《科创板日报》2 月 10 日讯（编辑 宋子乔） 2 月 10 日，A 股视觉认知概念股午后大幅走强，创业板星宸科技直线拉升涨停，全志科技、富瀚微、虹软科技等纷纷大幅冲高。

消息面上，豆包发布视频生成实验模型 "VideoWorld"。据介绍，不同于 Sora、DALL-E、Midjourney 等主流多模态模型，VideoWorld 在业界首次实现无需依赖语言模型，仅通过 " 视觉信息 " 即可认知世界，也就是说，VideoWorld 可通过浏览视频数据，让机器掌握推理、规划和决策等复杂能力。团队实验发现，仅 300M 参数量下，VideoWorld 已取得可观的模型表现。

目前，该项目代码与模型已开源。

现有模型大多依赖语言或标签数据学习知识，很少涉及纯视觉信号的学习。VideoWorld 选择去掉语言模型，实现了统一执行理解和推理任务。

怎么做到的？

豆包大模型团队称，VideoWorld 基于一种潜在动态模型（Latent Dynamics Model，LDM），可高效压缩视频帧间的变化信息，在保留丰富视觉信息的同时，压缩了关键决策和动作相关的视觉变化，显著提升知识学习效率和效果。

在不依赖任何强化学习搜索或奖励函数机制前提下，VideoWorld 达到了专业 5 段 9x9 围棋水平，并能够在多种环境中，执行机器人任务。

但该模型并不完美，其在真实世界环境中的应用，仍面临着高质量视频生成和多环境泛化等挑战。这一点最直观体现在，视频中存在大量冗余信息，会大大影响模型的学习效率，使得视频序列的知识挖掘效率显著落后于文本形式，不利于模型对复杂知识的快速学习。

大模型的视觉理解能力一直是 AI 前沿研究方向之一。对人类而言，与语言相比，" 用眼睛看 " 是门槛更低的认知方式。正如李飞飞教授 9 年前 TED 演讲中提到 " 幼儿可以不依靠语言理解真实世界 "。

AI 视觉学习，简单来说，需要大模型理解物品 / 空间 / 场景的整体含义，并根据识别内容进行复杂的逻辑计算，根据图像信息更细腻地表述并创作。

AI 视觉学习能力提升，有望催发更多的 AI 应用。长城证券此前发布研报称，国内 AI 大模型多模态能力正持续提升，如快手可灵 AI 大模型、字节豆包 AI 大模型等视频生成的效果正在持续提升，包括精准语义理解、一致性多镜头生成、动态运镜等。受益于底层技术能力的升级，国内 AI 应用持续迭代，token 调用量持续增长，AI 应用有望从中受益。