在当前的大模型浪潮中，视频生成模型常常被视为通往具身智能的未来模拟器。然而，主流模型多采用像素空间的直接预测，容易在物理规律的稳定性和连贯性上出现偏差。针对这一行业痛点，研究团队近日正式推出了全新的物理世界模型PhiZero。该模型摒弃了传统的盲目预测套路，创新性地引入了“物理语言”概念，让AI在生成视频前先进行显式的物理推理。
作为核心创新，PhiZero提出了一种被称为“物理语言”的离散表征。该语言通过自监督学习方式，从海量野外视频中提炼出状态转移模式，捕捉不同视觉经验里的动态演化规律。在此基础上，模型构建了“先推理、后渲染”的创新架构:系统首先在物理语言空间内自回归地推断未来世界的演变轨迹，随后交由专用的扩散解码器将其渲染为高清视频。这种设计不仅将底层动力学推演与像素级合成分离开来，还大幅提升了模型在物理一致性上的表现。
在技术实现上，该系统分为分词器与推理器两大核心模块。其中，物理语言分词器利用转移级 Q-Former 捕获相邻状态变化，并结合有限标量量化机制生成紧凑的离散符号;扩散解码器则以首帧和离散符号为条件，恢复出细腻的视觉细节。而物理语言推理器则基于预训练视觉语言模型进行初始化，从首帧和文本动作意图出发，精准预测未来的物理语言序列。
多项基准测试结果表明，PhiZero在 Physics-IQ Verified、PhyGround 以及 WorldModelBench 等多个物理推理和视频生成评估中取得了领先成绩。无论是碰撞引起的物体位移、重力驱动的形变，还是复杂的连锁反应，模型均能展现出高度逼真的物理合理性。
随着具身智能与机器人技术的加速落地，PhiZero的问世为可控、可交互的世界建模开辟了全新路径，有望在长时程模拟与运动迁移等场景中发挥关键作用。
