Z Tech｜专访 FaceMind 创始人 Adam Lu：循环世界模型（LoopWM）极有可能是下一代通用世界模型架构

📌 一句话摘要

本文专访 FaceMind 创始人 Adam Lu，深度解析循环世界模型 LoopWM 的架构设计、训练策略及其对世界模型未来发展的关键判断。

📝 详细摘要

本文是一篇对 FaceMind 创始人 Adam Lu 的独家专访，围绕其团队提出的循环世界模型 LoopWM 展开。文章从创始人的学术与创业背景切入，详细介绍了 LoopWM 的核心设计逻辑：通过迭代循环（iterative loop）在隐空间中进行长期推理，结合 Early Exit、Deferred Decoding 等机制解决传统世界模型在长时域误差累积、计算效率和推理稳定性方面的关键问题。Adam Lu 解释了 hierarchical curriculum learning 的训练策略，以及 LoopWM 在参数效率上达到两个数量级提升的原因。访谈还讨论了世界模型领域的现状：架构与数据均未收敛，正处于百家争鸣阶段；他预测架构可能在 2026-2027 年收敛，但数据问题需要更长时间。此外，他特别指出机器人端到端文本理解是被低估的重要方向，并分享了对 test-time scaling、具身智能落地、团队管理及公司未来定位的见解。全文信息密度高，兼具技术深度与产业视角。

💡 主要观点

- LoopWM 通过循环迭代将推理留在隐空间，有效缓解长时域误差累积。 传统世界模型在 50 步左右误差显著，而 LoopWM 利用 iterative loop 在隐空间持续修正状态，可稳定执行数百步，显著降低 compounding error。

训练中最关键的是分层的课程学习策略（hierarchical curriculum learning）。 直接对所有数据随机打乱训练会导致模型泛化差。按任务难度和步数递进训练（先简单短步，后复杂长步）是保证收敛的核心。

Deferred Decoding 和 Early Exit 机制在节约算力的同时避免错误放大。 不强制每一步都 decode 到像素空间，而是让模型在隐空间继续推理，只在必要时输出，最多可节省 30%计算量，且不显著增加误差。

世界模型领域当前处于混沌期，架构可能在 2026-2027 年收敛。 Adam Lu 认为架构是首要问题，数据问题需要更长时间（约 1.5-2 年），而明确的下游场景爆发可能需要三年左右。

机器人端到端文本理解是被严重低估但急需解决的问题。 当前世界模型主要解决空间问题，但机器人需要在空间世界中理解文字指令，这一方向缺乏关注和评估，可能成为突破关键。

💬 文章金句

- 有些比较简单的任务，在传统 deep stacked layers 里会被忽略掉，特别是在很深的模型里会出现梯度消失。Loop 架构在这个问题上会好很多。

• 我觉得机器人端到端地做文本理解，是 world model 领域很需要立刻解决的问题。尤其 visual world model 或者机器人做文本理解，几乎没有太多人 evaluate 或关注。
• 我也希望 LoopWM 能为这个领域做出最大的贡献。

📊 文章信息

AI 初评：89

来源：Z Potentials

作者：Z Potentials

分类：人工智能

语言：中文

阅读时间：50 分钟

字数：12287

标签： 世界模型, 模型架构, 具身智能, 机器人技术, 模型训练

阅读完整文章