AI也会“惊讶”？MetaV-JEPA模型：拥有婴儿般的物理直觉

景点排名 2025年10月07日 01:52 1 admin

曾经有个有趣的婴儿测试：给6个月大的宝宝看桌上的水杯，用木板挡住后再推动木板。

要是木板直接“穿”过水杯的位置，多数宝宝会一脸困惑，这其实是人类对物体持久性的本能认知。

而现在，Meta搞出的V-JEPA模型，居然也有了类似的“物理直觉”。

这事儿得从传统AI的“像素困局”说起，以前的视觉模型，就像死磕细节的强迫症患者。

比如识别郊区街道，它们可能盯着树叶晃动的像素不放，却看不见红绿灯变色。

布朗大学的专家表示：“在像素空间里折腾，纯属跟海量无用细节较劲。”

这话真不假，想想看，自动驾驶要是被路边树枝的影子干扰，那还得了？

扔掉像素，只抓核心

那Meta的V-JEPA是怎么做到的呢？关键就在于它换了套思考方式，不纠结单个像素，而是提炼“核心特征”。

打个比方，看到圆柱体线条图，传统模型记的是每个像素的位置，V-JEPA却只存“高度、宽度、方向”这几个关键数。

这种“潜在表征”的操作，就像把复杂图像压缩成了最简代码。

它的工作流程也挺有意思，分三步：先拿屏蔽了部分像素的视频帧，让编码器1生成“简化版特征”；再把完整帧喂给编码器2，得到“完整版特征”；最后让预测器用前者猜后者。

这过程就像玩拼图，逼着模型忽略树叶这类“干扰项”，专注找车辆、信号灯这些“关键拼图”。

Meta的研究人员说得明白：“这模型就是在主动扔垃圾信息，专挑有用的看。”

更绝的是它的适配能力，预训练时啥物理规则都不教，就靠海量视频自己学。

等要做具体任务了，比如识别动作，只需要给少量带标签的视频，不像传统模型得端到端重训，V-JEPA直接复用编码器，微调一下就行。

这就好比学霸学完基础知识，换门课考试前突击复习下重点就行，效率高得离谱。

去年2月的IntPhys测试，V-JEPA狠狠秀了把肌肉。

这测试专门考AI懂不懂物理逻辑，比如球躲到遮挡物后会不会再出来。

结果它准确率干到98%，而传统像素模型只比瞎猜强点。

这啥概念？相当于AI达到了1岁婴儿的物理认知水平，你说神奇不神奇。

更有意思的是它的“惊讶反应”，研究团队给模型看违背物理规则的视频，比如球消失后不再出现，这时候模型的预测误差会暴增。

这就像婴儿看到木板穿水杯时的愣神，原来AI也会“表示震惊”。

阿姆斯特丹大学的认知科学家就点赞：“婴儿不用学太多就能懂物理，这模型证明AI也能无师自通，牛！”

但V-JEPA2的升级就有点“高开低走”了，参数提到12亿，训了2200万个视频，按说该更强了吧？结果在更难的IntPhys2测试里，它准确率刚过50%，跟瞎蒙差不多。

团队自己都吐槽：“这模型的记忆跟金鱼似的，就记几秒的事。”

伦敦大学的专家还补刀：“它不懂啥叫‘不确定’，要是信息不够，也不知道自己可能猜错了，这跟人类差远了。”

不过在机器人应用上，V-JEPA2还是露了一手。

用60小时的机器人数据微调后，它能规划简单动作，比如收拾桌子时知道杯子不能推到桌边。

但遇到复杂点的物理问题，比如叠书时的重心平衡，就歇菜了，这也印证了它在复杂场景下的短板。

V-JEPA的出现，确实让AI从“看像素”进化到了“懂物理”。

但它的局限也明摆着：记忆短、处理不了复杂逻辑、不会判断不确定性。

未来要是能把这些坑填上，说不定家庭服务机器人真能看懂“杯子不能放桌角”的物理常识，而不是傻呵呵地把杯子推下去。

这么看，AI要想追上人类的物理直觉，路还长着呢。

但至少现在，咱们知道了一条新路子，让AI像婴儿一样，从观察中自己悟规律，而不是硬塞一堆公式。

这事儿，想想就挺有意思的。

发表评论