中国物理AI基础模型
研究报告

生成视觉观察或未来视频，重点是画面、时序和条件一致性；它可以提供数据，但尚未证明理解动作因果。

给定当前状态与候选动作，预测环境如何变化；关键是可干预、可反事实，以及接触与动力学是否可信。

围绕任务目标比较多条未来轨迹并选择动作；输出必须进入控制闭环，并接受成功率、时延和安全约束。

擅长任务分解、知识迁移和高层约束，但对厘米级几何、接触状态和连续控制表达不足。

数据规模大、外观细节丰富，适合学习视觉演化；但逼真的像素不保证尺度、遮挡关系和物理规律正确。

便于表达位姿、尺度、可达性和空间查询，适合导航与操作；接触、受力和物体内部状态仍需额外建模。

可压缩高维观察并提高预测效率，适合端到端训练；难点是可解释性、跨本体对齐和错误校准。

学习文本或视频序列的条件分布，适合预训练和生成；主要回答“接下来通常出现什么”。

预测对象、场景或隐状态如何演化，开始建立持续性和动态规律；但可能仍未显式考虑动作。

建模 P(sₜ₊₁ | sₜ, aₜ)，比较不同动作的后果，是从内容模型走向控制模型的关键门槛。

把多步 rollout、任务收益、约束和不确定性纳入预测，才能支撑规划、纠错与风险控制。