路线 3 · VIDEO-SIM
规模化像素预测， 能「涌现」出对物理的理解吗？
2024 — 至今代表：Sora · GameNGen · Oasis · Genie 1–3 · LingBot-World
§1 起源故事
2024 年 2 月，OpenAI 发布 Sora，技术报告里写下一个大胆的说法：视频生成模型是「世界模拟器」。争论立刻爆发——生成的视频里杯子会凭空消失、手指会穿过桌面，这算「理解世界」吗？LeCun 的回应尖锐：「看起来对 ≠ 理解。」
同月，DeepMind 的 Genie 给出另一种答案：不追求电影感，而是让模型从无标注游戏视频里自己学出「动作 → 后果」的映射——生成的世界是可玩的。8 月 GameNGen 用 Stable Diffusion 以 20fps 实时跑起 DOOM，10 月 Oasis 成为首个公开可玩的 AI 游戏。到 Genie 3（2025.8，720p/24fps、数分钟一致性）与国内蚂蚁灵波 LingBot-World 的开源对标（720p/60fps、小时级生成，官方口径），这条路线已从争议走向产品。
§2 核心原理图解
无标注视频
互联网 + 游戏引擎
时空 tokenizer
视频压缩成 token 序列
潜在动作推断
无监督学出「按键」空间
帧预测
自回归 / 扩散生成下一帧
用户动作条件化
实时注入操控与事件
可玩世界
边生成边交互
视频生成式模拟器（Genie 系范式）：从无标注视频学出「动作 → 后果」，把生成变成可玩
§3 代表模型
Sora
OpenAI · 2024.2
「世界模拟器」争议的起点：扩散 Transformer 生成分钟级视频，但不可交互。
分钟级视频官方口径
GameNGen
Google · 2024.8
Stable Diffusion 实时模拟 DOOM，第一次用神经网络替代游戏引擎。
20fps 实时arXiv:2408.14837
Genie 3
DeepMind · 2025.8
从无标注视频学出可交互 3D 世界，支持文本提示的实时事件注入。
720p / 24fps官方口径
LingBot-World 2
蚂蚁灵波 · 2026
开源对标 Genie 3：因果预训练 + MoBA，主打时长与帧率（缺独立复现）。
720p / 60fps官方口径
完整档案与筛选见 模型库 →
§4 权威视频
本站只展示经核验的视频链接；未核验资源一律不上线。
§5 这条路线的赌注与软肋
赌注 THE BET
规模化的像素预测能「涌现」物理理解——就像语言模型规模化后涌现推理。数据（互联网视频）近乎无限，飞轮已经转起来。
软肋 THE WEAKNESS
LeCun 批评「看起来对 ≠ 理解」；几何一致性与长时稳定性存疑——绕场一周回来，世界还是原来那个吗？
下一条路线：路线 4 · 具身 / VLA 与世界基础模型 →统一模板：起源 → 原理 → 模型 → 视频 → 赌注与软肋