刚刚我在刷动态时，看到了李飞飞老师转发的一篇她们实验室的文章。标题是RTFM：实时框架模型。点进去之前，我以为这又会是一篇关于模型精度提升、参数量增加的常规技术发布，结果发现AI教母真不是白叫的

现在就可以在这里体验RTFM：

https://rtfm.worldlabs.ai/

长久以来，构建一个实时、持久、交互的虚拟世界，面临着一个近乎无解的难题：算力。

我们总以为，世界模型必然是用海量的GPU堆成的。文章里算了一笔账，如果要实时生成一个4K、60帧的互动世界，对算力的消耗，相当于AI每秒钟就要读完一本《哈利波特》。这还仅仅是实时，如果要让这个世界持久，你探索一小时后，所有东西都还在原位，那AI需要处理的记忆数据，将是一个天文数字

这样以来，世界模型将会是未来很多年，只有少数巨头才能参与的游戏

而RTFM给出的，却是一个极其优雅的答案，它没有去正面硬扛这个问题，而是绕了个弯，用一种更聪明的方式解决了它。李飞飞老师的答案是：在一块H100上，实现这一切

这个选择的背后，还是受到了sutton 老爷子的“苦涩的教训”的影响：我们是真的被硬件卡住了，还是我们的方法本身就不够经济？那些能够随着计算能力的提升而优雅扩展的简单方法，往往将在人工智能领域占据主导地位，因为它们能够受益于计算成本的指数级下降，而这种下降在过去几十年里推动了所有技术的发展。生成世界模型完全有能力从计算成本持续下降的未来中获益

传统的3D渲染，像是一个一丝不苟的物理学家，它需要精确计算每一条光线的路径、每一次反射和折射。这是一个庞大而严谨的工程

RTFM不一样。它是一个“被教会的渲染器”（Learned Renderer）。它通过观看海量的视频数据，学会了这个世界的光影、材质和空间关系应该是什么样子的

当你给它一张图片，让它生成一个新的视角时，它不是在计算物理，而是在它的认知里进行创作：根据我见过的亿万个厨房，在这个角度，光线大概率会这样反射，阴影应该落在这里

它把一个复杂的物理问题，转化成了一个基于数据和经验的感知问题。所以，它能如此高效地画出那些极其耗费算力的光影细节，比如水面和玻璃的复杂反射

另一个让我印象深刻的，是它解决持久性的方案

以往的模型，探索得越远，记忆的包袱就越重，最终会慢到无法使用。而RTFM给它记住的每一帧画面，都标记了一个空间坐标

这个设计非常巧妙。它等于给了AI一个空间感

当需要渲染一个新画面时，它不需要调动全部的记忆。它会像我们人一样，只关注附近的东西。这个技术，他们称之为“上下文腾挪”（Context Juggling）。这就像你在书房找一本书，你不会把整个家翻个底朝天，你只会去书架上找

正是这个看似简单的机制，让RTFM构建的世界可以无限大，永不遗忘，同时又保持着极高的效率

更多的技术细节看这里：

https://www.worldlabs.ai/blog/rtfm