李飞飞、Yilun Du罕见联手：别给机器人建大脑了，直接偷视频模型的｜GAIR Paper 115

斯坦福大学李飞飞团队与 Yilun Du 等研究者合作，在 arXiv 上发布了题为《Masked Visual Actions for Unified World Modeling》的论文。该研究提出了一种新的接口，尝试将视频生成大模型的能力直接迁移到机器人控制领域，而非为机器人单独训练复杂的决策大脑。

传统具身智能往往需要独立的感知与决策模型，训练成本高且泛化能力有限。该工作试图利用视频模型对世界动态的理解能力，通过像素级动作接口实现统一的世界建模，这可能显著降低机器人学习的门槛。

视频生成与具身智能的融合是 AI 领域的前沿方向。若该方法得到验证，将推动通用机器人在复杂环境中的适应能力，为空间智能和物理推理提供新的技术路径，加速 AI 从虚拟世界走向物理世界的进程。

本站展示内容为基于公开信息的资讯解读与整理，不代表原文转载。如需核实细节或获取完整报道，请通过下方链接访问原始来源。