多年来，AI 领域一直有个经典名场面：OpenAI 等巨头忙着烧钱让 Sora 逐帧生成高清画质视频，而图灵奖得主杨立坤却一直在“唱反调”——别在像素点上浪费算力了，真正的世界模型根本不需要生成画面，而是要在抽象的空间里预测未来！

早在 2022 年，杨立坤就画下了“分层世界模型”的理论蓝图。

如今，团队终于给出了第一个能“端到端训练”的落地方案。

这套架构最精妙的地方，在于它给 AI 建立了一个高效的“CEO 与打工人”分层职场体系。

以前的单层世界模型（比如 LeWorldModel）就像一个悲惨的单打独斗者：既要思考几百步之后的迷宫出口在哪，又要时刻绷紧神经，盯着眼前机器人左前腿的关节角度到底弯了 30 度还是 35 度。这种把战略规划和微观动作搅在一起的机制，就像让公司 CEO 边制定五年上市计划，边亲手去修理洗手间漏水的水龙头——规划稍微远一点，大脑立刻爆缸。

而 H-JEPA 延续了 JEPA 不生成像素的抽象预判思路，并将其升级为多层规划：

高层就像 CEO，站在遥远的未来俯瞰大局（比如一次预测 20 个环境步长），它压根不关心机器人的腿姿摆得美不美，只关注全局位置和走廊通道；

中层就像项目经理（10 个环境步长），把高层的抽象指令拆解成中期子目标；

底层则像一线打工人（5 个环境步长），专门处理具体的肌肉控制与迈步指令。

更关键的是，以前的层次模型（如 HWM）虽然分层，但所有层级都在挤着使用同一套环境特征。而 H-JEPA 让每一个层级都学习属于自己的抽象特征。在迷宫测试中，高层模型会自动过滤掉腿部抖动等低级高频噪音，只保留二维坐标。用最干货的信息，做最长远的规划。

数据展现出了压倒性的优势：在 Visual AntMaze 仿真迷宫测试中，三层结构的 H-JEPA 规划成功率高达 73.3%，而单层 LeWorldModel 仅有可怜的 18.0%。不仅成功率飙升了近 4 倍，H-JEPA 所消耗的规划算力（FLOPs）反而比单层模型更少！

不过，这项研究也顺便揭示了一个搞笑的人类社会规律：大企业病在 AI 模型里同样存在。

研究团队在模拟推物体的 Push-T 任务中发现，三层模型的表现反而不如两层模型。道理很朴素——推个盒子这种几秒钟就能搞定的简单任务，你硬安排三层管理干部分工汇报，光是层层传达子目标就产生了严重的管理内耗。

除了仿真迷宫，团队还在真实机器人录像数据集 DROID 上进行了离线测试，H-JEPA 预测的动作轨迹远远比单层模型更接近人类专家的示范。

当大语言模型在文本堆里幻觉连篇、视频大模型在像素阵里狂烧 GPU 时，杨立坤用 H-JEPA 证明了：懂得“抽象”与“分权”的脑子，才是通向真实物理世界的正道。

这套“CEO 规划方向，打工人拧螺丝”的架构，可以说是把现代管理学玩明白了。