# 这句话缺了一个前提：你的数据管道通没通

这句话缺了一个前提：你的数据管道通没通

完整文章：https://haiguangboy.com/posts/liangwenfeng-world-model

## 核心方法

这话看起来是颗炸弹。极佳科技把世界模型写进公司定位，星海图有Fast-WAM，星动纪元迭代到第五代，破壳放弃VLA改押视频-动作世界模型；李飞飞的World Labs、LeCun的AMI Labs整个公司就建在这上面。

## 关键结果

但看他的完整排序：CoT（去年）→ Agent（今年）→ **持续学习** → 渐进奇点 → 具身智能。他还明确说：**「智能的终点可能都是具身。因为对一个正常人来讲，他的需求并不是电脑，而是人力。」**

所以他不是否定具身，是在排序——"不在主线上"指的是不在通往下一级台阶（持续学习）的主线上。

**那句话真正缺的，是一个前提：你的数据管道通没通。**

LLM的管道通了——互联网文本近乎无限，next-token预测直接把数据转成能力，中间不需要任何转换装置。这个前提下，世界模型确实是绕路。

机器人的管道没通——动作标签稀缺昂贵（星海图算过账：真机数据200-250元/小时），而视频和人类演示海量却**没有动作标签**。世界模型在这里干的是转换器的活。

有量化证据：LAWM实测，用**无动作标签**视频做世界模型预训练，效果**超过**用真实动作标签的监督预训练——动作标签会把模型绑死在特定本体上，预测下一帧学的却是可迁移的动力学。

**所以世界模型改变的不是智能的上限，是到达上限的成本。**

这个重述能不能站住？把它跟库里所有押世界模型的判断逐条比对：9条强关联全是支持或延伸，**零条矛盾**。冲突消失了——那些公司做的本来就是数据效率装置，不是"提高智能天花板的机制"。

更硬的旁证来自星海图Fast-WAM：世界模型的能力主要来自**训练时学到的表征**，不是推理时想象未来——把推理阶段的视频预测整个砍掉，效果不变、速度快4-5倍。这一点上梁文峰和星海图其实是一致的。

## 边界

闭门会议，内容由媒体多方收集，原文写明「部分词句与原文可能略有出入」，无录音、无官方确认。最关键那句是否带限定条件（比如"在我们的资源约束下"），无从判断。