QUOTE
机器人究竟要预测多少世界,才够完成一次抓取。
—— 具身智能Nova
同样叫世界模型,两家公司的技术文件里,“未来”长得并不一样。
一边仍在生成视频:机器人先在模型里看到动作之后的世界。另一边主动压缩画面,只保留物体位置、交互关系和任务进度,预测这些状态会怎样变化。
10 月,云深处公布 DR-WM-1.0,在视频生成世界模型里加入摩擦力、粗糙度、刚度等物理属性先验。千诀发布 Polibrain,把目标放在关键状态,而非完整复现视觉细节。
分歧已经摆到产品定义里:机器人究竟需要预测多少世界,才够完成一次抓取、一段导航,或者一串家务?
答案将决定数据怎么采、算力花在哪,以及一套模型能不能换一副身体继续工作。
本文看点
01
生成画面,为什么“像”不够
02
关键状态,难在知道省什么
03
换一副身体,才是真尺子
01
GENERATIVE
生成未来画面,先解决“想得对不对”
给生成式世界模型当前画面和一组动作,它会生成接下来可能发生的视频。机器人可以先预演,再决定怎么做。这种模型也能用于策略评估、训练数据生成和失败场景测试。
难的是,视频看起来像,不等于事情就会那样发生。
机械臂推一个盒子,画面里的盒子移动得很自然,不代表质量、摩擦和接触关系正确。四足机器人的脚步落点看起来合理,也不代表地面材质能撑住这次运动。视频生成模型学习视觉规律,机器人却要接受物理规律的验收。
云深处的 DR-WM-1.0 就卡在这个问题上。其公开资料称,模型加入摩擦力、粗糙度、刚度等物理属性先验,让预测画面同时接近物理规律。
这条路线保留的信息多,代价也直接:模型不仅要学“世界长什么样”,还要学“世界为什么这样变化”。画面更细,控制能力并不会自动同步增长。
Ropedia W0 把重点放在数据和跨本体上。论文披露,其 Xp-Data 包含约 1 万小时第一视角人类数据和 3000 小时机器人数据,用相机位姿表达移动,用投影骨骼表达操作,再进行人类视频预训练与人类—机器人混合训练。
它预测的仍是不同身体行动后的第一视角画面,只是训练经验不再完全依赖昂贵的机器人采集。
「生成式路线想保留一个足够完整的世界。
它接下来要交的功课,是物理上可信,计算上也用得起。」
02
KEY STATE
预测关键状态,难在知道什么不能省
千诀 Polibrain 给出另一种答案。
它不生成未来每一帧,而是在与任务相关的潜在表征空间里预测状态变化。物体在哪里,手和物体是什么关系,任务进行到哪一步,这些变量优先进入模型。背景纹理、光照和无关细节,可以少占一些位置。
自动驾驶系统需要判断前车是否减速、行人是否进入行驶区域,却不必逼真重建路边每一片树叶。任务决定预测精度,超过任务需要的信息,可能只是成本。
Polibrain 还尝试处理历史信息。连续操作里,物体会被遮挡,上一步是否完成也未必能由当前画面看出。其公开技术资料提到反事实历史信息筛选:判断哪些历史观测真正影响后续预测,再决定保留什么。
少生成画面,问题并不会自动变小。模型得先知道,哪些细节无关紧要,哪些细节一旦漏掉就会让任务失败。杯子是否被握住很关键,杯壁受力后的微小形变有时也很关键。前者容易写成状态,后者却可能藏在那些看似多余的视觉和接触信息里。
把什么定义为关键,本身就是世界模型的一部分。
两条路线难以用一句“谁更先进”概括。一个担心丢失世界,一个担心算不动世界。它们面对的是同一组约束:数据有限、算力有限,控制还有时间要求。
03
CROSS-EMBODIMENT
跨本体,让路线分歧多了一把尺子
如果只在固定机器人上比一次预测效果,路线争论很容易停在论文指标里。
换一台机器人,问题才变得具体:旧数据还能不能用,新本体要采多久,模型是不是又得从头训练?
Ropedia W0 把不同身体的运动转换成共享表示。相机位姿描述移动,投影骨骼描述操作。人的手、平行夹爪和灵巧手并不长一个样,但都能在图像里留下可比较的运动结构。
Dream-1 更靠近控制端。它采用世界动作模型,把视频与动作放在一起学习;面对不同双臂平行夹爪机器人,模型可以预测末端执行器位姿和夹爪状态,再由各机器人的逆运动学求解器转成关节命令。
不同机器人的关节数量和身体尺寸可以不同,但“手要到哪里、夹爪是否闭合”能够形成共享接口。
Dream Labs 将其包装成按小时计费的 API,官方定价为 Dream-1 每小时 3 美元、Flash 每小时 2 美元。机器人大脑由此出现了一种接近云服务的交付方式。
企业公布的零样本结果仍有清楚边界:当前主要面向双臂平行夹爪机器人,不同任务与本体的表现存在差异。
跨本体因此成为比较世界模型的新尺子。画面生成得再好,如果每换一台机器人都要重采数据,规模化成本依然很高;状态压缩得再漂亮,如果换一副身体就失效,通用性也站不住。
「能控制一些没见过的机器人,不等于能控制所有机器人。」
04
REAL TASKS
真实任务,最后替所有路线阅卷
世界模型最终要进入控制系统,不能单独停在视频演示里。
德塔 Delta-0 的“大脑—小脑—力位”协同,把任务理解、全身协调和接触控制连在一起。模型知道要拿起杯子,和身体在伸手、弯腰、受力时保持平衡,并不是同一个问题。
其“真实—仿真—真实”流程,把真实场景重建到仿真中反复导航、操作和重试,再回到实机验证。仿真提供低成本重复,真实世界负责揭穿仿真漏掉的东西。
企业公布的一镜到底 Demo 中,搭载 Delta-0 的机器人用 210 秒规划 32 步,完成 9 项家居任务。这是连续任务能力的一次演示,不能直接换算成家庭环境里的通用能力。
NVIDIA 扩展 Isaac 平台,则把模型、数据、仿真、训练、部署和端侧算力放进同一套工具链。实验室里的世界模型,必须穿过这一整条链路,才会变成产品能力。
评价路线因此需要换一组问题:真实任务成功率有没有提高,失败后能不能恢复,响应速度能否满足控制,换一台机器人需要多少新数据,部署成本能不能继续下降。
视频效果和论文指标依然重要,但真实任务不会给任何架构名称加分。
∞
EPILOGUE
世界模型不必只有一种样子
生成式与预测式,未必会永远分头走。
需要高保真预演、策略评估和复杂交互学习时,生成未来画面仍有价值;需要快速规划和实时控制时,压缩后的关键状态更直接。世界动作模型已经把视频预测和动作学习放进同一套模型,分层系统也可以让不同预测方式各管一段。
眼下更值得关注的是预测预算:有限的数据、算力和响应时间,究竟花在还原世界,还是花在那些会改变任务结果的变量上。
世界模型不会靠谁生成的画面最真来决出胜负。
「把该保留的信息留下来,把该省的成本省掉,让机器人在真实世界里少失败一次,这条路线才算往前走了一步。」
END
我是 具身智能Nova,关注人形机器人与具身智能产业的真实进展,拆现象,也拆结构。
如果你觉得今天这篇有收获,欢迎点赞、在看、转发三连,我们下篇见。

