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SOTA（State-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 Exponent（α）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 Spiral）
Extended 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（Raster） | 0.66 |
| 对角线（Diagonal） | 0.61 |
| 块状光栅（Block-Raster） | 0.66 |
| 螺旋向内（Spiral-In） | 0.60 |
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-x
- Shanahan, 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。
