像素告诉我们世界如何呈现，物理代码解释世界为何如此运行。
生成一个世界，不等于理解一个世界。
今天的 AI 已经可以生成逼真的视频，也可以用代码搭建复杂的 3D 场景。但无论是像素还是场景，都只是世界的 “表象”。真正的物理智能，需要进一步回答：这个世界由什么构成、处于什么状态、又遵循什么规律？
换句话说，AI 的下一步，不只是预测世界会 “看起来怎样”，而是恢复为什么世界会这样运行 —— 从描述现象，走向发现机制。
近日，MirroS 提出 Code-as-World：让 AI 将观测到的现实主动重建为可执行、可验证、可推理的代码世界，并以此作为理解物理世界的表征。在这套框架下，对象、状态、物理参数与演化规律被显式写入代码，一个关于世界的解释由此不再只是语言描述或隐式特征，而成为一个可以查询、执行、干预和验证的世界假设。
如果说从观测直接预测未来，回答的是：接下来会看到什么？
那么 Code-as-World 进一步追问：什么样的世界，能够产生这些观测，并在干预之后继续演化？
Code-as-World 将物理组成、动态演化与视觉外观显式写入可执行代码，并让智能体围绕观测不断提出、运行、检验和修正世界假设。这些经过验证的可执行世界可以转化为可规模化的物理监督，推动视觉语言模型学习物理推理。
论文：
全文 Blog :
01｜生成得像，不等于理解得对
人类理解物理世界，并不是记住每一次具体观测。
面对不同大小的球、不同角度的斜坡和不同材质的地面，人类仍然会使用物体、质量、速度、重力、摩擦等概念进行思考。真正能够迁移的知识，存在于这些紧凑的抽象之中，而不是某一段视频的全部像素。
这也意味着，复现观测，并不等于形成了对世界的理解。只要生成出的未来在视觉上足够合理，像素预测本身并不要求模型显式回答：世界中存在什么、状态如何变化，又是什么机制支配着这些变化。
问题因此进一步落到：什么样的表征，才能真正支撑对物理世界的理解与推理？
现有的几类世界表征，各自保留了世界的一部分信息。
像素保留丰富细节，却把原因隐藏在结果之中；3D 重建恢复几何、深度和视角，却不自动解释物体为何下落、碰撞或停止；自然语言能够紧凑地表达实体、动作和关系，却难以精确承载连续轨迹、接触关系与物理参数。
Code-as-World 希望找到一个新的结合点：
像语言一样具有语义，像 3D 一样具有结构，又像视频一样能够表达连续演化。
代码恰好提供了这样一种形式。对象、状态、参数与规则可以被显式写出；世界不仅能够被描述，还能够被执行、干预和检验。Code-as-World 因而不追求每一个像素的完全复制，而是优先保持世界组成、约束与演化机制的一致。
真正重要的，不再只是把世界复现得更像，而是找到一种能够显式承载世界结构与机制的表征。
02｜不是更真实的像素，而是一套可执行世界
如果要用代码来抽象一个物理世界，究竟需要写下什么？
Code-as-World 将一个世界拆解为三个相互关联的方面：
Composition：世界中有什么，描述物体、几何结构与质量、摩擦、重力等基本物理属性。
Evolution：世界如何变化，描述物体的状态、运动、交互与关键事件，以及世界随时间的演化过程。
Appearance：世界如何被观测，描述相机、背景、材质、光照等视觉呈现条件。
三者结合起来，Code-as-World 表达的就不再是一张场景图，也不只是一段轨迹，而是一个可以真正运行起来的世界。
不同组件还可以被独立查看和修改：改变一个物体的速度、质量、运动方向或相机位置，其他结构仍然可以保持不变，世界随后重新执行。这也让 “世界编辑” 从像素层面的重新生成，变成了对底层机制的直接干预。
代码在这里不是最终答案。
它更像一个能够被运行和证伪的世界假设。
03｜让 Agent 在模拟与验证中发现世界
从一段视频或文字中恢复底层物理世界，本质上是一个复杂的逆问题。
因此，Code-as-World 没有把世界表征视为一次性的代码生成任务，而是将其构造为一个 agentic discovery loop：让 Agent 在不断提出假设、模拟与验证的过程中，逐步逼近能够解释观测的世界。
这一过程借鉴了科学发现中的溯因推理：从不完整、带噪声的证据出发，不断寻找能够最好解释观测、同时保持简洁的机制假设。
首先，不同形式的输入会被转换为相应的证据。
对于文本，系统提取实体、空间关系、物理事件和预期结果；对于真实视频，则进一步提取深度、实例分割、物体轨迹与三维几何，共同约束可执行世界表征。
随后，Agent 进入五个连续阶段：
Propose｜提出世界假设：根据当前证据和反馈，生成或修改世界表征。
Instantiate｜实例化：将抽象世界假设编译为可执行程序。
Execute｜执行：运行模拟，得到完整的世界状态轨迹。
R
来源：机器之心