闻乐 发自 凹非寺 量子位 | 公众号 QbitAI LeCun在干嘛呢？ 就在扎克伯克亲自带队Meta的AI项目，千亿薪酬挖得硅谷人心浮动之际。Meta在AI领域最负盛名的大佬、图灵奖得主、深度学习三巨头之一 的Yann LeCun，却几乎声量全无，他没有参与LLM基础模型的研发，也开始在社交网络上消停了。 LeCun是要离开Meta了吗？ 不不不。他可能只是在憋自己想追逐的大招，比如——世界模型。而且就在最近，LeCun团队的世界模型新进展来了。 名叫 PEVA模型 ，新突破是让具身智能体学会这人类一样的"预判能力"，首次实现16秒连贯场景预测。怎么说呢？就像人类伸手时会预判手 臂进入视野的角度、走路时会提前观察脚下路径，LeCun团队的最新模型，可以让机器人实现这样的能力。 该模型通过 结构化动作表示将 人体48维关节运动学数据与 条件扩散Transformer 结合。 利用VAE编码视频帧、自适应层归一化嵌入动作条件及跨历史帧注意力机制等，实现了从全身动作 预测第一视角视频 的高精度生成与长期时 序连贯。 PEVA模型让具身智能体不再依赖"上下左右"这种抽象信号进行训练，而是以 第一人称视角的视频+全 ...

点击下方 卡片 ，关注" 具身智能 之心 "公众号 作者丨 Yutong Bai等 编辑丨具身智能之心 本文只做学术分享，如有侵权，联系删文 >> 点击进入→ 具身智能之心 技术交流群 更多干货，欢迎加入国内首个具身智能全栈学习社区 ： 具身智能之心知识星球 (戳我) ， 这里包含所有你想要 的。 背景与动机 本篇论文探讨了具身智能体理解 物理动作与视觉感知关系 的根本挑战。人类通过全身动作（如转身、伸 手）主动改变第一人称视角的视觉输入，这对智能体的环境交互和长期规划至关重要。现有世界模型（如 基于速度控制的导航模型）存在显著局限： 这些局限阻碍了智能体在真实场景中的物理交互能力。该研究提出 PEVA模型 ，首次将全身3D姿态作为条 件信号预测第一人称视频，为具身智能提供物理基础更扎实的仿真环境。内容出自国内首个具身智能全栈 学习社区：具身智能之心知识星球，欢迎和近200家公司和机构交流。 核心创新点 1. 结构化全身动作表征 关键突破 ：将动作定义为48维向量，融合全局身体运动（骨盆位移）与局部关节旋转（15个上半身关 节的欧拉角变化），通过运动学树结构保留层次关系。 1. 动作表征简化 ：多数模型采用低 ...