所有人都在预测下一个Token，可能大家都错了！

GPT预测下一个词，Sora预测下一帧，机器人模型预测下一个动作。 整个AI行业都在做"预测下一个"的游戏。

但Orca这篇论文说：你们都搞错了方向。

预测下一个token，本质上是统计模仿。

你给它"今天天气"，它输出"真好"，不是因为它理解天气，而是因为它见过太多次这个组合。

预测下一帧，本质上是像素插值。视频模型看起来在"想象"未来，其实只是在做图像的平滑过渡。

预测下一个动作，本质上是模式匹配。

机器人看到杯子，输出"抓取"，不是因为它理解"抓"这个动作的物理含义，而是因为它在训练数据里见过太多次类似场景。

Orca的思路完全不同：预测下一个状态。

什么是状态？

不是表面的文字、像素或动作，而是背后隐藏的物理世界状态。

一个球在空中，状态包含它的位置、速度、重力影响、空气阻力，不是"球在画面中间"这个像素信息，而是"这个球正在以9.8m/s2的加速度下落"这个物理事实。

怎么学习状态？