当AI学会“不说话”

□四川日报全媒体记者 唐泽文
　　9月9日，京东全球科技探索者大会在北京举行。整个探索者大会上，最让我印象深刻的，是一副看上去并不起眼的AI眼镜。让我记住它的，不是它“看见了什么”，而是它“学会了什么时候不开口”。
　　这副眼镜接入的，是京东今年6月开源的JoyAI-VL-Interaction全模态交互模型。戴上它之后，视力障碍的人走到十字路口，它就会在车辆靠近时提示说：“注意，左后方有电动车正在接近。”当不需要提示的时候，它也不会一直“聒噪”。
　　让我记住它的原因在于，它解决了一个此前几乎没人认真对待的问题——AI不能一直说话。
　　今天的多模态大模型，大多遵循一种逻辑：用户提问，模型回答。你问，它答。这种“回合制”交互在写文案、查资料时够用，但真实世界并非静态，它一直在变化，当变化发生时，人未必有空开口。而且，一个时时刻刻都在主动说话的AI，不会显得更智能，只会更烦。
　　JoyAI-VL-Interaction把“沉默”设计成了一个需要学习的动作。每秒都在做判断：继续观察，保持沉默，还是主动回应。遇到复杂任务，交给后台智能体处理，自己继续盯着眼前，形成一套“前台实时助手+后台智能大脑”的协作机制。
　　这可能是人机交互的一次重要转向——AI不再只是“你问我才答”的工具，而是开始学习如何“在场”。
　　在这次大会上，京东还发布了实时可交互世界模型JoyAI-EchoWM。它既能根据用户移动和视角变化持续生成世界，也能同步生成720P视频、环境音、音乐和语音。
　　实际上，在大会前不久，斯坦福大学教授李飞飞创办的World Labs也发布了全球首个多模态世界模型——Atlas。Atlas 最核心的能力，是把文字、图像、视频和3D信息放进统一的空间上下文。只需一张或几张图片，它就能重建三维场景、生成新的观察视角，并让相机沿指定轨迹在其中移动，同时保持空间结构的一致性。与主要生成二维画面的传统视频模型不同，Atlas将文本、图像、视频、相机位姿和三维深度信息纳入同一个模型框架。
　　李飞飞本人将这一时刻称为“里程碑”。其实早在今年3月，国内空间智能团队影溯开源的世界模型InSpatio-World就已经具备了类似能力——输入一段普通视频，就能构建一个可以继续探索的动态4D场景。
　　Atlas和InSpatio-World虽然技术路径不同，但指向了同一种变化：世界模型正在从“生成一段看起来合理的视频”，走向“围绕一个持续存在的空间状态，生成不同位置、不同视角下的观测结果”。
　　据此推导，AI正在从“数字空间”走向“物理空间”。
　　谁参数量更大、谁上下文更长、谁推理能力更强已经是过去式。下一阶段的竞争，是谁能让AI真正理解物理世界的运行规律，并能与真实环境进行闭环互动。
　　这个互动，很难。但不管怎样，这段路，大家当下已经开始走了。
　　希望这副懂得“不说话”的AI眼镜，能成为AI从“识别世界”走向“理解世界”的那个转折点。