拧灯泡、撕厨房纸、抽取叠放纸杯，这些对人类而言轻而易举的动作，在具身智能领域却是长期难题。过去几年，机器人基础模型已从单项任务训练转向利用视觉、语言和动作数据学习通用策略。然而，要让机器人真正进入家庭与工位，不仅需要模仿人类“完成动作”，更需让模型、数据与硬件围绕人类交互经验共同演进。
9 月 10 日，在 2026 外滩大会上，生数科技联合创始人兼 CEO 骆怡航发布了 Motus2 模型。该模型由生数科技与清华大学联合研发，面向高自由度灵巧操作，已在搭载 WUJI Hand 2、Sharpa Wave 等灵巧手的双臂机器人上完成测试。
给动作后果打分：从“想象”到“评估”
Motus2 的核心突破在于引入价值模型（VM），构建“动作生成—后果预测—价值评估”的闭环。传统工业机器人依赖预设轨迹，难以应对环境变化；现有的模仿学习与视觉语言动作模型（VLA）虽提升了泛化能力，却缺乏对动作后果及任务价值的显式判断。
世界模型为此提供了新思路：在行动前先预测未来几帧的环境变化。生数科技此前的 Motus 模型已实现视频预测与动作生成的统一，但“能想象未来”不等于“知道哪个未来更好”。Motus2 新增的价值模块，能让机器人依据任务目标，对不同行动结果的优劣进行打分，从而筛选出最优策略。
为确保训练符合真实因果逻辑，Motus2 采用“动作优先”信息流：动作仅读取历史信息，未来视频基于动作预测，价值评估则综合动作与预测结果。这一机制防止了模型在训练中“偷看答案”，确保部署时的可靠性。
在推理阶段，模型通过 Best-of-N 规划生成多个候选动作并评分择优；在训练阶段，引入基于模型的强化学习（MBRL），将高价值方案转化为策略更新信号。此外，失败数据也被重新利用，用于学习环境变化规律及修正价值判断。
真机测试数据显示，在放置手机和多指操作任务中，基础策略成功率为 65%；加入规划机制后升至 67.5%，单独使用 MBRL 达 72.5%，两者结合则达到 75%。这表明策略更新对性能提升贡献显著，而实时规划可进一步优化单次决策。
如何学习 13 万小时数据：跨越本体鸿沟
灵巧手拥有 20 个以上自由度，高质量数据采集成本高昂。为解决数据稀缺与对齐难题，Motus2 采用了分层数据扩展路径：先从约 13 万小时人类第一视角视频中提取操作先验，再逐步迁移至机器人本体。
数据体系包含三个层级：首先是超 11 万小时的单目视频，覆盖多样场景以学习广义视觉知识；其次引入 1.74 万小时同步双目素材，利用视差线索提升三维空间感知；最后通过数十小时人机对齐数据及百小时级机器人轨迹，完成从“人手”到“机械手”的映射。
实验表明，仅经人类数据预训练的模型在五项真机任务中平均成功率仅为 51%，加入机器人域中间训练后跃升至 84%。其中放置小球和贴合橡皮任务达到 100% 成功率。这证实了人类视频提供操作先验，而机器人数据负责动作落地的关键作用。
研究还发现，随着双目数据规模从 2000 小时增加至 20000 小时，人类动作预测误差呈对数线性下降。但这并不意味着数据扩张能无限带来收益，模型、数据与硬件形态之间仍存在相互制约的三角关系。
补全记忆与触觉：感知不可见信息
除视觉外，历史记忆与触觉反馈是完成复杂操作的关键。针对长序列任务中历史信息丢失的问题，Motus2 对比了全局自回归与混合记忆两种模式。测试显示，在寻找隐藏方块等任务中，保留完整历史的全局自回归在真机环境下的成功率（57.5%）显著高于压缩历史的混合记忆（25%）。
在触觉处理方面，高频传感若直接触发大模型重推理会导致延迟。Motus2 沿用轻量化“触觉专家”架构：主模型生成动作片段并缓存特征，触觉专家在执行前读取最新传感数据，对动作进行微调。这种分工既保证了全局规划的稳定性，又实现了对接触力变化的快速响应。
消融实验显示，在抽取纸杯和撕纸任务中，加入触觉模块后平均成功率从 60% 提升至 72.5%。该成果验证了触觉对于精细接触操作的重要性，目前测试平台涵盖单手 20 自由度的 WUJI Hand 2 及 22 自由度的 Sharpa Wave。
迈向 L4：通用世界模型的演进路线
生数科技同期提出了通用世界模型（GWM）五级演进路线：从 L1“生成世界”到 L5“世界组织者”。Motus2 目前已具备 L3“在世界中行动”的关键能力，即理解状态、预判未来并执行动作。更重要的是，它通过接入评估与反馈闭环，初步展现出递归自我改进（RSI）的特征。
Motus2 始终坚持以人为牵引的技术迭代路径，印证了人类经验在机器人进化中的核心地位。未来，要从 L3 迈向 L4“自主世界智能体”，仍需在长程预测、跨本体评测及规模化触觉采集等方面取得突破，实现模型、数据与硬件的深度协同演进。
注：封面及首图由 AI 辅助生成