Y COMBINATOR · DECODED
這支訪談把一個抽象詞拆回控制、狀態與後果：若系統能抓住世界裡真正重要的變化，就不必靠無止盡的試錯才能學一件事。
原始發表日期：2026 年 7 月 17 日 · 74 分 27 秒
PART 1 · 問題不是資料少，而是試錯太貴
影片把「樣本效率」放在核心：系統是否能從相對少量的經驗，學到可轉用的新技能。這不是宣稱人腦與模型可直接類比；它是指出，真實世界裡每次嘗試都有時間、成本與安全邊界，不能把所有學習都交給暴力試錯。
在棋盤上，規則固定、可模擬、輸贏清楚。到了無人機、駕駛或機器人，感測雜訊、物體互動與例外情況會一起湧入。資料量仍有用，但「什麼經驗值得記住」變成更根本的問題。
PART 2 · 世界模型不是影片生成器
受訪者以控制理論和物理作對照：一個有用的內在模型，不必把世界每一個像素重畫一遍；它要能表示與目標相關的狀態，並推估施加控制後會發生什麼。這也是影片談到 JEPA 與 latent space 時的重點：預測可以在表徵空間進行，而不只是預測下一個可見像素。
這是研究方向與框架，不是已經解決機器人或通用智慧的證明。哪些資訊可省略、表徵能否跨情境保留因果關係、以及錯誤如何累積，都仍是開放問題。
PART 3 · 下棋容易，不代表駕駛容易
影片用 chess、Go 與自駕／機器人對比。棋類的可選行動雖多，卻有清楚規則與封閉盤面，因而能配合搜尋與模擬。真實環境的狀態空間近乎無限：抓取角度、摩擦、延遲、遮擋與其他人的行為都可能改寫結果。
所以「更多算力」不是毫無價值，但它不能取代正確的抽象。若系統沒有學會哪些變化重要，就可能在巨大搜尋樹裡耗費資源，仍無法把一次經驗遷移到下一個近似但不同的場景。
PART 4 · 研究進度應如何被檢查
這支 Decoded 不把世界模型說成單一產品功能，而是把它當成一組研究問題：模型是否知道自己的狀態表示少了什麼？能否用反事實或新條件測試？能否在少量、受限且可驗證的互動裡改善？這些問題比單次 demo 更接近樣本效率的實質。
對使用者與產品團隊，較務實的結論是：當 AI 要從文字進到操作工具、控制設備或協助高代價決策時，評估不該只看答案是否流暢，也要看它如何處理不確定、何時需要更多觀察，以及能否讓人檢查它的假設。
「真正困難的不是讓系統看見世界，而是讓它知道：我的行動會改變什麼。」
這是依據影片對控制、狀態與世界模型的討論所作的閱讀引導，不是受訪者的逐字引言，也不是對現有 AI 能力的保證。選一個你最在意的檢查點，看看它對應的風險。