10 月 30 日，智源研究院正式發布了「悟界 EMU3.5」多模態世界大模型。

在當前大語言模型（LLM）的文本能力逐漸觸頂、行業普遍尋求新突破口的背景下，多模態被視為人工智能的下一個重要方向。

然而，如何有效融合文本、圖像、視頻等不同模態的數據，一直是業界面臨的難題。

長期以來，多模態領域存在兩種不同的技術路徑：一種是 DiT（Diffusion Transformer）架構，在文生圖、文生視頻等生成任務上表現出色；另一種則是以智源 Emu 系列為代表的「原生多模態」架構，嘗試從一開始就用統一的模型處理一切。

智源研究院院長王仲遠在發布會上表示，EMU3.5 的發布，標志著人工智能從「語言學習」向「多模態世界學習」演進的新紀元，并率先指明了多模態 Scaling（規模化）的新范式。

從一年前驗證技術路線的 Emu3，到今天宣稱「開啟新紀元」的 EMU3.5，智源究竟解決了什么關鍵問題？這背后又體現了怎樣的技術思路？

多模態 AI 的核心挑戰之一，是如何建立一個「大一統」的模型。

行業中常見的做法，是將不同功能的模型（如一個理解模型、一個生成模型）拼接起來。但這會帶來融合的挑戰，不同架構間的「語言」并不相通。

智源從 Emu3 開始，就選擇了一條更徹底、也更難的「原生多模態」路線：使用統一的自回歸架構。

自回歸架構是目前大語言模型的基石，其范式是「Next-Token Prediction」。智源將其推廣到了多模態領域，無論是文本、圖像還是視頻，都被打散成 Token，由模型統一預測。這樣做的好處是理論上極其簡潔優雅，實現了「圖像、文本、視頻的大一統」。

但這個選擇在過去一年里也面臨著一個致命的「原罪」：推理效率太低。

當模型生成圖像時，需要一個 Token 一個 Token 地「吐」出來，這個過程就像「像素點打印」，相較于 Diffusion 等模型并行的生成方式，速度慢了幾個數量級。

一個無法高效運行的模型，其「統一」的理論優勢就很難在實踐中落地。因此，效率問題，是 EMU3.5 必須攻克的第一座大山。MU3.5 團隊提出了一項名為「DiDA（Discrete Diffusion Adaptation，DiDA），離散擴散自適應）」的創新技術，作為這個難題的解方。

DiDA 是一種高效的混合推理預測方法，它允許自回歸模型在推理時，可以并行地預測和生成大規模的 Token。這從根本上改變了「一個點一個點畫」的低效模式。

帶來的提升是顯著的：在不犧牲性能的前提下，每張圖片的推理速度提升了近 20 倍。王仲遠談到，這使得 EMU3.5 的自回歸架構，「首次使自回歸模型的生成效率媲美頂尖的閉源擴散模型」。

這個工程上的關鍵突破，補齊了原生多模態路線的核心短板。它證明了這條路不僅在理論上可行，在實踐中也具備了「可用性」和「可競爭性」。

解決了效率枷鎖后，通往「規模化」的道路才真正被打開。

在人工智能領域，「Scaling Law」（規模定律）是過去幾年最重要的發現之一。它指的是，只要持續增加模型參數、訓練數據和算力投入，模型的性能就會相應地可預期地提升。大模型的成功，就是建立在這一「力大磚飛」的信仰之上。

但在多模態領域，這條路一直不甚明朗。由于技術路線不統一，行業并不確定多模態模型是否存在清晰的 Scaling Law。

EMU3.5 通過 DiDA 技術解決了效率問題后，智源迅速開始了規模化的驗證。從 Emu3 到 EMU3.5 的變化清晰地體現了這一點：

模型參數： 從 8B（80 億）躍升至 34B（340 億），提升超過 4 倍；訓練數據： 累計的視頻數據訓練時長，從 15 年猛增到 790 年，躍升超過 50 倍；性能也隨之獲得了顯著提升。

基于這一實踐，王仲遠在發布會上提出了一個大膽的判斷：EMU3.5 開啟了繼「語言預訓練」和「后訓練及推理」之后的「第三個 Scaling 范式」。

為什么稱其為「新范式」？智源給出了三個理由：

「Scaling 范式」的意義在于「可預期」。而 EMU3.5 的潛力才剛剛開始釋放。王仲遠在現場提到，目前 34B 的參數規模，相比 LLM 動輒萬億的規模還很小；而 790 年的視頻數據量，「只占全互聯網公開視頻數據不到 1%」。

這意味著，無論是在模型參數還是在數據維度上，這條路都還有著巨大的提升空間。只要沿著這條路繼續「力大磚飛」，模型能力的上限遠未到來。

如果說，解決效率問題和開啟規模化，回答了「怎么做」的問題，那么 EMU3.5 的另一大轉變，則是在回答「學什么」的問題。

智源團隊在發布會上反復強調「第一性原理」。王仲遠舉了一個觀察兩歲小女孩的例子：她通過刷短視頻，觀察視頻里的人如何吃糖葫蘆，然后在現實世界中模仿、嘗試、失敗、再嘗試，最終自己學會了串糖葫蘆。

他強調人類的學習，不是從文本開始的，而是從對這個世界、對物理規律的視覺觀察開始的。

這也是 EMU3.5 試圖模擬的核心理念：AI 不應只學習「語言」，更應學習「世界」。

為此，EMU3.5 提出了一個核心范式的升級：從 Emu3 的「Next-Token Prediction」），升級為「Next-State Prediction (NSP)」。

這個轉變意味著模型的目標，不再是機械地「續寫」數據（比如預測下一個像素或下一個詞），而是要理解事物背后的因果和規律，預測世界在邏輯上的「下一個狀態」。

基于此，智源也對「世界模型」這一概念提出了自己的定義。王仲遠在采訪中直言，不完全贊同「世界模型就是視頻生成」的觀點。他認為，世界模型的核心，是「對于整個世界因果關系、時空、物理建模的能力」。

他用一個「桌邊的咖啡」的例子來說明：

一個「視頻生成模型」，也許能預測出「杯子掉落、咖啡灑一地」的逼真畫面。

但一個「世界模型」，首先應該理解「這個杯子放得很危險（狀態）」，并預測「它很可能會掉落（狀態變化）」。

更進一步，當接收到「拿起這杯咖啡」的指令時，這個模型會基于對物理常識（紙杯的力度、重心的位置）的理解，來規劃「下一步的行動」。