💡 站外导读：当前AI在物理世界的交互能力仍是瓶颈，机器人往往依赖大量标注数据才能执行新任务。Meta AI最新开源的V-JEPA 2世界大模型，旨在突破这一限制。该模型通过自监督学习从海量视频中掌握物理规律，具备理解、预测和规划能力，使机器人能在全新环境中零样本完成抓取等操作。这不仅降低了机器人应用门槛，更标志着AI向通用机器智能迈出坚实一步，为具身智能发展开辟新路径。

V-JEPA 2 是 Meta AI 推出的世界大模型，基于视频数据实现对物理世界的理解、预测和规划。V-JEPA 2 用于 12 亿参数的联合嵌入预测架构（JEPA），基于自监督学习从超过 100 万小时的视频和 100 万张图像中训练而成。V-JEPA 2 在动作识别、动作预测和视频问答等任务上达到新的性能高度，能用在零样本机器人规划，让机器人在新环境中与不熟悉的物体进行交互。V-JEPA 2 是迈向高级机器智能的重要一步，为未来 AI 在物理世界中的应用奠定基础。

V-JEPA 2的主要功能

• 理解物理世界：基于视频输入理解物体、动作和运动，捕捉场景中的语义信息。
• 预测未来状态：基于当前状态和动作，预测未来视频帧或动作的结果，支持短期和长期预测。
• 规划和控制：用预测能力进行零样本机器人规划，让机器人在新环境中完成任务，如抓取、放置和操作物体。
• 视频问答：与语言模型结合，回答与视频内容相关的问题，涉及物理因果关系、动作预测和场景理解等。
• 泛化能力：在未见过的环境和物体上表现出良好的泛化能力，支持在新场景中的零样本学习和适应。

V-JEPA 2的技术原理

• 自监督学习：基于自监督学习从大规模视频数据中学习通用视觉表示，无需人工标注数据。
• 编码器-预测器架构：
  • 编码器：将原始视频输入转换为语义嵌入，捕捉视频中的关键信息。
  • 预测器：基于编码器的输出和额外的上下文（如动作信息），预测未来的视频帧或状态。
• 多阶段训练：
  • 预训练阶段：用大规模视频数据训练编码器，学习通用的视觉表示。
  • 后训练阶段：在预训练的编码器基础上，用少量机器人交互数据训练动作条件预测器，让模型能规划和控制。
• 动作条件预测：引入动作信息，让模型能预测特定动作对世界状态的影响，支持基于模型的预测控制。
• 零样本规划：用预测器在新环境中进行零样本规划，基于优化动作序列来实现目标，无需额外的训练数据。

V-JEPA 2的项目地址

• 项目官网：https://ai.meta.com/blog/v-jepa-2-world-model-benchmarks/
• GitHub仓库：https://github.com/facebookresearch/vjepa2
• 技术论文：https://scontent-lax3-2.xx.fbcdn.net/v/t39.2365-6

V-JEPA 2的应用场景

• 机器人控制与规划：支持零样本机器人规划，让机器人能在新环境中完成抓取、放置等任务，无需额外训练数据。
• 视频理解与问答：结合语言模型，回答与视频内容相关的问题，支持动作识别、预测和视频内容生成。
• 智能监控与安全：检测异常行为和环境变化，用在视频监控、工业设备监测和交通管理。
• 教育与培训：用在虚拟现实和增强现实环境，提供沉浸式体验和技能培训。
• 医疗与健康：辅助康复训练和手术操作，基于预测和分析动作提供实时反馈和指导。