銀座單向街書店這場，郭宇把題目換成語言模型對世界模型。題目他自己改過好幾次。分享停了兩個月，這一個月他認為有兩件事非講不可。一件是 GPT-6：Computer Use 強到可以操作電腦裡的專業軟體，Marvelous Designer 和 Blender 都能開，建模他說已經和人類工程師、設計師沒有區別。另一件是李飛飛實驗室的世界模型，兩三張照片就能還原一個虛擬世界，但你只能看、只能換角度。
他把例子放在一張逝去親人的照片上。背面、人在環境裡的位置，照片沒拍到，你卻想摸到、想換角度看。一兩張照片交給李飛飛公司的世界模型，還原成 3D 場景，可那是點陣圖。不能互動，不能像真人走來走去。
Figure 是這幾天的具身例子。這家美國公司在舊金山租了三十間 Airbnb，不同房間做不同的事：整理房間、洗衣服、叠衣服、整理床單。世界模型要加快的，是現實裡會發生、又被錄下來的那些事。先在模擬裡做一遍，再把影片丟給機器人學。疊床單得知道重量、材質、厚度，布拉開之後力怎麼走，不然疊不平整。
從 2022 年 12 月那一代 ChatGPT 算到現在的世界模型，路線不同，目標像同一件：把看得到的物理世界搬進電腦。名字叫 Real to Sim，真實的東西進模擬器。做這件事是為了機器人，為了各種人工智慧能用更多層次認識世界。Facebook 的 Zuckerberg 要做元宇宙，郭宇說那不是理由。
語言模型缺的是因果關係。ChatGPT 或 Claude Code 可以做知識工作，按機率吐出你想說的話，或別人願意聽的話。真實世界裡，你做的事會影響別人，你的因會變成別人的果，也會回到你身上。時間是線性的，後來的事受先前的事影響。模型的神經網路裡沒有這一層。它要懂因果，得靠工具去查 Google、搜尋引擎、Wikipedia。訓練好的本體裡，因果不在。世界模型要的就是因果、物理、重力，先把人類世界仿真進虛擬世界。
ChatGPT 一開始只是在吐文字，英文、日文、中文。後來大家拿它寫程式，程式改網站、改 app，再改到工業製造，改到摸得到的東西。今年一月郭宇講這題，是因為去年十月 Claude Code 推出 Scale，程式可以即時生出來，解決一次性的任務。他說手是從那時伸出去的。這個九月的 GPT-6，把手伸進專業 3D 軟體，伸到做衣服。
二十分鐘，小狗的萬聖節衣服交到打版
這兩天他做了好幾件，其中一件是朋友的小狗，萬聖節主題。ChatGPT 先把衣服做成三個視圖，視圖進 Tripo，輸出大約兩百萬個三角形的模型。模型再進 Blender，綁上骨骼，那個小鬼就動起來。衣服的圖自動進 Marvelous Designer，切片，布可以選針織，也可以選硬的，然後打版。衣服是 3D 的，布卻從平面裁。裁完會標哪裡用什麼工法、怎麼縫，檔案可以交工廠。二十分鐘做完。他在台上說，這很可怕。
二十分鐘的過程，他還看得到每一步。他說回家若改用 Computer Use JEV，就未必看得了。Computer Use 是一套開源庫，接上 JEV 做操作時的快速分類。用它取代 ChatGPT 內建的電腦操作，速度可能快到他根本看不到。到那時他覺得自己連觀察的資格都沒有，只能放手。
OS World 高了十個百分點，衣服對不對得用眼睛看
桌面任務有一份考卷，OS World，全名 Operating System World 2.0。GPT-6 Ultra 比上一版 GPT-5.6 高了十個百分點。他說每一代都在漲，十個百分點已經很顯著，代表它開始碰瀏覽器和主流軟體以外的程式。
操作有兩條路。一條是看螢幕，每一步截圖。網上有人寫，用 GPT-6 開專業設計軟體，Blender 裝好第一件事是把語言改成英文。中文介面辨認要花更多 token，更慢。那則貼文建議專業軟體全部設成英文。你看不懂沒關係，它看得懂。另一條是 MCP，Anthropic 做的協議，模型直接跟軟體後台的程式溝通，只知道邏輯對不對。三角形的數量可以對，人眼看衣服就是不對。網頁可以說把右上角改成綠色。衣服破個洞、形狀怪、蹲下去偏大或偏小，很難講清楚。
所以他要大家更新 ChatGPT，裝好 Blender，跟它講：幫我操作，不要走 MCP。Token 多花可以，用 Computer Use，用視覺看。效果好很多，速度會慢。他覺得 MCP 走到生命週期後面了。它和後面的 Scale，是想用傳統程式讓模型知道軟體內部的狀態。資料庫這類抽象的東西有用。操作電腦時，不能指望訓練階段把世界上每個軟體都用過。他偏向下一代，也許 6.5 那種 Ultra，用 JEV 這種更快的方式處理畫面。下一版的電腦使用，他相信主要靠視覺。
他說這已經很難分清模型和真人，因為用法一樣，很像 Tesla 訓練自動駕駛。Tesla 很長一段時間不用光達。不是買不起，成本也是原因，更主要是想一勞永逸：人學開車用眼睛、用小腦，他們就用視覺模仿人。Cybercab 已在 Austin 鋪開，兩個座位，沒有方向盤，沒有螢幕，沒有可以干預的東西，坐上去到下來都是電腦在開。他最近很少用 Claude，覺得它控制桌面軟體已經遠遠落後 OpenAI。下一代的電腦使用，他相信會領先一個很大的身位，方式像 Tesla 訓練車。模型改用看螢幕來操作之後，三維資產才變得改得動。
可編輯，是相對前一場講的流程。文字生圖，圖交給 Seedance 2.0 生影片，不對就要重做，又煩又花錢。出來的是影片，他說一幀裡可能有二十四張或六十張圖，畫格裡的人改不了。衣服顏色、表情，或只是覺得哪裡不對，都得再生。每參考一次就更失真，這是 Diffusion 模型的特性，十幾二十次之後會很嚴重，而且每次都重算機率。腿往前邁一步，話講不夠準，結果就不準。效果好的片子常常附上幾百字甚至上千字的提示詞。他不覺得提示詞工程會是以後的用法。
GPT 現在能生真實的 3D 模型。走哪一步、往哪轉、換什麼衣服，不必再另外花錢，而且可以馬上改。跟 GPT-6 說顏色不對就行。投影片上的 UV 展開，就是把二維貼圖貼回模型。要加衣服、做一頂針織帽，可以先用圖像生成做出展開後的平面圖，切圖很快，再變成 3D 網格，用網格和平面的對應去改。帽子換色是換貼圖，不是整段影片重算。
Mesh 和 Tripo 是這條路的第二個角色，專門把幾張圖算成網格。他拿圓打比方，也提到微積分：圓在螢幕上是很多三角形，不是真正的圓。加到兩千萬、三千萬個面，肉眼分不出來，像砂紙磨過的圓，微觀仍是尖的。Tripo 收一張到三張參考圖，還原 3D，目前最高大約兩百萬個三角形，貼圖到 4K 或 8K。它最早是做 3D 列印玩具的。小孩五歲、七歲、十二歲各留一個，拍一張照片，大約一分鐘出模型，丟進 Bambu Lab 印出塑膠人偶。現在同一份資產可以進 Blender，讓 ChatGPT 精修、綁骨，讓小孩動；把家做成虛擬空間，人在裡面走；接上語音 API 就能即時講話。日本有人拿這套做 VTuber，人物放到網頁上聊天、走路、蹦跳、唱歌，他說一兩個小時可能做完。
現場的 GPT 補的是：做好的東西可以留著改。同一個角色，今天換萬聖節衣服，明天換動作，之後加對話，每次從已有的成果出發。它問郭宇，小狗那件衣服哪一步必須他自己看。郭宇說是打版對不對。他自己沒做過衣服，朋友在文化服裝學院讀了好幾年，得有設計師在旁邊看。GPT 的說法是，流程和版型系統串得起來，合不合身、布料表現對不對，還是人把關。
郭宇接著問，為什麼不能一步到位。語言模型的觸角已經伸進製造業，模型應該也有做衣服的經驗。現場的 GPT 沒有馬上答。材料在東京的伺服器，簡報和這一兩個禮拜的 3D 操作紀錄都在上面，他當時不在那台電腦、也不在手機上用。這次沒接 JEV，它不能先分類，得讀完才答。他拿在場的靜涵比：同樣做了一週，人會很快知道該說什麼。後來 GPT 補上：可以追求一步到位，經驗豐富也不保證每次做對。通用模型也許懂製衣，未必知道這隻狗的尺寸、這塊布的實際表現，還可能誤判自己生成的版。設計師也要試樣、改版。把測量、模擬、實做的回饋接進去，自動化才穩。今天要人看，不代表永遠過不去。延遲的原因，它說現在不能確認。郭宇真正想問的是另一層：工廠的布，在電腦裡是不是還沒有完整到可以仿真。若物理世界的事在虛擬世界都有資料，Marvelous Designer 裡應該就能把製造做出來。他開著 Extra High，還是慢。
這套軟體他仍建議下載。自動化紡織廠機器裡的模擬不是用它，它比較像虛擬角色的衣服，或學生作業：快到仿真，又還沒把檔完全丟給量產線。人台可以讓 GPT 生。他把女朋友的照片做成一個人台，貼文在 Twitter。身高和比例放進去，就是在虛擬裡量體裁衣。布料有預設的克重和下垂。他不敢說百分之九十九像真的，百分之九十以上他覺得可以。明顯不對的地方，白布試做或交給中國工廠之前就看得到。他說這軟體很便宜，沒多少錢，買一個授權，讓 GPT 接上去自動操作就行。他也要大家用新版的 ChatGPT Extra 自己試。
一位日本設計師的示範，是把人導回 Blender 綁骨，看站著、動著時衣服變不變樣。褲子特別需要這一步。專業裁縫即使用等身人偶，西裝褲仍會留冗餘：坐下去面料要伸。沒有這個經驗，就讓模特蹲，或讓 GPT 轉一圈錄下來看變形。最後還是得穿上身，觸感不會出現在螢幕裡。
他把衣服看成大用例，是因為 2011 年在支付寶做過微群，把中國的買家分成很多群，GMV 最大頭永遠是女裝。全球製造裡，除了吃的就是穿的，穿裡面最大是女裝。AI 若把個人化製衣串起來，他相信兩三年內看得到，不必再找裁縫，設計師按需求做。工業革命以來沒有這種事。個人化若吃掉大量製造哪怕百分之十，通關、物流、貿易都會被改寫。中國若不跟著改，以後製造未必還要靠中國。他也說，現在的成衣畫面仍有不自然的地方。
點陣看得到，重力還沒模擬完
幾張圖組一個空間，他說有點像魔法，而且他並不清楚 World Labs 怎麼做，開源這邊也沒有足夠資料。目前最厲害的是從靜態圖還原空間深度和裡面的物體。兩張投籃照片，可以換角度看那個人。幾張 GPT-4o 生成的城堡，可以還原整座城堡。現場的 GPT 提醒，沒拍到的部分是推測，不一定準；宣傳片第六頁底部有官方連結，Atlas 的演示可以直接開。它也把製衣那個問題留著：現實資訊若都準確進了虛擬世界，Marvelous Designer 裡算不算仿真製造。
還原已經很清楚，比一月或二月那個很粗的預覽細得多，手機上不太分得出差別，廣角也不像早期那樣邊緣明顯歪，他說接近 iPhone 一倍鏡頭。點陣仍不能互動。拿來做一間虛擬房子的展示，買賣房屋用得上。更大的用途是把虛擬世界的影片餵給機器人，這才是世界模型的原意。他說也許一秒、也許一分鐘，就能生出很多影片。創辦人是李飛飛。
投影片上 ChatGPT 在解釋：生成的世界有碰撞網格。攝影機走過去，物體穿不過去，不會穿模，哪裡能過、哪裡不能過，算有一點物理。重力還沒有。若下一版 Atlas 的籃球能改方向、改力度、把框放遠、投進並且落下，他覺得重力才算幾乎到百分之百，也可以改重力去模擬月球。美國要在月球建永久基地，上去做事的是機器人，物理沒先模擬，就無從訓練。不同星球、不同家裡的任務，都卡在這裡。他說現在是 2026 年 9 月，仍非常早，明年再兩三個重要版本，差別會很大。ChatGPT 出來的 2023、2024 並沒有太多讓人停下來的東西，大家還在學一來一回地聊天。真正加速是去年十月、十一月之後。一月開講時，他自己也沒料到會這麼快。
交會點就在可再用的 3D。GPT-6 操作電腦，做出的數位資產可以進遊戲，也可以進影視的 CG。世界模型用兩三張、四五張照片，生成虛擬點陣。一件是可編輯的資產，一件是可觀看的空間，這個月在做出 3D 這件事上碰到一起。
七十毫秒選一個，分類不必先訓練
JEV 是三四天前出來的。郭宇說它這兩天在刷屏，號稱分類比 ChatGPT、Claude 快大約三百倍，不是同一個數量級。它不能聊天，也不能寫字，只做選擇。幾十萬、上百萬個選項丟進去，用自然語言講要哪種特徵，毫秒級挑出來。圖裡找體重超過六十公斤的中年男性，或從閉路電視挑一個有特徵的人，都是這種工作。老的分類器得先有專業資料集，再按需求微調。JEV 不必預設是貓還是狗。Diogo，前 OpenAI 研究員，郭宇不確定名字怎麼唸，離開後把這東西叫做因果模型。郭宇自己的歸類是：大語言模型裡的快速通用分類器。
延遲可以落在六十到三百毫秒，接近說話的速度。浴室長黑斑，問 ChatGPT 去 Amazon 挑日用品會等很久。資料先餵給 JEV，說話的過程裡，幾百毫秒就在螢幕上出現可能用得上的商品。七十毫秒的話，他拿來比一般網頁的 HTTP 請求，覺得是同一個數量級。價格幾乎可以忽略，輸出免費。GPT 輸出貴，是因為回覆要校驗。JEV 只回答選哪一個，他說輸入費用是零。準確率和上一世代 GPT-5.6 差不多；跟 OpenAI 最頂尖的模型比仍有差距。和其他工具一起用，速度快兩個數量級，準確率接近，幾乎不花錢。
選項本身仍要別的模型來做。網站跟著使用者的文字或語音變，那幾萬、幾百萬個選項怎麼設計，他說還是 GPT-6 或 Fiber 的事。濾使用者輸入這一層，JEV 才是他講的壓倒性優勢。它看得懂電腦畫面裡哪一塊是什麼軟體，拿來操作 Google Flights 搜機票，會比 GPT-6 Ultra 快很多。人還得先分辨單程或來回，一座城市又常常有好幾個機場。原帖影片右邊是時間，左邊是操作畫面。
他預期大約一個月，GLM、MiniMax、DeepSeek 都會有很快的電腦操作。DeepSeek 的 Harness，他提到那套命令列工具 DSH，會接上類似的分類，或自己做一套。以前這件事幾乎是 OpenAI 的：訓練 GPT-6 時買了很多 Mac 放進資料中心，讓模型把 Mac 上的專業軟體用過。DeepSeek 現在看不懂圖，得另配一個看圖的模型，再加 JEV，效果接近，成本他說可能是 OpenAI 的一千分之一。
旁邊的用法更日常。郵件批量分類，五百封大概三分美元，朋友有人在做幾十萬封。積著的幾千封，兩三秒讀完，把重要的、待辦的、跟旅行有關的抽出來。下載資料夾也行。他說自己有點精神潔癖，資料夾整理得很好，下載區仍會亂。有人用 JEV 聽新檔，一出現就分類、命名、放到磁碟上對的位置，並放進模型的記憶。下次用語音問 GPT，就不必靠 Finder 的 Spotlight。Spotlight 是蘋果的聚焦搜尋，索引用的還是老方法，沒有 AI，新的 Mac 要花很長時間建索引。公司檔案、倉儲、服裝店、物流中心，他覺得都能用。
遊戲他沒看完。模擬器把狀態讀成 JSON，JEV 決定 Mario 跳不跳。慢了就被怪撞到，所以吃的是反應時間。早年把 AI 放進遊戲角色沒有流行，貴，也慢。他覺得現在可以拿星際爭霸這類試，或在自己的遊戲裡放角色、調強弱，DeepSeek 配 JEV 是一條路。簡報沒寫的還有 MiniMax H3，權重開源，FAL 做成 H3 Max，大約七點幾秒生出十五秒影片，有人拿去做無限電視台。Sora 也出了 2.5，他打算下一場再講影片模型。
量化是現場冒出來的聯想。這類基金十幾二十年前就有，文藝復興那一掛靠數學家、算力，和離交易所很近的機房，新聞出來就下單。散戶資訊、算力和倉位都不夠。有人昨天用 JEV 試，賠了很多。他說賠錢不一定是模型，可能是策略，而且得先找還沒被量化交易的人佔走的地方。去年的 Polymarket 也許還有空隙，預測市場新，華爾街不輕易進，資金池也小。Hyperliquid 同樣可以先讓 ChatGPT 或 Claude Code 把策略寫好，再交 JEV 分類，看一個交易日內有沒有獲利。卡牌拍賣、Mercari 二手，比的是誰先搶到。不必先寫程式。日本的抽選他也提了，說這例子有點不道德：第一時間進網填表很煩，他以前乾脆買黃牛票。Computer Use 變快之後，講一句話就能做，跟一月那種臨時寫程式不是同一條路。
四十億、八十億參數的小模型，Facebook 早做過，用來擋髒話、擋成人圖片、分貓狗、做驗證碼。JEV 多出來的是不必先訓練，用人類語言做通用分類。OpenRouter 已經開放，不用內測，也可以走 Cloudflare。讓 GPT 去 OpenRouter 註冊就能用。
複利在故事，不在高級上班族
他希望聽完的人回家真的打開 agent、ChatGPT、Claude Code，不要只在現場提問。
江西農村長大，第一次大變化是父親把他帶到深圳。數學界最近有兩個人拿了那個相當於諾貝爾的獎，名字他在台上說成王虹淼。他確定的是其中一位比他大一屆，深圳高級中學的，他讀高一時對方讀高二。那些孩子很多父母是第一代創業者，錢已經夠了，想的是這一生做什麼難的事。他自己在生物 X 班，有同學到現在還在美國的癌症研究機構，職涯沒有改。第二次變化是上網從電腦換成手機，大約從 2008、2009 到 2012。他覺得第三次就是現在，而且更快。
東亞父母要小孩讀書、離開體力勞動，至少換到經濟獨立。仕途、後來的經商，都是把智力變成收入。人工智慧上來之後，你調得動的智力和你自己讀來的不成比例。九年、十年學到皮毛，不可能不睡覺把 ChatGPT 的預訓練讀完。它還邊做邊學。他認為好好讀書、好大學、好工作這條，已經是妄想。2023、2024 之後，尤其去年寫程式這件事被攻下來之後，醫生、律師、其他知識工作、高級上班族，靠智力拿超額收益這件事，他看成泡影。
他給自己的下一項是用智慧賺複利，例子是 J. K. Rowling。《哈利波特》的小演員加上後來的片子，賺的遠不如作者。語言會留下複利：演講、書、talk show，因為它影響別人，也製造故事。西方叫 narrative。別人聽到名字就想到那串故事，有時跟著走。決定怎麼講，他說 AI 現在不會。Sora 和其他模型可以生出無窮影片，卻不知道哪一種講法對人是合理的。沒有這項 benchmark。若有一天會了，他覺得可怕。他的講法是，講故事其實就是在騙人。兩三年後會不會變，他不敢說。
所以複利不一定寫書。製造、衣服、影片、influencer，還有深圳人做的 Amazon 爆款，都是先知道別人要聽什麼故事。槓桿可以做很多事，唯獨不是打工。他說這等於逼人從工業革命以來的螺絲釘變成廠長。很難，不是每個人都會講故事，亞洲的教育很少教，某些常春藤也許好一點。網上搜他的名字，多半還是 ByteDance，和他以前退休的事。馬斯克的做法是先把火星、月球講出來，再把事情辦成，講多了，下一件很瘋的話也有人信。他受的教育相反：沒做成不要說。他認為這正是現在模型還沒拿走的能力。
講到這裡他停了，免得被聽成散布焦慮。每個月都有事情在改，要炒股票、改教育，或只改工作方式，都得先承認變化是客觀的。他要的第一件事，是先把心胸打開。