在大多数人的印象里，多模态大模型的“聪明”体现在能看图说话、文生图、甚至生成短视频。但10月30日北京智源人工智能研究院发布的悟界·Emu3.5，却试图打破这一边界——它不再满足于“描述世界”，而是要“操作世界”。
这不是一次常规的模型迭代。Emu3.5首次将“下一状态预测”（Next-State Prediction, NSP）作为核心架构，把文本、图像、动作甚至环境反馈统统编码为一个连续的状态序列，让模型像人类一样，通过预测“接下来会发生什么”来决定“现在该做什么”。这种机制，让AI从被动响应的“语言翻译器”，转变为具备主动规划能力的“智能体”。
从“看图说话”到“动手改图”
传统多模态模型面对“把咖啡杯移到桌子右边并调亮色调”这类指令，往往只能生成一张新图，无法保证操作的连贯性或物理合理性。而Emu3.5则能分步推理：先识别对象与空间关系，再模拟移动后的光照变化，最终输出符合视觉逻辑的结果。这种能力被称为“具身操作”——即模型在虚拟或现实环境中具备“身体感”和行动力。
实测显示，Emu3.5不仅能根据“赛博朋克雨夜街道”的文字生成高细节图像，还能对已有视频进行动态干预，比如让奔跑的角色突然停下、转身，动作流畅且符合物理规律。更令人惊讶的是，它支持语义级编辑，用户只需说“换成复古西装”，无需圈选区域，模型便能精准替换服装风格并保持光影一致。
为什么“预测下一步”如此关键？
NSP的本质，是让AI学习世界的演化规律。就像婴儿通过不断尝试和观察来理解“推倒积木会塌”，Emu3.5通过海量多模态序列（据称训练数据超10万亿token）学习“输入—动作—结果”之间的因果链条。这种训练方式，使其在未见过的场景中也能泛化出合理行为，为机器人控制、自动驾驶、虚拟助手等需要闭环决策的领域打开新可能。
不只是技术突破，更是范式迁移
过去，多模态模型常被诟病“模态割裂”——图像和文本各自编码，再强行对齐。而Emu3.5将所有模态统一为可预测的状态流，实现了真正的跨模态协同推理。这意味着，未来用户或许只需用自然语言指挥AI完成从设计海报、剪辑视频到操控机械臂的一系列任务，无需切换工具或掌握专业技能。
智源研究院透露，Emu3.5将率先落地于教育（如自动生成互动课件）、医疗（融合影像与病历的多模态诊断）和娱乐（AI导演系统）等场景，并计划开源部分能力以推动生态建设。
结语：AI的“手”终于长出来了
如果说GPT教会了AI“说话”，Stable Diffusion教会了它“画画”，那么Emu3.5正在赋予它“动手”的能力。当大模型不再只是世界的观察者，而是能参与其中、改变其中的行动者，通用人工智能的轮廓或许正变得清晰起来。而这一切，始于一个朴素却深刻的信念：理解世界，不如学会预测它下一步的样子。