答案已發布14 來源
PhiZero：中科院用「物理語言」先推演世界點郁，再將結果生成影片
PhiZero 採用「先推理、後渲染」架構，先預測場景點樣變，再生成未來影片。 Transition level Q Former 同有限標量量化器，將動態變化濃縮成離散「物理語言」token，減少紋理、光線同背景等外觀資訊干擾。 以四秒、33 幀影片為例，表示由 Wan2.2 VAE 的 44,800 個連續視覺 token，減至 256 個物理語言 token；呢個係 token 數量約 175 倍的縮減，但唔等於整體推理速度或硬件成本提升 175 倍。
發布者使用 GPT-5.6 Luna 編輯圖片由 GPT Image 1.5 生成
研究答案
重點
- PhiZero 採用「先推理、後渲染」架構，先預測場景點樣變，再生成未來影片。
- Transition level Q Former 同有限標量量化器，將動態變化濃縮成離散「物理語言」token，減少紋理、光線同背景等外觀資訊干擾。
- 以四秒、33 幀影片為例，表示由 Wan2.2 VAE 的 44,800 個連續視覺 token，減至 256 個物理語言 token；呢個係 token 數量約 175 倍的縮減，但唔等於整體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
中國科學院自動化研究所（CASIA）研究團隊提出的 PhiZero，想處理世界模型一個幾關鍵、亦幾棘手嘅問題：影片畫面睇落逼真，唔代表當中嘅物理變化合理。
傳統以像素或高維視覺 latent space 預測未來影片嘅模型，往往要同時處理物體點郁、點樣互動，以及紋理、光線、背景等外觀資訊。結果可能係畫面好靚，但物體運動或者交互關係就「穿崩」。PhiZero 嘅做法係將兩件事拆開：先預測世界狀態點樣演化，再將呢種變化渲染成影片。1
2
核心概念：先推理，再渲染
PhiZero 採用 reason-then-render（先推理、後渲染） 流程：
- 以第一幀畫面，以及一個動作或意圖作為輸入。
- 預測一段代表未來狀態轉變嘅離散 token 序列。
- 將呢段 token 連同第一幀交畀影片解碼器。
- 由解碼器將預測到嘅世界演化生成未來畫面。
研究團隊將呢套離散表示稱為「物理語言」（physical language）。不過，佢唔係一般人讀得明嘅自然語言，亦唔代表每個 token 都等於「重力」或者「向左轉」呢類清晰概念。更準確咁講，佢係從真實影片中透過自監督學習出嚟嘅符號系統，用 token pattern 記錄場景狀態點樣轉變，而唔係單純描述每一幀畫面長咩樣。1
2
3
可以用一句說話概括佢嘅分工：
第一幀代表場景係點樣；物理語言 token 代表場景點樣變；解碼器就負責將變化畫返出嚟。
Tokenizer 點樣抽出「變化」
1. Transition-level Q-Former
PhiZero 嘅 tokenizer 唔係將每一幀當成獨立嘅視覺目標，而係集中分析影片隨時間出現嘅變化。當中嘅 query-based bottleneck 會抽取一組較精簡、以轉變為層次嘅特徵，將模型容量放喺狀態演化，而唔係逐格搬運所有視覺細節。1
換句話講，佢想記低嘅唔係背景牆身嘅紋理或者光線每次點樣變，而係物體由一個狀態去到下一個狀態時，究竟發生咗咩事。
2. 有限標量量化（FSQ）
呢啲原本連續嘅轉變特徵，之後會經過 finite scalar quantization（FSQ，有限標量量化），轉換成離散索引，形成 PhiZero 所謂嘅「物理語言」詞彙庫。1
2
由於結果係離散 token，模型就可以用類似語言模型嘅方式，自回歸咁預測一段較短嘅狀態轉變軌跡。相比起逐一預測大量視覺 latent token，模型要組合嘅係一串較精簡嘅「點樣變」符號。
要留意，「語言」呢個名稱主要係講佢嘅用途：佢提供一串可以畀模型推理同組合嘅表示，唔代表 token 本身具有自然語言式嘅可讀性。
3. 以第一幀作外觀先驗嘅擴散解碼器
PhiZero 嘅解碼器會直接接收一張乾淨嘅第一幀，將佢當成高頻外觀先驗。物理語言序列就負責交代之後應該發生咩變化，解碼器再補回紋理、光線、人物或物件外觀、背景等視覺細節，生成未來影片。2
咁樣分工之後，transition token 就唔需要花大量容量重複記錄第一幀已經提供嘅資料。研究所述嘅訓練流程亦加入純噪聲 warm-up，避免解碼器喺重建時依賴部分可見嘅未來畫面資訊；模型要靠第一幀條件同物理語言上下文完成生成。2
256 個 token 對 44,800 個：點解要小心解讀
以一段約四秒、33 幀嘅影片為例，論文報告指 PhiZero 使用 256 個離散物理語言 token，詞彙庫約有 25,000 個符號；相比之下，Wan2.2 VAE 嘅表示就有 44,800 個連續視覺 token。喺呢個例子入面，表示序列長度約縮減 175 倍，同時維持具競爭力嘅重建質素。1
但「175 倍」唔應該直接理解成推理速度、儲存空間、記憶體使用量或者硬件成本都提升 175 倍。呢個比較主要係 token 數量，PhiZero 仍然需要一個相當大型嘅 diffusion 或 flow-matching 解碼器，亦要有第一幀畫面先可以渲染影片。更穩妥嘅講法係：PhiZero 展示咗一種更精簡嘅表示同推理抽象層。1
2
對機械人同世界模型有咩啟示？
機械人與具身 AI
對具身系統嚟講，模型可以先喺精簡嘅轉變序列入面，預測某個動作會帶嚟咩後果，之後先生成詳細視覺預測。呢種安排有機會令動作條件模擬同規劃更容易組織，亦可能有助於將同一種動態轉移到唔同視覺風格嘅場景。項目所提到嘅方向包括互動式世界建模、動作條件模擬同動作轉移。2
4
不過，呢個唔代表機械人因此就自動擁有完整物理理論。PhiZero 更準確嘅貢獻係，為模型設定一個較窄嘅中間目標：先表示同組合世界中合理嘅變化，再花計算資源處理畫面細節。
自動駕駛
喺駕駛場景，模型可能更需要預測車輛點樣減速、行人點樣過馬路、道路使用者點樣讓行或互動，而唔係鉅細無遺咁預測路面紋理、天氣同鏡頭光線。將動態同外觀分開，理論上可以令預測重點更集中於前者。
但呢個只係架構上嘅可能性，唔係證明 PhiZero 已經適合安全關鍵嘅自動駕駛。影片就算睇落連貫，當中嘅軌跡仍然可以係錯；而且學習出嚟嘅 token 本身，亦唔係天然可讀、可驗證嘅物理狀態變量。
由「影片編碼」轉向「軌跡程式」
傳統視覺表示比較似壓縮影片串流：保留足夠資料，方便之後重建畫面。PhiZero 就嘗試將中間表示變成一段更似描述軌跡嘅精簡程式。模型先預測呢段狀態轉變序列，再由解碼器將抽象軌跡轉返做像素。1
2
4
如果呢種表示可以保留任務真正關心嘅動態，系統或許可以比較、操控，甚至轉移一啲轉變模式，而唔需要每次先重新生成完整視覺細節。至於呢個優勢能否喺唔同任務廣泛成立，就要視乎學習到嘅表示保留咗幾多關鍵物理資訊。
PhiZero 證明咗乜，未證明乜？
PhiZero 提供咗一個具體架構，將動態變化設為世界模型嘅明確瓶頸：先學習離散嘅狀態轉變表示，再根據初始場景同意圖預測呢啲表示，最後先渲染影片。256 對 44,800 嘅比較，亦展示咗點解呢種抽象方式具吸引力。1
但研究結果唔代表 AI 已經解決「理解物理」呢個問題。學習到嘅詞彙可以捕捉有用規律，卻未必能夠清楚對應到真實物理變量；而視覺上合理嘅影片，亦唔係判斷世界狀態正確與否嘅完美方法。
較穩妥嘅結論係：PhiZero 提出咗一個有潛力嘅研究方向，嘗試將場景係乜嘢同場景點樣變化分開處理，令世界模型可以先推演短而可組合嘅狀態軌跡，再將佢畫成影片。
Studio Global AI
繼續你的研究
此頁麵包含一個有來源支援的答案，您可以在 Studio Global 內繼續。
人們還問
「PhiZero：中科院用「物理語言」先推演世界點郁，再將結果生成影片」的簡短答案是什麼？
PhiZero 採用「先推理、後渲染」架構，先預測場景點樣變，再生成未來影片。
首先要驗證的關鍵點是什麼？
PhiZero 採用「先推理、後渲染」架構，先預測場景點樣變，再生成未來影片。 Transition level Q Former 同有限標量量化器，將動態變化濃縮成離散「物理語言」token，減少紋理、光線同背景等外觀資訊干擾。
接下來在實務上我該做什麼？
以四秒、33 幀影片為例，表示由 Wan2.2 VAE 的 44,800 個連續視覺 token，減至 256 個物理語言 token；呢個係 token 數量約 175 倍的縮減，但唔等於整體推理速度或硬件成本提升 175 倍。