答案已發布14 個來源
PhiZero 如何讓世界模型先理解「世界怎麼變」，再生成影片
PhiZero 採用「先推理、後渲染」流程，先用離散的「物理語言」token 預測場景變化，再生成未來影片。 Transition level Q Former 與有限純量量化（FSQ）讓模型聚焦於狀態轉換，而不是重複編碼材質、光線與背景等外觀細節。
發布者使用 GPT-5.6 Luna 編輯圖片由 GPT Image 1.5 生成
研究答案
重點整理
- PhiZero 採用「先推理、後渲染」流程，先用離散的「物理語言」token 預測場景變化，再生成未來影片。
- Transition level Q Former 與有限純量量化（FSQ）讓模型聚焦於狀態轉換，而不是重複編碼材質、光線與背景等外觀細節。
- 以四秒、33 幀影片為例，PhiZero 使用 256 個 token，對比 Wan2.2 VAE 的 44,800 個連續視覺 token，序列長度約減少 175 倍；這主要代表表示與推理層面的壓縮，不等於整體運算成本也降低 175 倍。
AI 提示詞
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 是中國科學院自動化研究所（CASIA）研究團隊提出的一種世界模型。它的核心概念不是直接在密集的像素或視覺潛在空間中逐幀預測未來，而是先預測世界狀態如何改變，再把這些變化渲染成影片。1
2
這種分工針對的是像素域影片預測的一項核心難題：場景外觀與物理動態容易糾纏在一起。模型可能生成看起來逼真的紋理、光線和背景，卻讓物體運動或彼此互動出錯。PhiZero 則把「如何變化」設為主要推理對象，把「如何呈現」交給另一個解碼階段處理。1
2
核心思路：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，以及動作或意圖作為輸入。
- 預測一小段代表未來狀態轉換的離散 token 序列。
- 將這段 token 與第一幀一同交給影片解碼器。
- 把預測到的世界演化過程渲染成未來畫面。
這些 token 被稱為「物理語言」，但它們不是一般文字，也不是人類可以直接閱讀的句子。它們是從真實世界影片中透過自我監督學習得到的符號，其模式用來編碼場景的變化，例如移動、互動，以及狀態如何從一個時刻轉移到下一個時刻。1
2
3
可以用一句話概括這套架構：
第一幀代表場景長什麼樣子；物理語言 token 代表場景如何變化；解碼器負責把變化畫出來。
Tokenizer 如何把「變化」與「外觀」分開
1. Transition-level Q-Former：擷取狀態轉換
Tokenizer 不是把每一幀當成獨立的視覺目標，而是處理影片隨時間發生的變化。當中的 query-based bottleneck 會擷取一組精簡的、以轉換為層級的特徵，將表示能力集中在狀態演化，而不是每一項視覺細節。1
這是它與傳統影片編碼器的第一個差異：它的目標不是不斷攜帶表面材質或背景外觀等靜態資訊，而是描述不同狀態之間「發生了什麼變化」。
2. 有限純量量化：把連續特徵轉成離散語彙
接著，連續的轉換特徵會經過 有限純量量化（finite scalar quantization，FSQ），轉換成離散索引，形成 PhiZero 所謂的「物理語言」詞彙。1
2
由於結果是離散序列，模型便可以用類似語言模型的方式自回歸預測。換句話說，它不必預測一條很長的視覺 latent token 串流，而是先組合出一段較短的狀態轉換軌跡。
不過，「語言」在這裡描述的是表示方式的功能，而不是表示內容具有人類可讀性。一個 token 不一定能直接對應到「重力」或「向左轉」這類概念；它更可能代表模型從影片中學到的細緻轉換模式。
3. 以第一幀為條件的擴散解碼
PhiZero 的解碼器會收到清晰的第一幀，將其作為高頻外觀先驗。物理語言序列則提供第一幀之後「應該發生什麼變化」的資訊，最後由影片解碼器重建視覺細節，生成後續影片。2
這讓系統形成明確的分工：轉換 token 不必把每一種材質、光線、人物身分特徵或背景細節都塞進有限容量中，因為第一幀已經直接提供了大部分視覺脈絡。
研究所描述的訓練流程也加入純雜訊預熱階段，避免解碼器在學習重建時依賴部分可見的未來畫面資訊。如此一來，模型必須依靠第一幀條件與物理語言上下文來重建未來影片。2
175 倍壓縮，代表什麼？
以一段約四秒、共 33 幀的影片為例，論文報告 PhiZero 使用 256 個離散物理語言 token 表示，詞彙量約為 25,000 個符號；相比之下，Wan2.2 VAE 的表示使用 44,800 個連續視覺 token。在這個例子中，PhiZero 將表示序列長度縮短約 175 倍，同時維持具競爭力的重建品質。1
但「175 倍」需要正確解讀。這裡比較的是表示 token 的數量，不是總儲存位元、記憶體用量、延遲或端到端推理成本。PhiZero 仍然需要相當可觀的擴散或 flow-matching 解碼器，也需要一張初始畫面來渲染影片。因此，這項數字最直接支持的是表示抽象化與推理壓縮，並不等同於硬體成本或整體生成速度也能提升 175 倍。1
2
為什麼這對世界模型重要？
機器人與具身 AI
具身系統可以先在精簡的狀態轉換序列中，預測某個動作可能造成的結果，再生成詳細視覺預測。這或許有助於整理動作條件式模擬與規劃流程，尤其當相同的動態需要跨越不同視覺風格或外觀環境時。該專案列出的應用方向包括互動式世界建模、動作條件式模擬與動作轉移。2
4
這並不表示機器人因此自動獲得完整的物理理論。更精確地說，PhiZero 將中間任務收窄為：先表示並組合世界中合理的變化，再投入計算生成視覺細節。
自動駕駛
同樣的分離思路也可能適用於駕駛場景。在這類任務中，關鍵預測往往是道路使用者和車輛如何隨時間演化，例如煞車、移動、禮讓或互動，而不一定是道路紋理或攝影機畫面中的光線細節。
但這是由架構推導出的可能性，不代表 PhiZero 已可用於安全關鍵的駕駛系統。生成影片即使看起來連貫，仍可能包含錯誤軌跡；而學習得到的 token 也不天然等同於可解釋、可驗證的物理狀態變數。
從影片編碼器轉向「軌跡程式」
傳統視覺表示更像壓縮影片串流：只要保留足夠資訊重建畫面即可。PhiZero 則試圖讓中間表示更接近一段描述軌跡的精簡程式。視覺語言推理器預測物理語言序列，解碼器再把這段抽象軌跡轉回像素。1
2
4
這種轉變有機會讓世界模型的推理更容易組合。系統也許可以先操作、比較或轉移不同的狀態轉換模式，而不必每次都重新生成完整視覺細節。不過，這項優勢能否廣泛成立，仍取決於學習到的表示是否保留了特定任務真正需要的動態資訊。
PhiZero 證明了什麼，又沒有證明什麼？
PhiZero 提供了一套具體架構，讓動態成為世界模型中的明確瓶頸：先學習離散的狀態轉換表示，再根據初始場景與意圖預測這些表示，最後生成影片。256 個 token 對比 44,800 個 token 的結果，也說明了這種抽象化為何具有吸引力。1
但這項研究並未證明 AI 已經解決物理理解。學習得到的詞彙可能捕捉到有用規律，卻未必能清楚對應到物理變數；而視覺上合理的影片，也不是判斷世界狀態預測正確與否的完美標準。
較為穩妥的結論是：PhiZero 提出了一種值得關注的研究架構，嘗試把場景是什麼與場景如何變化分開處理，讓世界模型先在精簡的離散狀態軌跡上推理，再將結果還原成影片。
Studio Global AI
繼續深入研究
這個頁面包含附來源佐證的答案，你可以在 Studio Global 內繼續追問。
大家也會問
「PhiZero 如何讓世界模型先理解「世界怎麼變」，再生成影片」的簡短答案是什麼？
PhiZero 採用「先推理、後渲染」流程，先用離散的「物理語言」token 預測場景變化，再生成未來影片。
最值得優先驗證的重點是什麼？
PhiZero 採用「先推理、後渲染」流程，先用離散的「物理語言」token 預測場景變化，再生成未來影片。 Transition level Q Former 與有限純量量化（FSQ）讓模型聚焦於狀態轉換，而不是重複編碼材質、光線與背景等外觀細節。
接下來在實務上該怎麼做？
以四秒、33 幀影片為例，PhiZero 使用 256 個 token，對比 Wan2.2 VAE 的 44,800 個連續視覺 token，序列長度約減少 175 倍；這主要代表表示與推理層面的壓縮，不等於整體運算成本也降低 175 倍。