从大疆到华为再到求之，韩磊：世界模型定义之争都是话术，核心只看泛化能力

家庭机器人最大竞争力：不是故事，是泛化能力。

作者丨齐铖湧

编辑丨林觉民 董子博

世界模型，是今年具身行业被提及最多的技术概念之一。 从清华到港科大，从大疆到华为，创业者带着各自的技术信仰，纷纷投身于世界模型的竞逐当中；资本也在关注着这条赛道，寄希望于找到下一个 OpenAI 的影子。 但当我们试图追问 “世界模型到底是什么、能做什么、离落地还有多远”，得到的回答却五花八门，甚至互相矛盾。在无锡蠡湖畔，我们与求之科技世界模型负责人韩磊进行了一场长谈。

韩磊的履历跨越学术与工业界：2014 年入职大疆参与 Phantom 4 研发，此后赴港科大攻读博士，再到华为海思前沿实验室做世界模型预研，如今在求之科技负责世界模型的全链路工作。

求之科技由清华大学智能产业研究院副教授周谷越发起，最近刚完成天使 + 融资。在这次对话中，韩磊以一线从业者的坦率，谈及了世界模型的混乱源头、技术分层架构、数据采集策略、算力瓶颈、行业乱象，以及那些他认为 “说明不了什么问题” 的长流程 Demo。

以下为 AI 科技评论与韩磊的对话实录，经编辑整理，未改动原意。

01

现状

世界模型到底在做什么

▎AI 科技评论：今年所有具身智能公司都在讲 “世界模型”，但各家的定义差异极大。学术界也在试图分类。你作为一线从业者，关注这些定义之争吗？

韩磊：坦白讲，这更多是话术层面的区分。作为从业者，我们不应该陷入定义的泥潭。我们真正在乎的核心问题只有一个：模型到底有没有泛化能力。

▎AI 科技评论：泛化能力具体怎么理解？

韩磊：可以拿工业和家庭做对比。在工厂里，VLA 甚至传统控制算法基本就够用了，因为场景是标准化的，可以采集大量数据不断优化成功率。但在家庭场景里完全行不通 —— 桌椅摆放、物品材质、光线条件，全是非标的。

以叠衣服为例，叠一件见过的衣服、在固定场景下叠，这是工程问题；但叠一件模型从没见过的新衣服，这就是世界模型要去跨越的鸿沟。男士 T 恤和女士 T 恤的裁剪完全不同，想要做到真正泛化，底层架构的突破和真实物理世界数据缺一不可。

▎AI 科技评论：求之内部的技术架构是怎样的？之前谷越提过一个 S0 到 S3 的分层体系。

韩磊：这个架构是周老师定义的，也是我们目前核心的技术链路。整个机器人的链路从下到上分四层：

S0（末梢）：电机、定位这些底层硬件模块；

S1（小脑）：负责输出具体动作，比如看到物体知道怎么去拿；

S2（快脑）：负责预测未来，知道拿起物体后周围状态会怎么变化；

S3（慢脑）：相当于大脑的思维过程，做任务拆解和调度，这就是最上层的 Agent。

这个架构是为了最快通向物理 AGI 而设计的。

我具体负责的世界模型，也就是 S2 层，是为了最大化利用数据金字塔，实现家庭场景落地应用而设计。它的优势是：

具身表征兼顾多模态（触觉 / 视觉 / 本体状态），通过引入隐空间的像素轨迹预测，能提高模型可解释性，模型计算效率更高，且在 OOD 场景中泛化能力更强。

原生适配 3D 视觉，通过双目观测把 3D 场景信息显式输入世界模型，能提高泛化性和操作精度。

世界模型与仿真器螺旋上升：失败案例被自动收集后反哺世界模型训练，形成 “模型越准→仿真越真→数据越丰富→模型更准” 的正向循环，能够持续减少模型的 corner case。

▎AI 科技评论：这种分层很容易被误解为 “只能做短任务”—— 把长任务硬拆成一堆短程操作。

韩磊：事实完全不是这样。复杂任务也是原子操作的组合。我们采用 S0~S3 分层架构的动机，是最大化利用多模态基础模型、最大化利用数据效率。不同的复杂操作之间会存在相似的简单任务，通过分层架构可以把相似的简单任务聚合到一起，最大化数据利用效率。这和 “只能做短任务” 恰恰相反。分层架构的核心价值正在于：即使在数据稀缺的阶段，也能通过原子操作复用最大化数据效率，实现快速落地并启动数据飞轮，从而加速物理 AGI 的演进。

▎AI 科技评论：李飞飞曾提出具身智能最终要走向 “渲染器、模拟器、规划器” 三合一。你认为这三者未来会统一吗？

韩磊：长期肯定会融合，最终会形成统一的系统。任务越复杂，越需要三者协同：做复杂任务需要试错，试错就要在脑子里先模拟，这是模拟器的作用；模拟完要执行，就是规划器；模拟时需要真实的环境表征，就是渲染器。

但现阶段不需要急着融合。每个模块单独都能落地、能产生商业价值，前提是每个子模块都得先足够强。就像 Agent 框架，也是建立在大模型能力足够的基础之上。

具身公司的两种路线分野

▎AI 科技评论：现在赛道里有两种截然不同的风格。一种上来就做极复杂的长流程 Demo，比如下车间炒菜；另一种是你们这样，先做短程高交互的基础操作。你怎么看前者？

韩磊：我更愿意从积极的角度去理解。也许前者认为长程任务是机器人领域最困难的问题，想先攻克长程问题，再延伸到其他场景。但我们认为最核心的挑战是可泛化的机器人操作。只要是家庭场景下有确切需求的任务，无论长程还是短程，我们都会做。

不过客观来说，对于那些长流程的复杂 Demo，现在行业内人士其实已经 “免疫” 了。五年前大家会觉得惊为天人，现在看完第一反应都是 “是不是过拟合训练出来的纯 Demo”。

▎AI 科技评论：那你看完这次这些极其复杂的长程 Demo 之后的感受是？

韩磊：没什么特别的感觉。Demo 本身不假，但靠堆数据堆出一个长流程 Demo，其实说明不了太多。你得先把小事做得足够鲁棒、足够精细，才能把长任务做好。如果小事都做得一般，长 Demo 的意义其实有限。

▎AI 科技评论：那你们从小任务往大任务做的思路，会不会影响融资？资本市场确实喜欢听大故事。

韩磊：关键是你用的方法本身是不是可扩展的。如果为了做小事用了规则驱动的取巧方法，那肯定是错的。我们要解决的是家庭场景下的各类复杂泛化问题，以真正进入家庭解决实际问题为导向，而不是以 Demo 为导向。在家庭场景下，既需要叠衣服、收拾碗筷这类复杂操作，同时也需要保证任务稳定鲁棒地完成。

▎AI 科技评论：说到规则驱动，目前行业有一种普遍做法是：让机器人去拿杯子，走到桌边用米级精度识别，伸手用厘米级，抓取用亚毫米级。你怎么看？

韩磊：如果你想做通用机器人，最大的挑战是任务的不确定性，必须靠数据驱动，不能靠规则驱动。规则是没法规模化的。我们强调用世界模型，就是通过预测未来来表达动作逻辑，这条路是可规模化的。

02

我们的判断

仿真绕不开，但在 Cosmos 和 UE5 之外可以走第三条路

▎AI 科技评论：你们自研的仿真器，和英伟达的 Cosmos 是两种什么样的路线？

韩磊：DISCOVERSE 2.0 是我们自研的仿真器，把场景表征和物理引擎融合在一起，最近也有两篇相关工作对外发表：GS Playground和Unilab，核心要实现两个目标：

第一，尽可能保证物理精确性。Cosmos 是神经模拟器，一切都在神经网络参数里发生，未必能保证物理正确性 —— 这也是视频生成类模型一直没有解决好的问题。DISCOVERSE 复用 MuJoCo 这类成熟物理引擎，刚体接触力、触觉仿真的精度有保障。

第二，兼顾渲染真实感和计算效率。DISCOVERSE 是全球首个基于 3DGS 技术的具身智能端到端仿真框架，借助 3DGS 表征实现高保真的 Real2Sim 与高吞吐并行渲染，能够做到和 Cosmos 相当的真实感，同时计算效率大幅提升，以此完成端到端模型闭环验证。

▎AI 科技评论：那各自的优劣势是什么？

韩磊：Cosmos 的优势是通用性，纯数据驱动，什么都能生成，但物理真实性不一定强。DISCOVERSE 的核心优势体现在两方面：一是极高的渲染效率，可支撑上万 FPS 的并发渲染，为大规模强化学习训练提供算力底座；二是依托物理仿真引擎实现真实物理交互，能够精确还原刚体以及衣物这类柔性物体的动力学行为。当然，作为物理引擎方案，我们也存在行业共性局限：需要先对物理过程建模才能开展仿真，通用性上暂时不及端到端视频生成模型。

还有用 UE5 做渲染的路线 —— 又慢又贵。

▎AI 科技评论：所以 DISCOVERSE 是性价比路线？

韩磊：也可以这么说，但它绝不仅仅是性价比更高。英伟达的方案天然适配自家芯片生态。我们开发 DISCOVERSE，是因为在我们需要覆盖的场景范围内，它可以同时保障物理精确性与渲染真实感，还能实现上万 FPS 的并行渲染效率，远高于 Cosmos 的视频生成效率，性价比确实突出。但更关键的一点：对比无法保障物理真实性的视频生成模型，DISCOVERSE 底层的物理仿真，可以保证渲染输出结果和物理世界保持一致，对机器人模型的训练、验证更实用。

▎AI 科技评论：李飞飞的 World Labs 也在做 3D 表征，方向类似吗？

韩磊：他们同样在探索优质的 3D 表征方式，从单张图像生成完整场景的 3D 高斯表征。这是一个非常基础的学术问题，难点在于如何定义合适的 3D 表征，充分利用现有数据。机器人是系统性工作，从仿真视角看，World Labs 提供了一套 Real2Sim 接口，但直接落地到机器人仿真还存在不小的 gap。

数据：UMI 方案、精度争议与 “临界点”

▎AI 科技评论：你们在无锡建了数采厂，用的是什么方案？

韩磊：UMI 方案。设备成本不高，全部是我们自研自制，包括上面的 VIO（视觉惯性里程计）、传感器、预处理模块，均为内部开发。

▎AI 科技评论：UMI 的精度一直有争议，很多人说不如遥操作精确。

韩磊：精度要看学习目标。如果学习的是世界的变化规律，并不需要全局绝对精度，UMI 完全够用。另外我们团队在 VIO 领域积累深厚，可以把精度进一步做上去。

▎AI 科技评论：大家都在谈数据的 “临界点”，你觉得这个临界点是什么？

韩磊：很难说实现物理 AGI 确切需要多少数据，我们正在做多套方案并行验证。以自我为中心（ego‑centric）数据、真机长程数据、真机短程数据各有价值，我们也配套了对应硬件分别采集。比如通过可穿戴设备完成众包 ego‑centric 数据采集，自建数采工厂高效采集真机短程数据。

▎AI 科技评论：你对可泛化模型的突破时间点乐观吗？

韩磊：我个人比较乐观。前面提到，求之的四层技术架构本身就是为更早实现物理 AGI 设计：首先是模型架构层面，S3‑S1+S2‑S0 分层解耦，最大化发挥多模态基础模型与经典机器人技术各自的优势；其次在数据收集上，我们采用众包可穿戴 + 自建数采工厂 + 家庭部署三线并进，三套数据配方并行验证，有望加速迭代；再者，模型训练可以借鉴基础模型的发展经验，但机器人领域最大的行业挑战是验证，我们通过仿真器、真机分层闭环验证，提升模型迭代效率。架构设计合理，数据规模可以快速拉起，模型迭代速度也快，因此我保持乐观。

算力困局：快慢推理与端侧芯片的天花板

▎AI 科技评论：端侧目前用的什么芯片？

韩磊：现在用的是英伟达 Orin，后续计划切换到地平线征程 6。

▎AI 科技评论：为什么要切换？

韩磊：成本。Orin 的 INT8 算力 256 TOPS，价格确实昂贵。

▎AI 科技评论：这些本质上都是智驾芯片，擅长长周期、低交互任务。机器人需要的短程高交互场景，这些芯片扛得住吗？

韩磊：可以做快慢推理，也就是快慢系统。

▎AI 科技评论：周老师（谷越）也提过求之的快慢推理，可以具体解释一下吗？

韩磊：举个例子：第一帧图像输入，慢系统需要 200 毫秒完成完整计算；后续连续帧，可以复用之前的计算结果做快推理，延迟可以压缩到 10‑20 毫秒。

复杂交互场景也需要快速反应通路。比如高交互场景，从接收图像到输出动作，理想延迟要做到 10 毫秒，而不是 100 毫秒，慢系统做不到这么快的响应。

▎AI 科技评论：那 S3 任务规划层呢？

韩磊：S3 大概是 1 赫兹，一秒一次。这一层可以慢。但需要 10 赫兹、20 赫兹高频快速响应的环节，必须在本地完成。

▎AI 科技评论：规划模块能不能放到云端？

韩磊：我认为不行。S3 这类任务拆解层放在云端尚可，一秒一次的压力不大。但需要快速响应的部分，云端网络延迟扛不住。网关、传输叠加起来，会比本地推理慢很多，还无法保证网络时刻稳定。

▎AI 科技评论：那 CoT（思维链）在机器人领域有用吗？在大模型中，CoT 是缓解幻觉的重要手段。

韩磊：CoT 是非常实用的思路。机器人领域还有一个很有价值的方向是测试时优化（Test Time Optimization）。如果算力充足，规划很难，但评估容易：生成 10 个候选动作，挑选最优的那一个执行就可以。

▎AI 科技评论：所以算力是根本制约？

韩磊：对。如果算力无限，很多系统设计都会简单很多。人脑正是受限于算力，才演化出快慢系统。快慢脑、CoT 都属于过渡性优化方案；一旦算力取得质的突破，世界模型能力也会迎来质变。

03

争议点

大家都在聊跨本体学习，这是噱头还是趋势

▎AI 科技评论：你们公司有四足、轮式双臂等不同形态机器人，同一套模型在不同本体上效果差异大吗？

韩磊：差异确实很大。但一脑多用是必然路线，否则无法消化多源异构的数据。我们依靠 S0 层模块处理不同本体之间的差异。

▎AI 科技评论：跨本体学习的瓶颈，是算法、数据适配，还是物理硬件差异？

韩磊：我感觉最大瓶颈还是算法。物理硬件差异客观存在：本体差异越大的数据，可迁移信息越少；差异越小，可迁移信息越多。核心问题在于算法如何做对齐、如何实现泛化。

▎AI 科技评论：具体会有哪些算法路线上的区别？

韩磊：最直接的优化点就是动作表征方式。比如机械臂有 7 个自由度，如果直接输出关节角度，天然无法跨本体；但把动作表征为末端抓取点在空间中的位移，就具备跨本体的基础。

▎AI 科技评论：也就是说，较差的跨本体算法直接控制关节转动；好的思路是控制抓取点在坐标系内移动。

韩磊：这只是最基础的优化思路。如果末端执行器本身差异很大，数据能够迁移的更多是 “世界如何变化” 的物理规律，而不是 “操作该如何执行” 的细节，可迁移的信息量会下降很多。

▎AI 科技评论：宇树表示下一步要做人形机器人，四足的数据向人形迁移可行吗？

韩磊：如果四足本体做得足够好，向人形迁移会有不少工程经验可以复用，但数据层面可直接迁移的部分有限。而且四足和人形的共同难点都在于本体运动控制（Locomotion），也就是机器人自身建模、关节运动控制。

▎AI 科技评论：本体运动（Locomotion）和操作（Manipulation）的区别是什么？

韩磊：本体运动是机器人自身和自身交互，大量数据可以来自仿真器，对真机数据依赖没那么强，难度相对可控；操作是机器人和外部世界交互，需要世界模型，这才是真正的难点。所以从智驾方向切入、主打 VLA 的团队，做操作任务会更难。

触觉、灵巧手与多模态融合

▎AI 科技评论：行业里有人反馈加入触觉数据之后，模型效果反而变差。触觉在具身智能里到底有没有价值？

韩磊：我认为这是 VLA 训练范式带来的问题，并不是触觉本身的问题。VLA 架构天生不擅长多模态融合。

▎AI 科技评论：世界模型架构可以解决这个问题？

韩磊：比如混合 Transformer 架构，视觉信息拥有独立编码，触觉信息配置专属位置编码，动作信息也有对应表征，多模态一起做注意力计算。无论有没有触觉样本，都不会破坏模型基础能力，自然不会出现加入触觉之后效果倒退的现象。

VLA 本身处理单模态就已经吃力，再叠加新模态效果变差是常态；原生多模态的世界模型架构不存在这个问题。

▎AI 科技评论：灵巧手和夹爪之间的差距到底有多大？

韩磊：可以从第一性原理来理解：训练一个能够生成各类操作视频的世界模型，参数量大概在 5B 级别；而训练灵巧手抓取各类物体的模型，复杂度大约在 1 亿参数以内。由此来看，学习世界物理知识难度更高；适配灵巧手、夹爪，相对更容易。

04

价值唯一衡量标准

Benchmark、打榜与行业 “外挂”

▎AI 科技评论：目前行业有没有公认的 Benchmark，可以客观衡量各家的真实水平？

韩磊：就现状来看，还不存在具备公信力、可以横向对比各家真实水平的 Benchmark。

▎AI 科技评论：那你们内部有没有自己的评测标尺？

韩磊：有的。仿真环境有一套测试集，依托自研仿真器，尽可能还原真实输入，缩小仿真到现实的差距，场景也在持续扩充。真机侧也配套对应的测试基准 —— 我们本身就要采集真机数据，评测可以同步完成。

▎AI 科技评论：最近不少公司放出机器人打乒乓球、打网球的演示视频，用来佐证自身操作能力与响应速度。这类演示水分大吗？

韩磊：行业有一条心照不宣的红线：不要依赖 Vicon 光学动作捕捉系统辅助。一旦现场架设动捕设备给机器人输出球的轨迹坐标，相当于作弊。展示出来的就不再是机器人自身的感知预测能力，而是外部系统喂出来的结果。如果借助动捕，球类任务演示就失去了意义。

▎AI 科技评论：那衡量一家具身智能公司真实价值的标尺是什么？

韩磊：机器人格斗、踢球这类竞赛，更多考验本体运动能力，而非精细操作能力。真正的评判标尺，最终还是产品在真实市场中的表现。

05

行业竞合，未来变数

▎AI 科技评论：现在各家的世界模型方案差异大吗？

韩磊：差异非常大。一部分偏向 AGI 路线，一部分做通用具身模型。争议集中在哪条路线可以率先跑通。视频生成已经落地出产品，但不代表它可以直接照搬到机器人场景。

▎AI 科技评论：最后一个问题：你先后在大疆、华为任职，如今来到创业公司。大厂经历对你做具身智能最大的启发是什么？

韩磊：我觉得最大的帮助，是学会紧紧抓住事物的本质。落到我的工作上，就是去探索更适配机器人场景的表征方式。

在大疆做 Phantom 4 的时候，我们依靠计算机视觉，让机器人在算力有限的嵌入式设备上稳定飞行，还要适配全球数十个国家复杂多变的飞行环境。那段经历让我意识到，人工定义的规则很难规模化；想要智能系统适配开放世界，必须走数据驱动路线，而数据驱动的核心，就是找到高效的世界表征。一套优质表征，可以降低对数据、算力的依赖，提升模型泛化能力。

后来在华为做世界模型预研，我们进一步研究如何依靠表征去理解、预测物理世界。从新视角渲染（next‑view rendering）到未来 3D 世界预测，本质上都是在寻找更高效的世界建模方式。过程中我们也发现，单纯像素级视频表征虽然具备可扩展性，但计算开销大，还很难保证物理一致性，因此需要探索更适配机器人的表征范式。

来到求之科技之后，我们把这套思路落地到具身智能。机器人面对动态物理世界，核心依旧是学习更好的表征。目前 S2 层采用运动轨迹表征，对比像素级方案，在推理效率、边缘端部署、泛化能力上都有提升，让有限算力可以承载能力更强的模型。

在两小时的对话中，韩磊几乎没有主动提及任何竞争对手的名字。即便我们主动追问，他也大多以 “不好评价” 或者 “从积极角度理解” 作答。这份克制，或许比任何技术路线争辩都更有参考意义。在这个充斥 PPT 融资与 Demo 内卷的赛道，真正埋头做产品的团队，反而常常选择沉默。

求之科技最终能否率先实现家用机器人落地，我们不做预判。但至少当下，他们给出了一种区别于 “具身叙事” 的创业姿态：不讲最大的故事，做最小的闭环。

上车，带你看遍全球 AI 顶会精华

可独家畅览：

专家演讲PPT

大会报告全文

热门论文解读

学术新星访谈

未经「AI科技评论」授权，严禁以任何方式在网页、论坛、社区进行转载！

公众号转载请先在「AI科技评论」后台留言取得授权，转载时需标注来源并插入本公众号名片。