TL;DR

传统的视频生成模型在预测未来时总在忙着“画图”，而忽视了“运动”本身。Myriad 另辟蹊径，抛弃了昂贵的像素渲染，通过自回归扩散模型预测稀疏点轨迹。它不仅在速度上快了 3000 倍，更能在同等算力下探索数千个可能的未来分支，让 AI 像人类一样通过“脑补”轨迹来理解物理世界的因果。

背景定位：世界模型的“视觉税”难题

当下的生成式人工智能（如 Sora 或 Gen-2）在生成连贯视频方面令人惊叹，但在作为“世界模型”服务于具身智能或决策规划时，它们存在一个致命弱点：视觉税 (Visual Tax)。

简单来说，如果你只想知道踢一脚球后球会滚向哪里，你并不需要实时渲染出球上的纹理、草地的阴影或观众的脸。但现有的模型会将 90% 的参数和计算量浪费在这些与动力学无关的表观细节上。这导致它们在需要进行快速假设验证（Counterfactual Reasoning）时显得笨重不堪。

痛点深挖：为什么“一步到位”和“像素密集”行不通？

1. 密集的负担：视频模型预测整个潜在空间，导致采样分支（Branching）极其昂贵。
2. 长程推断的崩溃：许多模型尝试“一跳”预测未来几秒的结局（One-shot），但在现实世界的动态交互链中，微小的扰动会迅速放大，单次跳跃无法捕获复杂的交互序列。

图 1：Myriad 的运动令牌构造。通过融合初始位置的“外观”和当前位置的“语境”，模型学会了理解“什么在动”以及“它在哪里动”。

Methodology：动力学中心的稀疏模拟

Myriad 的核心逻辑是将动态场景简化为一组稀疏点。它的架构设计堪称精妙：

1. 运动令牌 (Motion Tokens) 的多维融合

模型不是孤立地看点，而是为每个点构建了包含“Who, What, Where”信息的 Token：

• What (外观)：从初始帧的原始坐标提取特征。
• Where (局部上下文)：从当前轨迹点位置提取特征。
• Who (身份)：使用随机单位向量作为轨迹 ID，实现对任意数量轨迹的零样本外推。

2. 快速推理块 (Fast Reasoning Blocks)

为了追求极致的 Rollout 吞吐量，作者改进了 Transformer 层。通过融合自注意力和交叉注意力，减少了 Kernel 启动次数，使推理速度提升了 2 倍以上。

3. 流匹配 (Flow Matching) 后的重尾分布处理

现实世界的运动规律通常呈重尾分布（即大部分时间不动，一旦动起来可能产生剧烈位移）。Myriad 引入了一个多尺度缩放级联 (Scale Cascade)，通过对输入进行 tanh 饱和处理，确保模型既能捕捉极其微小的震动，也能稳定预测巨大的运动跳跃。

实验与结果：速度与精度的双重碾压

作者在自建的 OWM (Open-World Motion) 基准测试上进行了严苛的对比。

性能对比

在同等 5 分钟的计算限制下，Myriad 由于每分钟能生成 2200 个样本（远超 SVD 的 0.7 个），它能覆盖更多的概率空间。

• ADE (平均位移误差)：在 OWM 上，Myriad 的误差仅为 SVD 的 1/10 左右。
• 物理决策 (Planning)：在复杂的台球规划实验中，Myriad 展现了惊人的能力。它能通过快速模拟数千种击球力度和角度，选出最优路径，准确率达 78%，而基于视频生成的基线仅为 16%。

表 1：在各个物理诊断集中，Myriad 凭借极高的吞吐量在 Best-5min 指标上形成了断层领先。

深度洞察：预见的本质是抽象

Myriad 的成功揭示了一个深刻的道理：智能的本质是抽象 (Abstraction)。人类在思考未来时，大脑中运行的不是 4K 视频，而是抽象的对象轨迹和因果联系。

局限性与挑战

尽管表现卓越，Myriad 目前主要假设相机静止（Static Camera）。虽然作者尝试通过 3D 到 2D 的投影来补偿相机运动，但在剧烈抖动的真实现场视频中，如何完美解耦“物体动”与“相机动”仍是一个开放性课题。

总结

Myriad 为世界模型的构建提供了一条高效、优雅的新路径。它不画图，只看路。通过对稀疏轨迹的自回归扩散，它让 AI 能够在大规模开放世界中快速迭代成千上万种假设。对于未来的具身智能和高速决策系统，这种“动力学优先”的思想或许比单纯的视频生成更具启发性。