世界模型九宫格

简单解释一下左上四格：

1. V-JPEA在做的事情本质是将代表真实世界的视频内容进行编码，在绝对理想的情况下，这类模型经尤其特征空间来implement the world，特征空间中的点可以与真实世界形成双射。
2. World Model的始祖文章，本质上也是编码，但是其编码的对象是基于真实世界所构造/衍生出的世界，这种世界容量会很小，但是具有封闭性，而最右列通常没有封闭性（实际上最右列的上两个也是有对应的学术文章的，比如ImageNet上的MAE）。
3. 往下一行的模型则会更进一步，直接表现出人类可感知/认识的信息，Sora便是直接表达世界的典型。
4. LLM在中间，是因为语言世界本身是基于真实世界所衍生出的独立世界，LLM可能是这个世界的神，但是映射会现实世界就会出现所谓的“幻觉”。