Code-as-World：用可执行代码重构物理智能的理解范式
在人工智能快速演进的今天，生成模型已经能够以惊人的精度复现视觉世界的表象——无论是高清图像、连贯视频，还是复杂的三维场景。然而，这种“看起来像”的能力，并不等同于“理解得对”。正如一句深刻的洞察所言：“像素告诉我们世界如何呈现，物理代码解释世界为何如此运行。”这一区分，恰恰揭示了当前AI在物理理解上的根本局限：它擅长描述现象，却难以触及机制。
人类面对一个滚动的球、一个倾倒的积木塔或一场雨后的水洼，不会仅仅记住每一帧画面的像素分布。相反，我们会调用诸如质量、重力、摩擦力、动量守恒等抽象概念，去解释为何物体会如此运动。这种基于机制的理解，具有极强的泛化能力——无论球的大小、材质或斜坡角度如何变化，我们都能做出合理预测。而当前主流的生成式AI，即便能合成一段看似合理的视频，也未必知道其中是否存在违反牛顿定律的瞬间。问题的核心在于：什么样的表征，才能支撑真正的物理理解与推理？
现有的世界表征方式各有侧重，却都存在盲区。像素保留了丰富的感官细节，但将因果关系深埋于结果之中；3D重建恢复了几何结构与空间关系，却无法自动解释物体为何加速、碰撞或静止；自然语言虽能简洁表达实体与事件，却难以精确刻画连续轨迹、接触力或瞬时加速度。这些表征要么过于隐式，要么缺乏可计算性，难以支撑深层次的物理推理。正是在这一背景下，MirroS提出的 Code-as-World 框架，试图开辟一条新路径：用可执行代码作为理解物理世界的核心表征。
Code-as-World 的核心思想是将观测到的现实世界，主动重建为一段可运行、可干预、可验证的程序。这段代码不再只是对视觉结果的拟合，而是对世界内在结构的显式建模。它包含三个关键维度：Composition（组成）、Evolution（演化） 和 Appearance（外观）。Composition 描述世界中存在哪些对象，它们的质量、形状、材质、摩擦系数等物理属性；Evolution 刻画这些对象如何随时间变化——包括初始状态、运动方程、碰撞响应和事件触发；Appearance 则定义观测条件，如相机位置、光照、背景和渲染参数。三者结合，构成一个完整的、可执行的“世界假设”。
这种表征的优势在于其双重身份：它既是描述，也是模拟器。你可以修改其中任意参数——比如将一个球的质量加倍，或将重力方向反转——然后重新运行整个程序，观察世界如何随之演化。这种“编辑即干预”的能力，远超传统生成模型在像素层面的微调。更重要的是，代码的可执行性使其具备可证伪性。一个错误的世界假设，在执行后会暴露出与观测不符的轨迹、速度或交互结果，从而为修正提供明确方向。
那么，如何从一段模糊、带噪声的真实视频中，逆向推导出这样一段精确的代码？Code-as-World 并未将其视为一次性生成任务，而是构建了一个 agentic discovery loop（智能体发现循环）。该过程模拟科学发现中的溯因推理：从有限证据出发，不断提出最可能解释观测的机制假设，并通过实验验证其有效性。具体而言，系统首先将输入（文本或视频）转化为结构化证据——文本中提取实体与事件，视频中则进一步解析深度图、实例分割掩码和3D轨迹。随后，智能体进入五个阶段的迭代循环：
- Propose（提出）：基于当前证据和历史反馈，生成或修改世界代码；
- Instantiate（实例化）：将抽象代码编译为可执行的物理模拟程序；
- Execute（执行）：运行模拟，获得完整的状态序列（位置、速度、接触力等）；
- Render（渲染）：将状态序列转换为可观测的视频帧；
- Verify（验证）：将渲染结果与原始输入逐项比对，量化差异并生成修正建议。
这一循环的关键在于：错误不是失败，而是信息。每一次验证暴露的偏差，都会被转化为对世界组成、动力学规则或观测条件的具体质疑，从而指导下一轮更有针对性的假设调整。这种“利用错误学习”的机制，使得系统能够逐步逼近真实物理规律，而非依赖海量数据的统计拟合。
更深远的影响在于，Code-as-World 为物理智能的训练提供了可规模化的监督信号。现实中，绝大多数视频并不包含底层物理标签——我们看不到物体的真实质量、瞬时加速度或接触点法向力。这导致物理推理模型长期面临“有数据无标签”的困境。而一旦将视频背后的物理世界重建为可执行代码，所有隐藏状态便自然浮现：模拟器输出的不仅是像素，还有精确的3D轨迹、时间戳、速度场和事件日志。这些信息构成了高质量的物理监督，可用于训练下一代视觉语言模型（VLM）。
实证结果令人振奋。基于Code-as-World生成的数据，MirroS训练了Code-as-World-VL系列模型，并在李飞飞团队提出的QuantiPhy基准上进行评估——这是首个专门量化VLM物理推理能力的测试集。结果显示，90亿参数的Code-as-World-VL-9B模型得分达到54.8，超越Gemini-3.1 Flash；而270亿参数的Reasoning版本更是提升至58.6。这一突破证明，可执行世界不仅是模拟工具，更是一种新型训练数据形态，能够将不可观测的物理机制转化为可学习的信号。
值得注意的是，Code-as-World 的愿景并不仅限于代码本身。MirroS进一步提出“结构化语言（Structured Language）”这一更广义的概念，将代码视为其中一种精确、可执行的形式。与之互补的是自然语言——它承载着人类千百年积累的因果直觉、科学概念和定性推理能力。代码擅长处理可建模的连续动力学，而自然语言则能描述复杂系统、社会互动或长期演化趋势。二者结合，既能保证推理的严谨性，又不失语义的灵活性。更重要的是，它们都与人类知识体系深度耦合，使AI无需从零开始“重新发现物理”，而是站在已有科学大厦之上进行扩展。
这种统一的世界表征，正在重塑多个AI子领域的技术路径。在物理推理中，模型不再直接从图像回归答案，而是先构建内部世界模型，在其中查询状态、推演轨迹、验证假设；在视频生成中，系统先推进一个持续演化的世界状态，再按需渲染为像素，从而天然保持物体一致性、几何稳定性和历史连贯性；在具身智能中，Agent可基于内部世界模拟多种行动后果，选择最优策略，并将同一套抽象无缝迁移至真实环境。推理、生成与行动，由此不再是割裂的模块，而是围绕同一个世界表征展开的不同操作：查询、演化、渲染与干预。
从更宏观的视角看，Code-as-World 为 Physical RSI（物理递归自我改进） 提供了关键基础设施。每一次对世界的理解，都被编码为可复现、可修正的程序，并持续回流至模型训练与智能体决策中。这种可积累的结构化物理经验，正是物理智能Scaling的核心燃料。当语言模型的Scaling已进入深水区，物理智能的Scaling才刚刚启航——而真正需要扩展的，不是更多像素，而是更多可执行、可验证、可组合的世界知识。Code-as-World 正是在这条道路上迈出的关键一步：它让AI不仅看见世界，更能运行世界、质疑世界，并最终理解世界。