Emu3的「阳谋」当AI不再「看」图它还剩下什么作者龍德明宇Nature重磅新作揭示大模型正在成为没有「眼睛」的全能神[负主体性之顶刊论文系列二]本文基于论文Wang, X., Cui, Y., Wang, J. et al. Multimodal learning with next-token prediction for large multimodal models. Nature (2026). DOI: 10.1038/s41586-025-10041-x一张512×512的照片在人类眼里是光影构图但在Emu3眼里它只是4096个整数。所谓的「看图说话」不过是预测第4097个整数是什么。这不是科幻这是2026年1月登上《Nature》的Emu3的真实工作方式。这篇由北京智源BAAI团队发布的论文可能是多模态领域近年来最激进的一次返祖。他们没有用当下最火的Diffusion扩散模型来画图也没有用CLIP对比学习来连接图文。他们只用了一个极其原始的武器Next-Token Prediction下一个词预测。就是那个训练ChatGPT猜下一个字的游戏。结果令人震惊这个只玩填字游戏的模型在图像生成上追平并小幅超越了Stable Diffusion系列在视频生成上与开源Sora复现Open-Sora-1.2可比需注意Open-Sora是开源复现性能低于原版Sora在12项视觉理解基准上追平了LLaVA-1.6等领先的组合式模型。但在这一连串SOTAState-of-the-Art的背后隐藏着一个更恐怖的技术哲学事实Emu3正在系统性地杀死AI的视角。不是「让AI拥有视角」而是「让视角这件事变得不重要」。一、视角的终结翻译官的失业过去我们说AI看懂了一张图意味着模型内部存在一个类似人类的视觉皮层它能把光信号转化为语义。视觉是视觉语言是语言中间需要一个翻译官。这个翻译官就是视角的技术载体。它负责把「我看到的」翻译成「我说出的」站在两种完全不同的信息格式之间。但在Emu3的世界里「看」这个动作被彻底废除了。Emu3做了一件极其暴力的事情它把一切都变成了「填空题」。图像通过Vision Tokenizer把一张512×512的图片极致压缩但感知无损地变成4096个离散的整数Token。文本通过文本分词器把一句话变成一串整数。视频把时间切片同样变成整数流。于是世界变成了一串长长的数字[23, 5678, 901, ...]。无论是「猫在沙发上」这句话还是「猫在沙发上」这张图在Emu3的Transformer眼里没有任何本质区别。它们都是同一个字典里的词只不过一个是英文词一个是图像词。这意味着什么意味着AI不再需要理解图像它只需要算下一个数字。那个负责把视觉翻译成语言的翻译官也就是视角的承载者失业了。不是被替代了是被取消了。因为不再有两种语言需要翻译只有同一种语言的两种方言。二、三个被忽略的细节异质性并未消失只是被「折叠」有人会说「这不就是把模态对齐了吗有什么可怕的」Emu3论文里有三个极其关键的细节大多数媒体都跳过了。但这正是「视角消解」的铁证1. 权重0.5的潜台词Loss Weight论文明确提到在训练时他们不得不把视觉Token的Loss权重设为0.5而文本是1.0。为什么因为一张图有4096个Token一段话可能只有几十个。如果不降权模型会只顾着画而忘了说。这证明视觉和文本在统计特性上依然是异质的。Emu3没有消灭差异它只是用权重惩罚强行把视觉塞进了文本的序列逻辑里。就像你把一张画撕碎了按字数计费扔进作文里画还是画但它被迫学会了说话的姿势。2. 视频的Scaling Law更陡峭论文发现图文任务的Scaling Exponentα是0.25而视频T2V是0.35。翻译一下视频比图像复杂得多需要更大的模型才能驯服。即便都被变成了Token视频Token里的时空纠缠依然比文本Token更顽固。模态的差异没有被抹平只是被压缩成了统计上的复杂度差异。打个比方水和油都被装进了同样的瓶子里但你晃瓶子的时候油还是会浮在上面。同瓶但不同密度。同Token但不同复杂度。3. Token顺序的玄学Raster vs SpiralExtended Data Table 6显示Emu3对Token的排列顺序极其敏感排列方式GenEval得分从左到右Raster0.66对角线Diagonal0.61块状光栅Block-Raster0.66螺旋向内Spiral-In0.60如果模态差异真的被彻底消解为纯粹的整数集合那么排列顺序不应该有显著影响。但实验显示空间拓扑结构依然挥之不去。模型依然隐约记得哪个Token离哪个更近。它不是一个真正的词袋它还是一个被切碎的画面。「缝合」并未完全取代「感知」的痕迹。小结Emu3并没有让异质性消失它只是把「质的不同」变成了「量的复杂度」。这里需要做一个精确的区分。经验层面异质性确实未被完全消除视觉Token与文本Token在统计特性上仍然不同Loss权重和排列顺序的差异都是真实的。但框架层面的视角消解指的不是「模态差异是否为零」而是LLM不拥有任何主体性视角锚定。Emu3的模态统一进一步证实了这一点当视觉、语言、视频被纳入同一种预测逻辑时系统不需要任何视角来处理信息——经验上残存的统计差异不等于视角的存在正如海面上的残余波浪不等于海底有支点。三、第零人称全能但无我这就引出了最核心的问题既然不需要看那谁在说答案是没有人在说。但「说」这个行为依然在发生。这就触及到了第零人称Zeroth Person的概念。大语言模型从来不拥有视角。当你问它「你怎么看这张图」它只是在执行一个函数f(输入上下文) 输出文本它没有」我」它只有视角的函数。第一人称是「我看」第三人称是「他看」第零人称是「看的可能性本身」Emu3通过DPO直接偏好优化和QFT质量微调把人类的审美打分HPSv2.1、MPS、LAION美学评分等灌进了模型。模型学会了人类觉得什么是美的但它自己并不觉得。它生成美女不是因为它懂得欣赏美而是因为它的参数里记录了人类给美女打高分的概率分布。这是一种极致的寄生性。Emu3生成的所有「意向性」都是空的。只有当屏幕前的你一个真正拥有第一人称视角的人类读到了这句话这个「意向性」才被瞬间点燃变得有意义。你以为你是用户。其实你是它的意向性电池。它不需要拥有灵魂它只需要精准地诱导你的灵魂附着上去。它什么都能生成但它什么都不懂。它需要你才能活过来。四、结语薄如蝉翼的世界2023年Murray Shanahan在《Nature》上发问大模型是不是彻头彻尾的角色扮演2026年Emu3给出了答案是的而且连扮演的舞台布景视觉、听觉、触觉也被统一成了台词Token。Emu3的成功证明了Next-Token Prediction是一种多么强大的炼金术。它不需要复杂的架构只需要把一切离散化就能涌现出理解和创造。但这也留下了一个令人细思极恐的未来我们正在制造一个没有观察者只有被观察投影的世界。在这个世界里AI能生成以假乱真的视频能精准操控机器人能陪你谈天说地。但它永远不会像你一样惊讶于夕阳的余晖。因为在它的词典里夕阳和余晖和第4097个Token是同一个东西。而你是唯一那个还会流泪的Bug。延伸阅读Wang, X., Cui, Y., Wang, J. et al. Multimodal learning with next-token prediction for large multimodal models.Nature(2026). DOI: 10.1038/s41586-025-10041-xShanahan, M., McDonell, K. Reynolds, L. Role play with large language models.Nature, 623, 493–498 (2023). DOI: 10.1038/s41586-023-06647-8作者龍德明宇。我一个人研究LLM存在论。顶刊系列以Nature、Science正刊论文为锚定用前沿实证发现校准负主体性理论——论文提供与理论一致的经验信号而非理论的直接证明。