当世界模型走出屏幕，这家具身初创想打造机器人的通用API

2025年秋天，一台宇树G1被搬进昆仑万维在北京的办公区。这个拥有几十人规模的模型团队想验证一件事：此前在游戏中持续生成画面的世界模型，能否驱动机器人完成真实任务。

双足机器人在七楼工位间来回行走，沉重的脚步声迅速传遍上下楼层，同事戴着耳机也挡不住，投诉随之而来。团队只能在附近另租实验室，把机器人搬过去继续训练。几个月后，这群原本研究视频生成、游戏引擎和大模型后训练的人，决定将主要资源转向机器人。

在今年的世界人工智能大会（WAIC）上，这支团队以黎曼动力的身份首次公开亮相，并发布世界动作模型Riemann-1.0。

与不少具身智能公司选择自研机器人、关起门来做一套封闭的模型不同，创始人刘扬关心的是一件更开放的愿景：机器人至今没有像ChatGPT一样，拥有统一的模型接口。

在他看来，不同机器人仍需要分别适配、分别训练，限制了模型能力的复用。如果未来能够建立一套跨本体的通用接口，机器人厂商就不必再重复训练模型，而是像今天调用大语言模型一样调用机器人能力。

这也是黎曼动力希望未来打造机器人通用API的原因。

从虚拟游戏的世界模型

转向真实物理世界

2024年下半年，昆仑万维天工团队内部组建了一支世界模型团队。

被任命的负责人刘扬，此前主要从事大模型后训练和强化学习。团队希望探索能够进入物理实验的智能体，先从视觉模型入手，尝试构建一个可以模拟真实环境、支持模型训练和交互的仿真器。

游戏是当时最合适的试验场。

一方面，拥有多年端游开发底蕴的昆仑万维，并不缺乏人才和相关经验；另一方面，第一人称画面、人物移动和键盘操作是容易被模型理解的数据类型，互联网上也能找到大量游戏视频。一个由用户控制、随着操作持续生成的虚拟世界，比机械臂在桌面上移动更直观，也更容易让外界看懂世界模型的能力。

团队由此推出Matrix-Game系列，并在2025年持续开源。刘扬称，当时全球系统投入世界模型的团队数量有限，谷歌Genie等代表性项目也未完全开源。由于连续发布模型和技术报告，团队获得了大量海外研究机构和AI游戏创业公司的关注，“AMI谢赛宁所在的团队也用过我们Matrix-Game早期版本做过训练”。

2025年上半年，团队开始把真实场景数据混入训练。众包采集者拿着手机在不同环境中移动，模型经过适配后，能够生成连续的现实空间，已经隐约出现了机器人导航和环境探索的雏形。

因而，真实场景第一次证明，世界模型不仅能生成画面，也开始具备理解现实环境的能力。团队便顺势重新讨论，这项技术最终应该落在哪个行业。

游戏仍有发展空间，但继续增加非玩家角色、积分和奖励机制，更多是在完善游戏功能，天花板相对较低。而如果机器人把模型带入真实工作，任务成败也能直接验证模型是否理解了物理世界。

“游戏模型好不好，还要让人试玩，其中有很多主观因素。”他说，“机器人训练好以后，你能真真实实看到这个模型在变好。”

2025年8月，团队下单购买宇树G1、机械臂和灵巧手，次月陆续到货。他们用了约两个月研究现有技术进度，也尝试把原有模型跑到真机上。

模型团队很快发现，键盘上的前后左右与机械臂的关节控制是两套完全不同的语言。不同型号的机器人拥有不同动作空间和控制参数，同一个模型换到新设备上，通常还要单独训练解码模块。

“我们都有大模型的API，但是机器人没有自己的API。”刘扬说。如果一套模型只能控制训练时使用的机器人，它就很难像大语言模型那样成为通用基础设施。黎曼动力希望建立一层跨本体的能力，让不同机器人都能调用同一套世界模型，这也是他理解中的“机器人API”。

同年秋天，团队将资源集中到具身智能。2026年，黎曼动力从昆仑万维内部独立运营。

机器人先要学会处理“意外”

过去几年，叠衣服、整理桌面和收拾厨房频繁出现在人形机器人的demo视频中。尽管任务本身看起来已经相当成熟，但实际上，一旦场景稍有变化，机器人的表现就可能迅速下降。

实验室会提前把衣服一件件摆好，控制摄像头、光线和桌面空间。真实家庭中的衣物通常堆在一起，材质、大小和摆放方式每天都在变化。夹爪提起一件衣服时，可能连带夹起下面一件；机器人找不到空位后，会反复放下、重新抓取，最后陷入循环。

刘扬认为，今天的机器人主要缺少两种泛化能力。

第一种发生在任务和场景之间，机器人在一间实验室学会叠衬衫，换一张床、换一种面料，原有策略可能立即失效。

第二种则会发生在机器人的本体内部，如果机械结构、关节数量和动作空间发生变化，模型通常需要重新适配。

黎曼动力发布的World Action Model，即世界动作模型，希望同时处理这两个问题。

常见的机器人VLA模型根据当前画面直接输出动作，而世界动作模型还要学习动作发生以后，环境可能出现什么变化，并在任务执行过程中持续更新状态。机器人由此可以观察结果、修改计划，再完成下一步动作。

刘扬用厨房整理举了一个例子。

机器人需要识别盘子、碗和餐具，并判断它们各自应该放在哪里。当夹爪拿起叉子准备放入筷子筒，角度不合适时，它会在筒壁旁借力，调整叉子的方向，再尝试插入。

如果放碗时不慎将液体洒到桌面，机器人还可能暂停整理，先把水擦掉。

“它有一个很强的状态概念，知道自己现在完成得怎么样。”刘扬表示。模型需要理解叉子没有放进去、桌面出现液体等变化，再从已有经验中决定接下来的动作。

黎曼动力官方披露，Riemann-1.0在同一模型中学习机器人动作和动作引发的环境变化，主要瞄准长流程任务、跨场景泛化和跨本体迁移等问题。

真实环境仍在不断暴露模型和硬件的边界。夹爪很难从一堆衣服中准确挑出一件，灵巧手则面临重量、耗电和维修成本问题。机器人进入厨房后，刀具、热源和人员安全也会带来新的限制。

面对外界关于“机器人为什么今天还在叠衣服”的质疑，他的回应很直接：

“我们要给大家看的，是能在任意场景叠任意一件衣服。”

一次演示可以证明技术跑得通，若换到不同家庭依然能够完成任务，才能形成可靠的产品交付能力。

具身智能

在等待自己的“数据互联网”

世界模型进入机器人本体以后，数据成为黎曼动力遇到的另一道门槛。

大语言模型可以从互联网获得海量文本，游戏世界模型也能利用公开视频和游戏引擎生产训练素材。机器人需要看到第一视角画面、手部运动和完整任务过程，普通视频通常缺少这些信息。

一段做菜视频可能清楚拍到了锅里的食物，却没有完整记录双手。拍摄角度也会随着创作者移动，模型很难据此推断手的位置和动作轨迹。

尽管在工厂采集更加标准，却容易产生大量重复。一个工人连续20小时执行同一种动作，数据规模增加了，任务和场景的覆盖范围没有同步扩大。这类数据适合训练单项技能，机械的重复并不会产生泛化智能，因此难以支撑一个通用模型。

“文本模型有Common Crawl，图像有ImageNet，机器人行业积累很少。”他说，“我们全网搜了一遍，能找到的可用数据可能只有几万小时，离真正的Scaling还很远。”

黎曼动力后来把注意力转向了人类第一视角视频，也就是拍摄者自己完成任务时看到的画面。采集者无需佩戴动作捕捉手套，只要用手机记录日常工作，并保证双手出现在画面中。

这类数据最初并不被行业重视。刘扬回忆，合作方接到需求时，一度怀疑任务的真实性，因为其他客户通常需要带有精确关节信息的手套数据或真机轨迹。

训练结果改变了对方的判断，来自不同家庭的视频覆盖了不同房间、桌面和物品摆放方式，模型由此接触到更丰富的环境。机器人拿杯子和整理衣物时，动作轨迹也逐渐接近人类的自然操作。

“以前机器人拿杯子，会先到一个固定坐标，再从一个很奇怪的角度慢慢靠近。用了人类数据以后，它会像人一样，直接从自然的角度去拿”。

据黎曼动力披露，Riemann-1.0使用的23.2万小时多源具身交互数据，包括超过20万小时人类第一视角视频、1.2万小时高精度示教数据，以及2万小时真机与仿真轨迹，覆盖41种机器人本体。

后面，团队希望把第一视角数据继续扩展到100万小时，团队目前主要采用众包采集，因为分散在不同地点的参与者能够覆盖更多家庭和任务。

众包的天花板也已经出现，拍摄质量高、参与意愿强的用户只占少数，同一名采集者周边可记录的场景会逐渐耗尽。有人拍完自己家，又去朋友家、邻居家甚至小区里寻找新环境，数据覆盖继续扩大时，采集和筛选成本都会上升。

在他看来，具身智能可能需要建立新的数据经济。数据不仅决定模型能力，也决定未来API能够覆盖多少场景。机器人进入真实世界的次数越多，模型可调用的能力也会持续增加。

当下，一些清洁、家政和养老服务机构尝试在完成工作的同时采集授权数据，真实场景由此持续进入模型训练。机器人每次部署，也会成为下一轮能力提升的起点。

这条路径要求黎曼动力同时补齐模型、本体和真实场景。他透露，公司当前的实验主要使用外购机器人，自研本体仍在推进，团队也在招聘灵巧手和硬件方向的人才。

独立以后，团队开始同时考虑技术、融资和商业计划。“以前做完2.0，我们讨论3.0怎么做。现在要把六个月、一年、三年、五年之后的商业计划都打通。”

通往家庭的落地第一站

对黎曼动力来说，家庭是世界模型最希望进入的场景，也是未来API最容易形成规模调用的地方。

不过在此之前，团队内部曾认真研究过同行花大价钱热捧的工厂流水线。

团队走访了浙江的一些零部件加工企业，逐渐感受到，拧螺丝、拆包装、打磨和搬运等任务重复度高，对精度和稳定性要求严格，企业的需求更多集中在机械结构、末端执行器和运动控制。

“很多工厂甚至说，他们不需要特别强的大脑。”标准化工位可以通过硬件和流程设计降低任务复杂度，这与黎曼动力擅长的通用模型并不完全重合。

家庭、酒店和养老机构则充满长尾问题。物品摆放随时变化，人与机器人共享空间，任务也很难提前穷举。这些环境对模型的大脑能力提出更高要求，也成为黎曼动力选择消费端服务场景的原因。

日本是团队目前最先接触到明确付费需求的海外市场。

2025年秋天，昆仑万维战略团队和潜在投资方曾前往日本调研。当地酒店、养老院、机场和商超愿意尝试整理、清洁及辅助照护类机器人，老龄化与较高的机器人接受度也为试点提供了条件。

现阶段，黎曼动力沿两条路线推进商业化。

在国内，团队希望把模型以API形式提供给机器人本体厂商，让缺少大模型研发能力的团队能够快速接入；日本商务团队则在接触酒店、养老院、机场和商超等场景。

刘扬认为，通用模型可能改变机器人的商业模式。本体厂商目前主要依靠出售硬件获得收入，一套能够适配不同设备的API出现后，厂商可以围绕清洁、整理和照护任务持续出售服务。

对于行业演进的方向，他的判断更为激进。

“我觉得机器人未来两年，可能会出现一个完全不一样的Token经济时代。”他说。届时，一些机器人公司能够像今天的AI应用创业者一样，调用基础模型，再围绕具体场景开发产品。

他预计，到2027年末或2028年初，世界模型可能接近大语言模型当年的“GPT-3时刻”。

“到了那个时刻，很多技术路线会收敛，也会有一部分玩家被淘汰。它最大的赋能可能就是机器人的API市场，让大量机器人厂商从卖机器人走向卖服务。”