智元登顶 WorldArena：具身智能不需要 "发布会演员" | 前沿在线

编辑：前沿在线 编辑部

最近跑了好几场具身智能的会，有个特别直观的感受：整个行业好像都陷入了一种 “展示竞赛” 的怪圈。

这边刚发布的人形机器人，自由度又多了 2 个，电机扭矩涨了 1 牛米，现场跳个舞、翻个跟头，台下一片掌声；

那边的新闻稿刚出来，又拿下了某个工厂的落地订单，“商业化突破”的标题刷遍了行业群；

还有的公司在卷世界模型，比谁生成的视频更长、更清晰，仿佛 4K 视频做出来，机器人就真的能理解世界了。

但看了这么多热闹，我心里一直有个疑问：这些看起来很酷炫的机器人，真的能走进我们的生活吗？

直到最近的 CVPR 2026 ，看到 WorldArena 世界模型赛道的最终榜单 ——智元的 Genie Envisioner 2.0 拿了总分第一，我才终于找到这个问题的答案。

比起 “又一个行业第一” 的头衔，更重要的是：智元这次拿出的不是一个单点技术，而是一整套完整的闭环—— 从开源失败数据集，到做能预判因果的动作模型，再到能让机器人在里面练技能的虚拟世界，他们走了一条完全不一样的路：不做给人看的花活，沉下心来给机器人打底层的基础。

这不是一次普通的迭代，是整个具身智能行业的一个分水岭。

我们不需要会画画的机器人

先聊一个很多人都搞错的问题：世界模型到底是用来干嘛的？

过去两年，Sora 带火了世界模型的概念，所有人都在卷视频生成：谁能生成更长的视频，谁的画面更真实，谁的分辨率更高。

仿佛世界模型的终极目标，就是做一个更厉害的视频剪辑工具。

但这真的是机器人需要的世界模型吗？

当然不是。

机器人不需要会画咖啡洒出来的视频，它需要知道：我伸手碰杯子的力度多大，咖啡会洒？洒了之后我该怎么调整手的位置？

一个能生成以假乱真视频的大模型，根本解决不了机器人端咖啡不洒的问题。

通用视频生成模型和机器人用的世界模型，从根上就是两个东西，前者是给人看的，画面真实就行，背后的物理逻辑对不对不重要；

后者是给机器人用的，不需要好看，但必须精准——我做了这个动作，世界会怎么变？这个变化会怎么影响我下一步该做什么？

这就是为什么很多机器人在发布会上表现完美，一到真实场景就频频翻车：它们的世界模型只学会了 “描述世界长什么样”，却没学会 “怎么和世界打交道”。

智元从一开始就没走视频生成的路。

他们的世界模型从诞生起，就沿着两条完全不同的线走：

一条是世界动作模型（WAM），搞懂动作和世界的因果关系，给机器人装一个会思考的大脑；

另一条是世界模拟器（GE-Sim），造一个机器人能在里面练技能的虚拟训练场。一个负责想，一个负责练，这才是机器人真正需要的世界模型。

给机器人装一个脑子里的 “物理沙盘”

先聊WAM，这是我觉得智元最厉害的一个认知突破。

之前的世界模型，都只做 “状态建模”：它知道桌子上有个杯子，杯子是红色的，离机器人 30 厘米。

但它从来不关心 “动作” 这个最核心的变量 ——机器人伸手去拿杯子，这个动作会怎么改变杯子的状态？拿歪了会不会倒？用力太大会不会碎？

这就像一个学开车的人，背下来了所有的交通标志，却不知道踩油门车会走，踩刹车车会停。这样的人，哪怕考了满分，也根本开不了车。

机器人也是一样。

智元做的 WAM，就是彻底跳出了这个框架，把 “动作” 当成了核心变量，把 “当前环境→我做什么动作→环境怎么变→我该怎么调整” 整个闭环全部建模了。

说人话就是，给机器人脑子里装了一个小沙盘。

它不用真的伸手去碰杯子，自己在脑子里就能推演：我用这个力度伸手，手指碰到杯子的这个位置，杯子会往哪边倒？倒了我该怎么收手？

它能记住前面好几步的动作结果，然后调整后面的决策，支撑一整个长链条的任务，而不是做一步错一步。

之前的机器人为什么做不了长任务？为什么一有意外就卡壳？就是因为没有这个沙盘 ——它们只会按预设的程序走，环境稍微变一点，动作稍微偏一点，整个系统就崩了。

而有了 WAM 的机器人，是会 “想” 的。

就拿端咖啡举例子，传统机器人只会按预设的轨迹抬手、移动、放下，桌子晃一下，杯子偏一点，咖啡直接洒，任务失败；

装了 WAM 的机器人会全程在脑子里推演，发现杯子晃了就微调力度，发现手歪了就调整角度，路上碰到点小障碍，也能实时改路线，稳稳把咖啡放到桌上。

一个是只会执行命令的机械臂，一个是会思考、会调整的智能体，这就是本质的区别。

这次 GE 2.0 能登顶 WorldArena，核心就是 WAM 在动作预测、环境推演、长时序决策这三个维度，得分都远超第二名。

当大家都在比机器人能做什么动作的时候，智元已经在解决 “机器人怎么才能稳定做好动作” 的问题了。

机器人终于不用在真实世界里摔跟头了

光有脑子里的沙盘还不够，总不能永远只在脑子里推演，总得真刀真枪练吧？

但练技能这个事，对机器人来说太烧钱了。

一台人形机器人样机几十万上百万，让它练端咖啡，练 100 次洒 99 次，洒一次不仅要修机器人，还要收拾现场，时间、人力、硬件成本都是天文数字。更别说很多危险场景，根本不可能用真机去试。

之前的解决方案是用工业仿真器，但这个东西有个天生的毛病：它是人工写规则的，和真实世界永远有差距。

你可以在仿真器里写 “杯子受 5 牛的力移动 10 厘米”，但真实世界里，杯子的材质、桌面的摩擦力、机器人手指的软硬度，甚至空气湿度，都会影响结果。

仿真器里练到 100% 成功的策略，放到真实世界里可能连 30% 都达不到。

这就是著名的 “仿真鸿沟”，也是这么多年机器人一直没法大规模落地的核心原因之一。

智元这次推出的 GE-Sim 2.0，就是来填这个鸿沟的。它不是人工写规则的仿真器，是用真实数据训练出来的神经模拟器 —— 不是 “模拟” 世界，是 “复刻” 世界。

为了做到这一点，智元搭了一整套完整的技术体系：先靠 EnerVerse-AC 引入动作条件化的世界建模，让模型能基于动作精准推演未来的环境变化；

再用 EWMBench 从场景一致性、动作正确性、语义对齐三个维度系统评估模拟精度，把虚拟世界和真实世界的偏差控制在极小范围；

同时搭配 Fidelity-Aware 数据组合方法，把真实采集的数据和模型生成的数据精细调配，让训练出来的模拟器既有真实世界的保真度，又有足够的泛化能力；

最后通过 Real2Edit2Real 流程，把原本静态的真实数据变成可扩展、可编辑、可重构的活数据，1 份原始数据就能衍生出百份千份多样化的训练素材，从根源上解决高质量交互数据稀缺的问题。

最终打磨出来的 GE-Sim 2.0，是一个真正能跑、能交互、能训练的数字平行世界：机器人在里面做出的每一个动作，得到的物理反馈都和真实世界几乎没有差别；

它可以在里面反复练上万次端咖啡，洒了不用修硬件、不用收拾现场，练成熟的策略能直接迁移到真机上；

甚至地面湿滑、桌面晃动、外力干扰这类极端场景，也能在虚拟世界里反复模拟，让机器人提前学会怎么应对各种意外。

这就是世界模型最本质的跃迁：从 “用来描述世界的模型”，变成了 “机器人能真正使用的世界本身”。

以前的世界模型是给人看的，生成漂亮的画面供人欣赏；现在的世界模型是给机器人用的，变成了机器人可以在里面学习、试错、进化的虚拟训练场。

这个变化的价值有多大？

算一笔账就知道：之前练一个新技能，要 3 个月，10 台样机，5 个工程师，成本上百万；现在 90% 的训练都在 GE-Sim 里做，只用 1 台样机做验证，1 周就能搞定，成本不到原来的十分之一。

没有低成本的训练方式，再好的硬件，再好的算法，都不可能真正规模化落地。

失败，才是机器人最好的老师

所有的模型，所有的模拟器，最后都要落到一个东西上：数据。

但整个行业在数据这件事上，一直有个特别大的误区：所有人都在抢 “成功数据”，没人在乎 “失败数据”。

之前所有的具身数据集，都是 “专家示范数据集”：找个专家完美完成任务，把成功的动作录下来给机器人学。

仿佛机器人学会了所有的成功动作，就会做事了。但这根本不符合智能成长的规律啊。

你小时候学走路，是看别人完美走路的视频学会的吗？

不是，你是摔了无数次，从每一次摔倒里学会怎么保持平衡的。你学骑自行车，是看别人完美骑车学会的吗？不是，你是摔了无数次，从每一次失衡里学会怎么握把的。

人类的智能，从来都是从失败里学来的，不是从成功里学来的。

机器人也是一样。只学过成功动作的机器人，就像一个只看过别人骑车，自己从来没摔过的人，一上车就倒。它只知道怎么做是对的，不知道怎么做会错，错了该怎么办。

这就是为什么很多机器人在预设场景里完美，一有意外就崩了：它从来没见过失败，也没学过怎么应对失败。

智元这次开源的 AGIBOT WORLD 2026 “多样交互” 数据集，就是打破了这个惯性。

这是行业第一个专门记录失败的具身数据集：抓取失败、东西掉了、碰撞、液体飞溅…… 所有其他数据集里会被删掉的 “坏数据”，在这里都是核心资产。

在大家都把数据当核心壁垒的今天，智元把最稀缺的失败数据开放出来，相当于给整个行业补上了最关键的一块拼图。

智元想做的，是具身智能的 “水电煤”

现在把这三块拼起来，你就能看懂智元的布局了。

很多人看智元，只看到他们做人形机器人，拿了很多第一。

但其实智元从来不是在做一个机器人产品，他们是在做整个具身智能行业的底层基础设施。

最底层，他们开源数据集，给全行业提供 “燃料”；中间层，他们做 WAM 模型，给全行业提供 “引擎”；

最上层，他们做 GE-Sim 模拟器，给全行业提供 “训练场”。数据喂给模型，模型支撑模拟器，模拟器产出更多数据，整个飞轮转起来，所有的从业者都能受益。

具身智能这个赛道足够大，容得下不同的路线：有的公司专注做硬件，把机器人的身体做得更好；

有的公司专注做落地，把机器人放到更多场景里；而智元选择做底层，把数据、模型、仿真这些基础设施做好，开放给所有人用。

没有哪条路更好，只是大家的选择不同。

但底层基础设施的价值是通用的：未来不管是什么形态的机器人，不管用在什么场景，都需要好的数据，好的模型，好的训练平台。

就像当年微软做 Windows，谷歌做安卓，不是为了自己做电脑做手机，是给全行业做通用的底座。

智元现在做的，就是具身智能时代的通用底座。

技术最终的意义，是让人生活得更好

聊了这么多技术，最后说点实在的：我们做具身智能，到底是为了什么？

不是为了让机器人在发布会上翻跟头，不是为了让机器人在工厂拧螺丝，是为了让它们真的能帮到我们。

是让行动不便的老人，能在家喝到一杯热乎的水；是让加班到深夜的父母，不用拖着疲惫的身体给孩子热牛奶；

是让在危险岗位的工人，不用再面对高温和有毒的环境。

而这些场景，都需要机器人能真正理解这个不完美的、充满意外的真实世界。

它不能是一个只能在实验室里工作的精密仪器，它必须能应对各种意外，能从错误里学习，能和这个世界友好相处。

这就是智元所有技术的终极意义。

当机器人能在虚拟世界里练会一万次端咖啡不洒，它就能在真实世界里给老人端一杯水；

当机器人能在脑子里的沙盘里预判所有意外，它就能在真实世界里照顾孩子和老人；

当所有开发者都能用开源的数据集和模型，做出更便宜、更聪明的机器人，具身智能才能真正走进千家万户。

2026 年是具身智能的 “部署元年”，越来越多的机器人开始走出实验室。

但我们都知道，这只是开始。

从看懂世界，到构筑世界，再到改变世界，这条路还有很长。但幸运的是，有智元这样的公司，愿意慢下来，沉下心，把底层的基础打牢，给整个行业铺路。

在所有人都追求快、追求流量、追求短期成果的今天，愿意做难而正确的事，愿意做长期主义的事，本身就足够值得尊敬。

和智元的团队聊到最后，他们说：具身智能是一场马拉松，没人知道终点在哪，也没人知道哪条路一定对，但我们愿意先把路铺好，让后面的人走得更稳一点。

是啊，做技术和做人一样，慢一点，稳一点，才能走得更远。

具身智能的故事，才刚刚开始。

前沿动态前沿大会
前沿人物

点「在看」，给前前加鸡腿