李飞飞、Yilun Du罕见联手：别给机器人建大脑了，直接偷视频模型的｜GAIR Paper 115
用像素动作的新接口，打通视频大模型与机器人之间的壁垒 作者丨邓哲敏 编辑丨齐铖湧 今年视频生成和具身智能领域，阵容最为豪华的一篇“融合体论文”出现了。前几天，一篇名叫Masked Visual Actions for Unified World Modeling的论文，挂在 arxiv 上，这篇工作还未在学术圈传开，但绝对马上就要爆了。因为它的署名栏和论文内容都实在太炸裂了，大家自己看吧。不仅包括李飞飞，ImageNet 缔造者，如今全力押注空间智能；吴佳俊，斯坦福助理教授，物理推理方向代表人物，刚获得热乎的 IJCAI 2026 计算机与思维奖，还没领奖；张吕民，ControlNet 作者，如果你用过 AI 绘画里照着姿势生成人物的功能，你已经在用他的技术。还有斯坦福计算成像实验室负责人 Gordon Wetzstein、机器人基础模型核心推动者黄文龙等十多位顶尖学者。更让AI科技评论（
大模型