🚀 30+款热门AI模型一站整合，DeepSeek/GLM/Qwen 随心用，限时 5 折。 👉 点击领海量免费额度

当GPT猜下一个词、Sora猜下一帧、机器人模型猜下一个动作，整个AI行业似乎都在押注同一个范式：预测下一个。这个范式诞生了ChatGPT，催生了Sora，驱动了Figure 01和Optimus。它如此成功，以至于几乎没有人停下来问一句：这真的是"理解"吗？

一篇来自北京智源人工智能研究院（BAAI）的Orca论文给出了截然不同的答案：不是。你们全搞错了方向。

Orca没有在"预测下一个"的赛道上继续卷参数，而是从根本上换了一个问题：如果模型不是在猜下一个字，而是在理解世界的"状态"呢？这个看似微小的转变，可能正在重新定义AI理解的边界。

1. 从"猜答案"到"猜世界"：Orca的核心范式转变

1.1 当前AI的三大困局：统计模仿的豪华升级版

2026年，AI行业对"预测下一个"的信仰达到了顶峰。GPT-5和DeepSeek-V4把"下一个Token预测"做到了极致，它们能写诗、写代码、做数学证明。Sora虽然已被关停，但Google的Veo 3、中国的Seedance等视频模型在"预测下一帧"上展开了新的竞赛。机器人领域，Figure 01学会了叠衣服，Optimus在工厂搬运零件。

表面上看，AI正在全方位逼近人类智能。但Orca论文尖锐地指出：这三者做的其实是同一件"假"事。

GPT预测下一个词，本质上是统计模仿。你给它"今天天气"，它输出"真好"，不是因为它理解天气，而是因为它见过太多次这个组合。Sora预测下一帧，本质上是像素插值。视频模型看起来在"想象"未来，其实只是在做图像的平滑过渡。机器人预测下一个动作，本质上是模式匹配。

换句话说，整个AI行业引以为傲的能力，在Orca的作者看来，只是"统计匹配"的豪华升级版。Orca论文原话："智能不应该仅仅是能做Next-Token-Prediction的模型，它应该被定义为构建世界状态并支持多样化下游任务的能力。"

1.2 状态预测 vs Token预测：本质的区别

Orca不是拒绝"预测"，它拒绝的是"预测什么"。目前所有主流AI模型都在预测输出界面的下一个单元——下一个Token、下一帧像素、下一个动作指令。Orca说：别猜表面，猜本质。

论文给出了一个清晰的数学框架。世界的状态S随时间演化，变化受两部分因素驱动：隐式动力学z（物理规律、对象属性、场景动态）以及显式条件c（人类指令、事件描述、任务目标）。

用更通俗的例子说明：一个球在空中，传统模型关注的是"球在画面中间"这个像素信息，而Orca关注的是"这个球正在以9.8m/s²的加速度下落"这个物理事实。这就是"状态"和"Token"的本质区别。

Token是表面的，状态是本质的。Token是统计的，状态是物理的。换个比喻：GPT就像一个考生，没见过物理课本，但刷了100万套物理选择题，凭选项出现的概率蒙对了90%。Orca则像另一个考生，没刷过题，但真正读懂了牛顿三定律，即使题目换了表述方式也能做对。

2. Orca的学习机制：婴儿式认知发展路径

2.1 无意识学习：从连续视频中捕获物理规律

Orca提出了一个非常有趣的学习框架：无意识学习加有意识学习。这个二分法直接致敬了人类认知发展的路径。

无意识学习指的是直接从连续视频中学习。像婴儿一样，不需要有人告诉你"球在下落"，你看多了就自然懂了物理规律。Orca从125,000小时视频中捕获密集的物理状态转换——每一帧之间的变化，每一个物体的运动轨迹，每一次碰撞的因果关系。

这个过程不使用任何标注标签，靠的是自监督信号。模型通过观察世界如何运转，逐渐构建起对物理规律的内在理解。这种学习方式的关键优势在于它的可扩展性——不需要昂贵的人工标注，只需要大量的观察数据。

2.2 有意识学习：用语言组织因果结构

有意识学习则用语言描述的事件和视觉问答来组织因果结构。比如"球落地了"、"门被打开了"、"猫从桌上跳下来了"。这些是有意义的语义事件，不是连续的像素变化，而是离散的、有因果关系的状态转换。

它回答的是：发生了什么？为什么发生？如果换一种干预会怎样？Orca项目主页引用："婴儿在学会语言之前，就已经通过观察世界理解了物理规律——物体如何运动、接触如何发生、被遮挡的物体是否仍然存在、场景在动作之后如何变化。"

无意识学习提供密集的世界经验，有意识学习将这些经验转化为可以被推理和交流的因果模式。二者缺一不可。这个设计背后有一个野心：Orca不是在做一个"更好的视频模型"或"更好的语言模型"，它试图构建一个通用世界基础模型。

3. 最惊人的发现：世界理解隐含行动能力

3.1 零动作监督下的机器人表现

Orca论文中最令人震惊的结果不在文本生成，也不在图像预测，而在机器人任务。预训练阶段，Orca没有使用任何动作标签，完全零动作监督。它只是看视频——125,000小时的视频，理解世界在如何运转。

然后当它被接入轻量级的动作解码器，在真实机器人任务上测试时，结果令人侧目。在真实机器人分布外测试中，Orca-4B达到了36.6%的成功率，而同等规模的专业机器人基线模型只有27.6%。差距接近10个百分点。

在没有使用任何动作标签预训练的前提下，这个结果几乎违反了机器人学习的直觉。传统机器人学习需要大量的"动作标签"——告诉机器人"在这个状态下，应该执行这个动作"。这是一个极其昂贵的标注过程，机器人公司往往需要雇佣数十名标注员，花几个月时间给每一帧视频打上动作标签。

3.2 理解物理世界本身就隐含行动能力

Orca证明：理解物理世界本身就隐含了行动能力。你不需要教机器人"抓杯子"，你只需要让它看100万次杯子被抓住的视频。当它真正理解了"抓"这个动作的物理含义——手的形状、力的方向、物体的重量、接触面的摩擦——它自然就知道怎么抓了。

这可能是当前AI领域最重要的未被充分讨论的发现：世界理解本身就是一种隐式策略。模型通过观察世界状态的变化，内在化了对行动后果的理解，从而能够在新的情境中做出合理的行动决策。

在多任务视频基准测试中，Orca-4B在MVBench、TemporalBench、3DSRBench和SWITCH四个基准上的平均得分为51.8，而同等规模的Qwen3.5-4B只有46.7。这表明状态预测的范式不仅在机器人领域有效，在通用的多模态理解任务上也显示出优势。

4. 从工程视角看状态预测的实践意义

4.1 数据效率的革命性提升

从工程实践的角度看，Orca范式最直接的价值在于数据效率的提升。传统方法需要大量标注数据来训练特定任务模型，而状态预测模型通过自监督学习从原始数据中提取通用知识。

在实际部署中，这意味着：

• 减少对昂贵标注数据的依赖
• 提高模型在新任务上的泛化能力
• 降低领域适配的成本和难度

对于资源有限的团队来说，这种数据效率的提升可能是决定性的。不需要为每个新任务从头开始收集和标注数据，只需要让模型观察相关的场景和数据流。

4.2 模型可解释性的改善

状态预测范式另一个重要优势是模型行为的可解释性。由于模型学习的是世界状态的变化规律，而不是表面的统计模式，其决策过程更容易被理解和验证。

在安全关键应用中，这种可解释性尤为重要。当模型基于对物理规律的理解做出决策时，工程师可以更自信地预测模型在各种边界情况下的行为，而不是依赖黑箱的统计相关性。

4.3 长期维护的可持续性

从系统维护的角度，状态预测模型显示出更好的长期适应性。当应用场景发生变化时，基于物理理解的状态预测模型能够更好地适应新环境，而不需要完全重新训练。

这种适应性来自于模型对基础规律的学习，而不是对特定数据分布的过度拟合。在实际工程中，这意味着更低的模型更新成本和更稳定的系统表现。

5. 状态预测的技术实现路径

5.1 状态表示的学习与编码

实现状态预测的第一个关键技术挑战是如何学习和编码世界状态。Orca采用的方法是通过多模态对比学习来构建统一的状态表示空间。

具体来说，模型需要学习将不同模态的输入（图像、文本、物理参数）映射到同一个语义空间中。在这个空间中，相似的状态应该具有相似的表示，而不受输入模态的影响。

从工程实现的角度，这通常涉及：

• 设计合适的编码器架构
• 定义有效的对比学习目标
• 处理不同模态之间的对齐问题

5.2 状态转移模型的构建

状态预测的核心是学习状态之间的转移规律。Orca使用类似动力系统的方法来建模状态演化，考虑隐式动力学和显式条件的共同作用。

在实际实现中，这通常意味着：

• 设计能够捕获长期依赖的序列模型
• 整合物理先验知识到模型架构中
• 处理不确定性和部分可观测性

5.3 从状态到行动的映射

最终，学习到的状态表示需要能够支持下游任务，特别是机器人控制。Orca通过轻量级的动作解码器来实现从状态到行动的映射。

关键的技术考虑包括：

• 保持状态表示的通用性
• 设计高效的动作生成机制
• 确保决策的稳定性和安全性

6. 实际部署中的挑战与应对策略

6.1 计算资源的需求平衡

状态预测模型虽然在数据效率上有优势，但在计算资源需求上可能面临挑战。学习世界状态需要处理高维的连续空间，这对模型容量和训练效率提出了更高要求。

在实际部署中，需要在模型复杂度和计算成本之间找到平衡。一些可能的策略包括：

• 采用分层的状态表示学习
• 使用知识蒸馏来压缩模型
• 设计更高效的注意力机制

6.2 真实世界的复杂性处理

真实世界充满了不确定性、噪声和异常情况。状态预测模型需要能够处理这些复杂性，而不是在理想化的假设下工作。

工程实践中需要考虑：

• 设计鲁棒的状态估计方法
• 处理传感器噪声和缺失数据
• 建立有效的异常检测和恢复机制

6.3 安全性与可靠性保障

在安全关键应用中，状态预测模型的可靠性和安全性至关重要。模型需要能够识别自己的认知边界，在不确定的情况下采取保守策略。

具体的安全措施可能包括：

• 建立置信度估计机制
• 设计安全约束的决策框架
• 实现人机协同的监督控制

7. 状态预测范式的未来展望

7.1 对AI基础设施的影响

如果状态预测范式被证明是正确的，当前AI行业的算力投资逻辑可能需要重新审视。OpenAI、Google、Meta这些押注"更大模型、更多Token、更多算力"的巨头，其技术路线可能面临根本性挑战。

因为"下一状态预测"不需要无穷大的参数，它需要的是对物理世界的高效建模，而不是对文本统计分布的极致逼近。这种转变可能重塑整个AI芯片和基础设施的市场格局。

7.2 对应用生态的潜在影响

状态预测范式可能催生新一代的AI应用。基于对世界状态的深度理解，模型能够更好地支持需要物理推理和因果理解的任务。

潜在的应用方向包括：

• 更智能的机器人系统
• 基于物理的模拟和预测
• 复杂系统的监控和优化
• 科学发现和工程设计

7.3 技术发展的可能路径

从技术发展的角度看，状态预测范式可能沿着几个方向演进：

• 与符号推理方法的结合
• 多尺度状态表示的学习
• 在线学习和适应能力的增强
• 与神经符号方法的融合

这些发展方向不仅涉及算法创新，也需要新的理论框架和评估标准。

Orca论文的价值不在于它是否完美，而在于它提出了一个可能改变AI行业走向的问题。如果"预测下一状态"真的比"预测下一个Token"更接近"理解"的本质，那么我们正在见证AI范式的一个重要转折点。

从工程实践的角度，状态预测范式为我们提供了一种新的思路：不是通过更大的数据和更多的算力来逼近智能，而是通过更本质的理解来构建智能。这种思路的转变，可能正是AI从工具走向伙伴的关键一步。

🚀 30+款热门AI模型一站整合，DeepSeek/GLM/Qwen 随心用，限时 5 折。 👉 点击领海量免费额度