视频生成不能用在具身智能？谁在定义？谁在误读？

作者：吕鑫燚

出品：具身研习社

今天的视频生成，正站在当年LLM的位置上。

这是一个有点冷的知识，具身智能刚走俏的阶段，有人会把LLM当成具身智能的“大脑”，原因很简单，那时具身智能看起来就是一个只会对话的机器人，一问一答的过程和虚拟世界中基于LLM做的对话体没什么区别。

之所以是冷知识，是因为这个判断只存在于产业非常早期时小部分群体中。随着具身智能基于多模态感知在物理世界完成一次次交互后，也不再有人记起，当年还曾有过这样的误读。

历史总是惊人的相似，今天的视频生成也被误读，甚至范围比LLM更广。

“视频生成不能用于具身智能。”

这个判断，几乎快成为近段时间具身智能产业内新长出的共识。和当年一样，这是一个相对武断，也有点早熟的判断。它把“视频生成”当作一个同质化的整体，却忽略了这条赛道正在发生的深层分化。

真正的问题从来不是视频生成能不能用于具身智能，而是我们今天所见的大部分通用视频生成模型只是“视频生成”中的一个分支。

过去两年，视频生成的主战场是内容创作。

Sora、Seedance 们在画质、时长、美学、可控性上竞速，目标是让画面更好看、更电影感、更听话。这条路线有其商业价值，但它的核心逻辑是视觉愉悦，而非物理真实。而对具身智能来说，真正有物理价值的视频生成，必须回答一组完全不同的问题：物体不会凭空出现或消失，液体会流动而不会悬停，推一下东西它会按惯性运动，抓取动作和物体状态变化严格对应。

简单来说物理必须正确。

由此可见，今天我们再来谈论视频生成时，必须正视这是两条分道扬镳的路：一条通向影院，一条通向机器人。而通往机器人的这条路，正是世界模型中最具代表性的技术体系。

视频来源：LingBot-Video

行业评测体系也在印证这个分野。主流视频评测基准 VBench 衡量的是画质、美学和一致性，而近两年学界开始出现的 Physics-IQ Verified 、RBench 则专门衡量物理合理性和机器人操作能力。结果普遍显示，画面最好看的模型，物理理解未必最强。当产业还在用内容创作的标尺评判所有视频生成模型时，“视频生成不能用于具身智能”这个判断，本质上是在用前者的标准否定后者的可能性。

因此，我们今天该下的判断，或者说业内长出的共识，不该是“视频生成不能用于具身智能”，而是当视频生成不再是“内容工具”，而是以“世界模型”的姿态，加速具身智能走进物理世界，基座模型本身，需要被重新设计。

如果说 LLM 是产业早期闹出的基础性错误，那被误解的视频生成则是繁荣期的产物。

不过视频生成被误解的这条路更为隐蔽，当世界模型成为新共识，视频生成却被悄悄排除在外，而排除它的理由，恰恰来自那些最不应该定义它的人。

过去一年，具身智能产业的主线议题完成了一次快速迁移。从“怎么控制机器人”（VLA）到“怎么让机器人理解世界”，世界模型几乎成了所有人嘴里的终局答案。Google DeepMind 在谈，国内头部具身团队也在谈。大家坚定相信，世界模型是未来。可就在这个共识里，有一道裂缝几乎没人去追问，

世界模型的核心是在虚拟世界中预测下一个物理状态，而视频生成，恰恰是最接近这个定义的载体。为什么它会被排除？

深层原因在于，繁荣期里出现了一种典型的浑水摸鱼，有些团队本来做的是内容美学，画面好看、转场丝滑、Prompt 遵循度高，世界模型这个概念火了之后，PPT 里的定位立刻换了一套话术。他们生成的视频依然杯子穿过了桌面，但他们声称自己在做“世界模拟”。这不是技术路线的分歧，这是概念套利的把戏。

这种现象在任何一轮技术热潮里都不少见。当一个概念成为融资的通行证，就一定会有人把旧能力装进新瓶子里重新叫卖。但真正危险的不是这些企业本身，而是它们混淆了产业对视频生成真实能力的判断。当投资人、研究者、甚至机器人本体厂商都开始觉得“视频生成 = 画面好看但物理稀烂”，这条赛道就被整体污名化了。视频生成被排除在世界模型之外，不是因为技术天花板，而是因为太多人在用它做不该它做的事。

从实际来看，物理正确的视频生成是可以做出来的，关键是从一开始就得为物理正确而设计。

数据层面，通用视频模型学的是“画面怎么变”，具身视频模型要学的是“动作如何改变世界”，拿起杯子不只是语义上的“拿起”，还包括杯子拿起后里面的液体怎么晃动、放下时桌面怎么受力。这需要引入 VLA（视觉-语言-动作）、VLN（视觉-语言导航）、Ego-vision（第一视角）等具身专属数据，让模型理解真实交互中的动作、空间和物理变化，而不是互联网视频里那些经过剪辑、调色、美化的视觉模式。

视频来源：LingBot-Video

通用视频生成模型在训练层面，更关注视觉真实感、语义对齐、动作连贯性。但对机器人来说，这远远不够。需要同时从三个维度发力：感知确保画面自然真实；物理确保防穿透、运动惯性、时空连续性；执行确保复杂指令对齐、动作过程完整、任务真正完成。三者结合，视频生成才能从“看起来真实”走向“物理上真实、任务上完整”。

LingBot-Video走的就是这条路。它核心关注点不是“画面怎么变”，而是“动作如何改变世界”，让模型学习动作、事件和环境变化，预测真实物理世界如何演化，最终服务于机器人的世界预测、动作理解和自主训练。超 7 万小时的具身多模态数据覆盖 VLA、VLN、Ego-vision 等场景，再用感知、物理、执行三维奖励模型并行优化。这不是在通用视频模型上打补丁，而是从架构、数据到训练目标的系统性重构。

由此可见，物理正确的视频生成，符合世界模型的内核，更是具身智能正在等的“大脑”。

实际上，大家吵的从来不是视频生成行不行，而是能不能用起来。

“能生成”和“能用”之间隔着一座山。生成一段看起来物理正确的视频是一回事，让它在具身智能的产业链里承担实际角色是另一回事。能跑起来，就值得被认真对待；跑不起来，标签换得再漂亮也没用。

就算明确了符合物理正确的视频生成能在具身智能上应用，也有很多人会低估它的重要性。

不就是在脑子里先过几遍物理世界的模样，然后呢？

视频来源：LingBot-Video

这个答案要从具身智能当下最致命的两个桎梏来找，视频生成之所以重要，恰恰因为它可能是同时解开这两个死结的那把钥匙。

第一个桎梏，是数据。

这是具身智能产业最底层的焦虑。大语言模型吃掉了整个互联网的文本，但机器人没有属于自己的互联网，世界上不存在数十亿小时的"机器人动作数据"。我们常说的数据金字塔，每一层都有自己的课题要解决。以高质量的真实数据为例，该数据依赖遥操作采集，成本极高、速度极慢。行业最大规模之一的开放数据集 Open X-Embodiment，聚合了几十家顶尖机构的数据，量级仍远不及互联网文本和视频数据的零头。

GPT 可以靠“暴力美学”崛起，参数堆上去，数据灌进去，能力自然涌现。

但这条路径在机器人这里走不通，因为数据根本不够“暴力”的资格。仿真数据是行业找到的另一条路。在虚拟环境里，机器人可以无限次试错、摔打、重来。不过仿真器里的物理参数是简化的、材质是预设的、光照是理想的，一个在仿真器里练得滚瓜烂熟的“开抽屉”动作，到了真实世界可能因为摩擦系数和阻尼力度的细微偏差而彻底走样。

所以行业一直在等第三条路：一条既有互联网视频的规模，又能逼近真实交互正确性的路。

LingBot-Video 想做的就是这个"第三条路"。

它不全依赖遥操作，也不困在仿真器里，而是选择站在互联网视频的数据规模之上，通过超 7 万小时具身多模态数据和三维物理奖励模型，让模型学会“动作如何改变世界”。这背后的逻辑很清晰。互联网视频里没有机器人的第一视角操作数据，但它包含了海量的物理世界影像，物体怎么掉落、液体怎么流动、门怎么开关、人怎么抓取。这些画面里藏着基本的物理规律。LingBot-Video 在通用数据基础上引入 VLA、VLN、Ego-vision 等具身专属场景，补齐第一视角下的物理环境变化数据缺口。再通过本质上是在试图用具身数据的“质”补齐互联网视频的缺口，再用物理奖励模型把“质”转化为“对”。

这也正是LingBot-Video 的第一个身份 Data Engine，数据引擎。缓解数据稀缺的根本痛点，这是它最底层也最重要的产业价值。

第二个桎梏，是预判。

这一点从真实生产生活里很容易理解。一个熟练的工人拿起锤子之前，脑子里已经预演了一遍钉子怎么进去、木头会不会裂、反作用力会不会让锤子偏移。一个老司机变道之前，已经预判了后车距离、侧方盲区、变道后需要多长时间回到正常速度。这种“在脑子里先过一遍”的能力，是人类能在复杂物理世界里高效行动的核心。

机器人目前缺乏的，正是这种预判能力。现有的控制范式是“感知-决策-执行”的串行链条，看到什么，算一下，然后动。但真实世界的交互速度远超这个链条的响应极限。等你算完，杯子已经掉了。

如果视频生成模型能够物理正确地预测“下一步世界会变成什么样”，机器人就可以在执行动作前，在“脑子里”模拟一遍不同动作的后果。这正是 LingBot-Video 给自己的第二个身份：Policy Evaluator——策略评估。

作为真实环境的“视觉代理”，在策略部署真机前进行安全与可行性预演。让机器人在动手之前先“看”到结果，用世界预测能力评估不同策略的优劣，而不是在真实世界里一次次试错。

更进一步，基于对物理规律的理解，视频生成模型还可以辅助机器人规划下一步动作，在多个可能的动作序列中，选出物理上可行、任务上最优的那一条。这是 LingBot-Video 的第三个身份：Action Planner——动作规划。

Data Engine、Policy Evaluator、Action Planner。三重身份指向同一个产业判断：视频生成对具身智能的重要性，远不止“生成点训练数据”那么简单。它有可能成为机器人的“物理直觉”让机器人在行动前就能预判世界的反应，而不是事后补救。

当人们还在争论视频生成能不能做世界模型的时候，真正该问的问题或许是：如果一个机器人能在动手之前就“看”到后果，它还需要我们在旁边一台一台地教吗？

最后再来看看视频生成最后一个误解：先有一个视频生成模型，这个模型能用在具身智能。

这是过去一年多时间里，行业里最常见的路数。但这不是具身智能想要的。这个逻辑的本质，是把具身智能当成了视频生成的又一个商业化场景，就像游戏、影视、短视频一样，只是一个待渗透的垂直领域。

你只需要把通用模型微调一下，加点机器人数据，就能交差了。

但站在具身智能的角度看，真正的逻辑应该反过来：不是视频生成多了一个“具身场景”，而是视频生成需要为具身智能重新设计。

这中间的差别，是从架构、数据到训练目标的全盘重构。架构是最先需要动刀的地方。视频生成的计算成本高到吓人。目前主流视频模型普遍采用的结构，有一个致命特点，生成每个 Token 时都要激活全部参数。30B 参数的模型，每次推理就要把 30B 参数全部拉起来算一遍。这对于内容创作来说尚可接受，毕竟你生成一段视频可以慢慢等；但对于具身智能来说，这是致命的，机器人训练和策略迭代需要大量模拟、预测和试错，如果每次“想一遍”都要付出这么高的计算成本，根本跑不起来。

LingBot-Video 选择用 MoE（Mixture-of-Experts）架构从头解决这个问题。30B 总参数容量，但单次生成仅激活约 3B 参数，不是砍能力，而是按需调用。每个 Token 进来，只挑最相关的几个专家出来干活，其余的先歇着。这就像一家大医院，30 个专家在岗，但看一个病人只需要最相关的 3 个会诊，而不是把全院专家都叫进诊室。

这种设计带来的效率优势是实打实的。同等参数规模下，MoE 架构的推理效率约为 Dense 的 3 倍。对具身智能而言，这意味着大容量模型真正具备了产业级部署和高频迭代的可能，不是实验室里的 demo，而是能跑在真实机器人训练里的基础设施。

但架构只是起点。

LingBot-Video 选择将模型开源。具身智能的困境不是某一家公司能解决的，这个领域需要集体工程。开源一个从零开始训练、具备完整 MoE 架构和具身训练范式的视频基础模型，相当于给社区提供了一个可复现、可评测、可迭代的基准，而不是让大家在各家闭源 API 上做黑盒适配。

当然，它也有局限。长时序一致性、柔性物体和液体等复杂物理交互、从视频预测到真实机器人闭环控制的转化，都还在路上。

但至少，它提出了一个正确的工程方向：不是先做一个漂亮的视频模型再试图塞进机器人，而是从一开始就问，如果视频生成要为具身智能设计，它应该长什么样？