是否能在更多任务中成立，取决于学习得到的表示是否真正保留了任务所需的动态信息。
PhiZero 证明了什么，又没有证明什么
PhiZero 提供了一种具体的世界模型架构：学习离散的状态转移表示，根据初始场景和动作意图预测这些表示，然后再生成视频。论文中 256 个 token 与 44,800 个视觉 token 的对比，说明了这种抽象为何具有吸引力。1
但它并没有证明机器已经解决了物理理解问题。学习得到的词汇可能捕捉到有用的规律，却未必能清晰对应真实的物理变量；而视觉上合理的视频，也不能单独证明预测的世界状态是正确的。
更谨慎的结论是：PhiZero 提出了一条有潜力的研究路径，把“场景是什么”与“场景如何变化”分离开来，让动态成为世界模型需要明确推理的瓶颈，而把外观交给后续渲染阶段。
Studio Global AI
继续你的研究
此页面包含一个有来源支持的答案，您可以在 Studio Global 内继续。
人们还问
“PhiZero 如何把物理变化与视频外观分开”的简短答案是什么？
PhiZero 采用“先推理、后渲染”流程：先预测未来的场景变化，再把变化生成视频。
首先要验证的关键点是什么？
PhiZero 采用“先推理、后渲染”流程：先预测未来的场景变化，再把变化生成视频。 其“物理语言”是从真实视频中通过自监督学习得到的离散 token，重点编码运动、交互和状态转移，而不是纹理、光照与背景。
接下来在实践中我应该做什么？
在一个约 4 秒、33 帧的视频示例中，PhiZero 使用 256 个离散 token，而 Wan2.2 VAE 使用 44,800 个连续视觉 token，序列长度约减少 175 倍；这并不等同于整体推理速度或硬件成本提升 175 倍。