ChatGPT 之后，多数实验室追的是同一套配方：给语言模型接一个视觉编码器，或者用扩散模型生成图像。北京有一家机构偏不走这条路，最后把成果送进了《自然》（Nature）。
北京智源人工智能研究院（BAAI）成立于 2018 年，黄铁军（Huang Tiejun）是创始院长，如今担任理事长。在大模型（large model）成为热词之前，智源就押了一笔不寻常的注：2020 年，也就是 ChatGPT 问世前两年，它集中科研力量转向大模型方向，并在 2021 年让"大模型"这个词在国内普及开来。
已经核验的几个事实
- 智源的 Emu3 论文《Multimodal learning with next-token prediction for large multimodal models》发表于《自然》2026 年第 650 卷第 8101 期第 327–333 页（DOI: 10.1038/s41586-025-10041-x），黄铁军为通讯作者之一。
- 据中国科技媒体与《自然》本身的信息，该结果于 2026 年 1 月 28 日在线发表、2 月 12 日纸质刊出，并被报道为"中国科研机构主导的大模型成果首次登上《自然》正刊"。
- Emu3 用单一的"预测下一个词元"框架，统一了文本、图像、视频的理解与生成，并延伸到机器人操作的视觉—语言—动作（vision-language-action）建模。
- 智源已开源 200 多个模型，并于 2025 年 6 月发布"悟界（Wu Jie）"系列，面向世界模型、具身智能与 AI for Science。
一笔当时看起来"错"的赌注
当智源在 2020 年起步做大型模型时，行业主流偏向分而治之：理解用对比学习，生成用扩散模型。把自回归"预测下一个词元"用到所有模态上，被认为优雅但冒险。黄铁军坚持了下来，数月内便推出悟道 1.0、再三个月推出悟道 2.0，而当时国内多数玩家尚未真正转向这一范式。
回报以可引用的方式出现。Emu3 完全抛弃扩散模型与"视觉编码器+语言模型"的组合架构，把文本、图像、视频统一离散化为同一种词元，用一个 Transformer 预测下一个词元。《自然》审稿意见指出，Emu3 在生成与感知任务上可与专用模型相当，还展示了连贯的视频生成、图文交错输出，以及对机器人的视觉—语言—动作控制。
从数字世界走向物理世界
黄铁军更长期的判断是：下一处前沿不是更大的聊天机器人，而是能理解物理世界的模型。智源 2025 年的"悟界"发布正对准这一点——世界模型、跨本体具身大脑、数字孪生心脏、脑科学基础模型；2026 年又推出悟界·Physis-v0.1，定位为国产通用物理世界基座模型。
他工作里一条反复出现的线索是"观察的速度"。借鉴灵长类视网膜原理，智源推进"脉冲视觉"相机，只测单像素光强、只在场景变化处计算。其主张是：这类传感器能为世界模型提供普通帧相机给不了的高保真、高速物理数据。而 Emu3 已把图像、视频、动作表达为同一种词元，于是机器人任务也成了"预测下一个词元"的一步，而不必再外挂一套视觉栈。这正是从"会描述世界"的聊天机器人，走向"能在世界里行动"的智能体的桥梁。
为什么这事超出实验室
一篇《自然》论文不等于一个产品，但它标出了研究议程指向哪里。智源的态度——守住统一、可扩展的路线，而不是追逐最快的 demo——让它成为少数把具身与世界模型当作第一性原理问题、而非工程补丁来对待的机构。对中国 AI 领域而言，Emu3 还有符号意义：一篇由中国机构主导的大模型论文，登上了外界也尊重的顶刊。
诚实的局限
本文把 Emu3 的《自然》发表，以及"中国主导大模型论文首登《自然》正刊"的表述，视为期刊与中国科技媒体的报道，未重复实验。与扩散或组合架构的性能对比，来自论文摘要与二手报道，未独立基准测试。智源的世界模型与脉冲视觉仍属早期研究，真实部署与商业影响尚未被证明。开源模型数量为机构口径，会持续变化。
普通人现在能做什么
- 如果你用开源模型，智源的 Emu3 与"悟界"系列值得在统一文本—图像—视频任务上试一试，单一框架能简化你的管线。
- 对研究者而言，下一个词元预测路线现在已是扩散模型之外 legit 的多模态选项——下结论前先读那篇《自然》论文。
- 对普通读者，信号是：中国 AI 研究不只在使用模型，也在争夺方法论的核心问题，而一家北京机构刚把这一主张写进了外界尊重的期刊。