2026年8月20日，德国不来梅，IJCAI–ECAI 2026大会现场，斯坦福大学计算机科学助理教授吴佳俊（Jiajun Wu）走上讲台，接下人工智能领域青年学者最高荣誉之一的「计算机与思想奖」（Computers and Thought Award），并发表题为《Building Visual and Physical Intelligence Through Code》（通过代码构建视觉与物理智能）的获奖演讲。

这不是一场关于“大模型又强了一点”的汇报，而是一次对生成式AI时代根本困境的冷静回切：当机器能凭一张照片画出整个世界的外貌，它真的“懂”这个世界吗？如果推开那扇门，杯子会不会倒、水流会不会停、椅子能不能坐？吴佳俊给出的回答是——像素只是表象，大模型生成了运动学，但唯有“物理代码”才能通向动力学与因果关系；我们要做的，是从一张照片里，逆推出世界深藏的源代码。

“代码”不是程序，是世界本身的源代码

演讲标题里的“代码”，容易被误读成Python或C++。吴佳俊特意澄清：他真正想接续的是神经符号AI（neuro-symbolic AI）那条老脉络，但“符号”一词在深度学习狂飙年代曾被冷落，于是他换了个更直白的说法——“物理代码”（Physical Code）。

所谓物理代码，不是人写给人看的脚本，而是物理世界自己用来“编译”出视觉观测的内在结构：

几何：物体形状、尺度、位姿、部件层级；

外观：纹理、材质、反射率、光照；

物理：质量、摩擦、弹性、流体参数；

关系：对称性、重复性、组合语法、可供性（affordance）。

这些结构几十年来藏在计算机图形学、物理模拟、逆图形学（inverse graphics）、Marr的2.5D草图传统里。吴佳俊的核心判断是：基础模型在语言空间压缩了“人类说过的话”，视频模型在像素空间模仿了“世界长什么样”，但面对摩擦、碰撞、抓取、倒置水杯时仍会露怯，因为它们没触达“世界为什么这样”的因果层。而物理代码，就是那把从感知表象下钻到因果结构的钥匙。

从一张照片逆推：逆图形学的新生命

演讲最迷人的一句潜台词是——“从一张照片，逆推一个世界”。这其实是逆图形学经典理想的复活：给定一张2D观测，推断产生它的3D场景表示（几何+材质+物理+组合结构），再正向渲染回去应与原图一致。

但吴佳俊没有退回1970年代的符号手工系统，也没有全盘押注端到端Scaling。他走了第三条路：

路线一：把物理代码当作归纳偏置（inductive bias）缝进学习闭环。

没有3D标注？没关系。我们知道图形引擎怎么把几何、纹理、材质渲染成图像，知道物理引擎怎么让牛顿摆撞出节奏。把可微分渲染/模拟器嵌进神经网络，让单张图片通过“重建一致性”自我监督，逼网络吐出的不是像素，而是几何、纹理、材质参数。系统从单物体扩展到百类物体，从静物走到微波炉门、水龙头、牛顿摆这类带状态空间的动态体，甚至从一张图估出“这东西能怎么被用”——即可供性。

路线二：让预训练基础模型“接地”到物理代码。

另一条互补路径是，不从头学结构，而是拿LLM/视觉基础模型做泛化前端，把它们的语义想象力锚定到物理代码的因果骨架上，避免生成“看着对、碰了就穿模”的幻觉世界。

两条路一句话概括：一条用物理规律教神经网络别乱猜，一条用基础模型教物理系统别只会摆积木。

「计算机与思想奖」自1971年Terry Winograd、1979年David Marr以来，奖励的从来不是“刷分最高的模型”，而是重新框定问题的人。吴佳俊的工作恰恰在框定问题上回到Marr式提问：视觉的目的是恢复“是什么、在哪里、为什么动、碰了会怎样”，而非只生成“像不像”。

他的特殊位置在于跨界不留痕迹：

清华姚班训练的结构直觉；

MIT随Bill Freeman、Josh Tenenbaum习得的认知科学视野；

斯坦福把视觉、物理、机器人、心理学拼成同一张图。

IJCAI颁奖词写的是“联合神经与符号表示，构建理解并与物理世界交互的机器”——这句话翻成白话就是：别再让AI当个只会修图的观众，让它成为能进厨房知道水杯倒了要扶、能进工厂知道齿轮卡了要退的“物理参与者”。

对生成式AI幻觉的根治尝试

当下视频生成模型能凭一句prompt造出奔跑的兽群，但兽腿会穿地、水花不反弹。吴佳俊的锋利点在演讲里被反复压住说：视觉像素只是表象，物理结构才是因果。大模型给了运动学（谁先动、怎么动好看），物理代码才给动力学（动了之后受力如何、能量去哪了）。缺了后者，世界模型（world model）只是“世界壁纸”。

这也解释了为何他把“可供性”单独拎出来：人看一把椅子，不只认出它是椅子，还立刻知道能坐、能垫脚、能砸碎。机器若只做识别，永远是旁观者；只有把状态空间（开/合/满/空）与物理参数一起逆推出来，机器人才能真正规划“手伸多长、力用多大”。

一张照片背后的认识论：世界是可 decompile 的

把演讲再往上拔一层，吴佳俊其实在重申一种温和的理性主义：世界不是无限像素流的偶然堆积，它自带对称、层级、组合语法——像一段被渲染成图片的源码。AI的下一步，不是更大规模吞噬数据，而是学会decompile：把观测解回几何、材质、物理与关系，再正向模拟未来。

这介于两个极端之间：

纯端到端派信“数据够大，因果自现”，但碰壁于物理交互；

纯符号派信“人写规则，机器执行”，但败于开放场景泛化。

吴佳俊取其中：用神经网抓泛化，用符号/物理代码保因果。从清华到MIT到斯坦福，他十几年没换过问题——机器如何从原始感知走向对物理世界的真正理解；只是答案从“逆推一张图”长成了“逆推一个可交互的4D世界”。

逆推世界，是为了能走进世界

不来梅的教堂、河心岛、动物雕塑，被吴佳俊拿来当开场图：天花板的对称、雕塑的堆叠相似、建筑的重复柱式，都是物理代码在人类设计里的显影。当他站在IJCAI讲台说“从一张照片逆推一个世界”时，真正的落点不在图像学，而在具身智能——只有当机器从像素下钻到几何、材质、可供性与因果，它才不再是生成画面的模型，而是能拧开水龙头、扶起倒杯、在陌生房间里不撞墙的agent。

计算机与思想奖奖励的，正是这种把“思想”（符号、因果、结构）重新写回“计算机”（神经网络、基础模型、机器人）的尝试。一张照片是入口，逆推是方法，世界是可被理解的代码，才是吴佳俊留给后Scaling时代最硬的一句话。

文章精选：

1.图灵奖得主姚期智最新演讲： AI有边界，恰恰是好事