从物理视频生成到运动迁移，再到可控世界建模。

如果说自然语言帮助 AI 读取人类记录的知识，那么 PhiZero 所探索的 “物理语言”，则试图让 AI 读懂真实世界中的运动、交互与变化。

• 论文名称：PhiZero: A World Model Built Around Physical Language 

• 项目网站：

• 研究团队：Shuyao Shang、Yuqi Wang、Ruopeng Gao、Xu Chen、Tieniu Tan、Lue Fan、Zhaoxiang Zhang  

• 所属机构：中国科学院自动化研究所（NLPR, CASIA）

语言让经验得以保存，也让知识能够跨越时间与个体持续传播。人类借助语言描述日常生活、总结科学规律、书写历史与程序；大语言模型则通过学习这些内容，逐步掌握概念表达、知识组织，以及面向数字信息的理解与推理。

当 AI 开始进入现实环境，仅靠自然语言是否足以支撑它认识世界？进一步说，除了描述事物的文字，机器能不能学习一套直接表征物理世界细粒度变化的符号系统？

PhiZero 从这个问题出发，希望为世界的状态演化建立一种可学习、可预测的新表示。

从结果开始：PhiZero 展示了哪些能力？

1. 生成具有连贯物理过程的视频

无论是海水冲击岩石、液体灌入容器，还是物体坠入热油、金属罐发生爆炸，PhiZero 都可以对后续过程进行建模。它追求的不仅是每一帧足够逼真，也要求动作产生的影响能够延续，整段事件在时间上保持完整。

场景虽然跨越海浪、流体、燃烧与爆炸，模型面对的核心任务却相同：预测当前状态将如何继续发展。

2. Motion Transfer：让同一种变化发生在不同载体上

在物理语言中，重点是变化本身，而非执行变化的具体对象。基于这一特点，一段运动所对应的状态转移可以离开原始视频，被赋予新的外观、身体结构或视觉风格。

Human Body → G1 Humanoid

对于真人运动，PhiZero 可以先抽取其中的状态变化，再让 Unitree G1 人形机器人呈现相应过程。这项迁移不以成对的人类 — 机器人训练视频为前提。

图中包含四组跨身体形态的迁移结果；各组由左侧真人输入与右侧 G1 输出组成。

Human Hand → Sharpa Dexterous Hand

相似的迁移也能发生在手部操作上：人手与物体接触、完成抓握及转动手腕的过程，可以在 Sharpa 灵巧手上重新呈现。

Simulation → Reality

这种机制同样能够连接仿真域与真实域。模型保留仿真片段所包含的动作和交互，再以真实场景的初始外观为基础，生成对应的后续视频。

每行展示同一个交互过程：仿真输入位于左侧，真实视觉域中的重建结果位于右侧。

3. 从单张图像出发，连续探索可交互世界

PhiZero 能够接收持续输入、随时更新的控制信号。每当移动方向或观察视角发生改变，模型都会据此向前生成世界，同时努力维持环境布局、关键地标及空间关系的一致。

四段演示分别从异星地表、月下湖景、滨海村庄和落日原野展开。

4. 由驾驶动作决定未来画面

面对相同的道路起始帧，不同控制轨迹应当导向不同结果。PhiZero 会结合转向的方向与幅度生成相应未来；在下方四个案例中，多条备选控制信号及其生成视频被并列展示。

5. 预测机器人动作带来的视觉后果

在机器人任务中，抓取、舀取和双臂配合等动作轨迹可以先被编码为物理语言，再被还原为细致的交互视频。

视频看起来真实，为什么还不够？

近年来，视频世界模型的生成能力不断提升。输入一幅图像或一条文本指令，模型已经可以合成视觉效果出色的未来片段。但是，画面具有真实感，并不能保证其中发生的事情符合物理规律。

网球碰到玩具鸭之后，后者应当怎样移动？物体坠入滚烫的油中，会引发什么样的液体响应？金属容器爆炸时，火光、碎片和投影又该如何随时间共同改变？要回答这些问题，模型需要超越表面的像素质量，理解状态之间的转移、动作造成的影响，以及事件向后展开的因果关系。

传统方法往往直接在维度极高的像素空间里生成未来，物理世界的状态转移也因此被包裹在巨大的视觉预测网络之中。这样的模型擅长合成下一段画面，却缺少一个专门用于表达 “世界接下来怎样变化” 的中间层。PhiZero 正是针对这一缺口提出。

“物理语言” 究竟是什么？

通过在大规模真实视频上进行自监督学习，PhiZero 获得了一组容量紧凑的离散表示，并将其称为物理语言（Physical Language）。这套表示不会重复记录颜色、纹理等静态视觉细节，也无意覆盖画面里的全部像素；它专门编码另一类信息：

对象怎样移动、彼此如何作用，以及整个场景从一个时刻过渡到下一个时刻的方式。

以倾倒液体为例，容器的形状与材质已经包含在首帧中；倾斜、流出、扩散等动态过程，则交由物理语言承载。如此一来，描述外观的信息与描述演化的信息被明确分工。

这种分工使状态变化具备复用的可能。即便更换场景、材质或对象形态，原有的运动和交互规律仍可被保存，并进一步参与组合与迁移。

画面中的对象与环境已经改变，贯穿事件的状态转移仍然保持一致。

PhiZero 的方法：推演在前，渲染在后

以物理语言为中间层，PhiZero 构建了 Reason-then-R

来源：机器之心