你把一只球推向桌边，让 AI 接着生成视频。画面可能很逼真，球却没有按预期掉下去。问题在于，直接续画下一帧，不等于真正掌握“球移动、越过边缘、随后下落”这串变化。
PhiZero 想换一种做法：先用一套紧凑的离散符号推演世界如何变化，再把推演结果画成视频。作者称这套符号为 physical language（物理语言）。它不是写成公式的物理定律，也不是给人阅读的自然语言，而是模型从视频中学到的状态转移编码。
这条路线值得关注，因为它把“想清楚会发生什么”和“把画面做出来”拆成了两件事。不过，本文所有结果都来自 PhiZero 论文，尚无独立复现；论文中的“物理一致”仍主要是作者依据现有基准作出的判断。
先推演，再作画
世界模型（World model），可以理解为让 AI 在内部预演“采取某个动作后，环境接下来会怎样”。许多相关方法直接在像素空间预测未来，也就是逐格生成画面。这样能保留丰富的视觉细节，但物体、运动和因果关系都藏在大量数值里，很难单独拿出来推理。
PhiZero 的核心是 reason-then-render：先推理，再渲染。模型先根据当前画面和文字描述的动作意图，预测一串物理语言；随后，视频生成器依据当前画面和这串符号生成未来视频。
可以把它理解成拍电影前先写动作分镜。分镜只规定“什么发生了变化”，不必重新描述墙面纹理或杯子颜色；具体光影和材质留到拍摄阶段处理。PhiZero 也试图让符号专注于变化，把静态外观交给第一帧和已有的视频生成能力。
这里的“语言”容易引起误解。它使用的是 离散表征——把连续、复杂的视频变化编码成有限符号。符号由模型自己学习，并不保证某一个符号就能被人直接翻译为“碰撞”或“倒下”。它更像机器内部使用的紧凑词表。
这套“词表”怎么学出来？
PhiZero 包含两个主要部分。
第一个是 Physical Language Tokenizer（物理语言分词器）。它观察视频中相邻时刻的状态，把每段局部变化压缩为离散符号。训练不需要人工逐条标注，而采用 自监督学习：模型从视频本身构造学习目标，再尝试重建原视频。
为了避免符号把背景和纹理也一股脑记下来，系统同时提供视频第一帧，并使用预训练的 Wan2.2-5B 扩散模型作为解码器。第一帧负责固定场景外观，解码器负责补回细节，容量有限的符号通道因而更有动力记录状态变化。训练初期，作者还把未来帧潜变量全部换成纯噪声，迫使解码器依赖物理语言，而不能只靠原有的去噪能力走捷径。
数据方面，作者从约 5 万小时真实视频开始，去重并过滤损坏画面、水印和突然转场等问题，得到约 1 万小时无标注视频用于预训练。之后再结合筛选过的真实与模拟视频，组成约 500 万段、每段 4 秒的素材进行微调。
第二个部分是 Physical Language Reasoner（物理语言推理器）。它以 Qwen3-VL-4B 为起点，读取第一帧和文字动作意图，按顺序预测物理语言符号。训练标签不由人书写，而由已经冻结的分词器从视频中提取。其训练同样分两步：先使用约 500 万段通用素材，再使用约 100 万段运动明显、物理变化更丰富的素材做专门微调。
紧凑表示真的够用吗？
论文用 500 段四秒真实视频测试重建。PhiZero 用 256 个离散符号表示第一帧之后的状态变化，PSNR 为 28.9、SSIM 为 0.903。相比之下，Wan2.2 VAE 的重建质量更高，PSNR 达 37.7，但使用了 44,800 个连续视觉 token。与同属高压缩路线的方法相比，PhiZero 在论文列出的重建指标上最好。
这个结果不能说明 256 个符号包含了完整世界状态。它说明的是：在第一帧和预训练解码器共同提供外观信息时，一小串离散符号足以支持较高质量的视频重建。
消融实验也支持这种分工。换掉预训练扩散解码器后，PSNR 从 28.9 降到 26.6；取消纯噪声预热后降到 27.9。也就是说，物理语言并非单独完成全部工作，它依赖第一帧与生成器补齐视觉细节。
基准成绩说明了什么？
在 Physics-IQ Verified 上，PhiZero 的 IQ-Score 为 41.2，高于表中次高的 Cosmos3-Super 39.5，也明显高于其解码器基础模型 Wan2.2-5B 的 21.2。该基准用规则指标比较生成视频与真实参考视频的物理结果。
在 PhyGround 上，PhiZero 的 Physics Score 为 3.01，是表中最高；总体分为 2.97，略高于 Wan2.2-14B 的 2.95。值得注意的是，它的一般画质得分为 2.93，低于 Veo3.1 的 3.01和 Wan2.2-14B 的 3.00。结果更像是物理表现与视觉质量之间的侧重变化，而不是所有维度都领先。
PhiZero 还把物理语言用于视频理解：分别编码一对“合理视频”和“违规视频”，再看推理器认为哪一串符号更可能出现。在论文给出的其中一项理解结果中，它的总体分为 56.34，高于 Gemini-2.5 Flash 的 55.63，但在 Hard 子集上为 52.38，并非最佳。这说明优势存在，但幅度有限，也不均匀。
为什么这条路线值得看？
PhiZero 最有意思的地方，不是又生成了一批更逼真的视频，而是提出了一个可复用的中间接口。作者把一段视频的物理语言保留不变，只替换第一帧中的主体或外观，再让解码器重建。论文展示了倾倒、黏性铺展和液体流动等变化跨外观迁移，也展示了把人体或手部动作迁移到不同机器人形态，以及从模拟画面迁移到真实风格的案例。
同一个接口还可以接收连续控制信号。论文在自动驾驶和机器人操作场景中展示了不同转向幅度、夹爪动作及连续视角移动。不过这些属于能力演示，适合视为应用线索，不能据此断言系统已经能承担可靠的交互式模拟。
更长远的启发是：世界模型未必只能靠不断扩大视频生成器来获得物理能力。也可以先把“世界如何变化”压缩成一种专门表示，让预测发生在这个空间，再把结果翻译回画面。PhiZero 给出了这条路线的一套完整实现。
局限与未知
- 所有效果都来自同一篇论文，尚无第三方评测或独立复现；“物理一致”不能仅凭作者展示的案例下定论。
- 物理语言是机器学习到的符号，不是可直接阅读的物理规则。论文展示了聚类结构与迁移现象，但没有证明每个符号具有稳定、清晰的人类语义。
- 当前实验主要处理四秒视频。材料没有给出更长时间推演时的误差累积、稳定性和计算成本，因此其长期模拟能力仍不明确。