清华联合伯克利提出连续世界模型，机器人不用再逐帧猜环境

来源：市场资讯

（来源：DeepTech深科技）

在具身智能的演进中，世界模型被寄予厚望：它不仅要生成未来画面，更要帮助机器人理解世界如何连续变化。然而，当前主流的视频生成与部分机器人世界模型，它们的底层架构大多仍受制于一个固有的思维定式：离散的下一步预测（Discrete Next-step Prediction）。

简单来说，这种模式将连续的物理世界切分成了一帧帧静态的画面。AI 预测未来时，必须像翻连环画一样，根据当前帧去推演下一帧。这种方式在短时间的视觉生成上大放异彩，但面对长视距的物理任务时，却暴露出明显缺陷：由于误差会逐帧累积，时间一长，AI 就容易偏离原本的物理规律，产生不合逻辑的幻觉。

近日，清华大学智能产业研究院（AIR）与加州大学伯克利分校（BAIR）团队合作提出了一种全新的预测范式 ODEWorld，其建立在连续的“物理时间流”（Physical-Time Flow, PT-Flow）之上。与传统方法直接预测下一帧是什么不同，ODEWorld 试图学习的是：世界究竟怎样从当前状态连续地变化到未来状态。

图 | 连续世界模型概念（来源：受访者提供）

实验中，当研究人员把模型预测出的连续中间状态用于指导机器人后，四项真机任务的平均成功率从 55% 提高到了 80%。

谈起这项研究的出发点，论文共同一作刘东岫告诉 DeepTech，“真实世界是连续变化的，机器人要理解世界怎样运动，其中速度是一个很重要的变量。看到一个物体运动，我们既要知道它往哪个方向走，也要知道它运动得有多快。传统的离散帧世界模型很难直接表达这些信息。”

世界模型，究竟是在“理解”还是“模拟”世界？

在讨论这项成果之前，我们需要先回答一个更基本的问题：今天被统称为“世界模型”的技术，究竟在做什么？

视频生成、三维世界建模、通过预测未来帮助机器人决策，以及让机器人进入虚拟环境训练，这些不同方向如今都可能被称为世界模型。但刘东岫认为，它们实际上可以进一步拆成两类目标：理解世界和模拟世界。

所谓“模拟”，是尽可能准确地复现真实环境。如果要让机器人进入一个虚拟世界进行大规模训练和测试，场景、物体以及各种视觉细节都需要足够逼真。在这条路线上，世界模型更像一个高仿真的模拟器。

“理解”解决的则是另一类问题。机器人看到一段人的操作视频，需要知道其中发生了什么；进入一个场景，需要识别物体在哪里、它们之间是什么关系，以及这些状态正在怎样变化，再把这些信息交给下游动作模型。

两者对模型提出的要求并不相同。模拟追求尽量还原现实，而理解并不要求保留每一个像素。相反，大量背景、纹理和视觉细节对于机器人当前的动作可能并不重要，模型需要把复杂视觉信息压缩下来，留下真正与状态和变化相关的部分。

“理解这件事情，本质上需要压缩。”他说，“我们希望找到一种更加自然、更接近本质的世界表征，再用这个表征指导机器人执行动作。”

按照这一划分，ODEWorld 更接近“理解”这条路线。对团队而言，问题不仅是把视觉信息压缩得更小，更重要的是：压缩之后，究竟应该保留什么。

他们认为，其中一个关键就是世界的动态变化。机器人不仅要知道场景里有什么、物体在哪里，还要理解物体正在怎样运动，以及这些状态如何随时间发生变化。

但现有视觉世界模型通常沿用视频本身的离散形式，根据当前帧预测下一帧。问题在于，视频虽然是一帧帧记录的，真实世界却始终连续变化。摄像头拍下的只是一个个时间切片，两帧之间，机械臂仍在移动，物体的位置、方向和速度也在不断变化。

因此，在刘东岫看来，仅仅压缩视觉信息还不够，模型还需要把这种连续变化本身表示出来。“传统的一些世界模型，是通过预测下一帧图片来理解世界。如果下一帧预测得很好，就认为机器人理解了世界怎么变化。但我们想做的是，不仅要知道下一帧是什么，还要让机器人理解它是怎么从这一帧变到下一帧的。”

除此之外，真实机器人采集到的视频也并不总是严格均匀。不同设备可能具有不同帧率，即便标称相同，传感器实际采样时间也可能出现误差或掉帧。离散模型往往弱化了这些真实的时间差异。

于是，ODEWorld 试图把“物理时间”重新带回世界模型：它关心的不再只是下一张画面是什么，而是此刻的世界正在朝什么方向、以怎样的速度变化？

图 | 生成效果（来源：受访者提供）

不再一帧帧猜，而是学习“世界往哪里走”

为了解决这一问题，研究团队提出了物理时间流（PT-Flow）。它不再直接学习这一帧之后是哪一帧，而是把世界的变化表示成一个随真实时间连续演化的过程。

第一步，是先把复杂的视觉信息压缩下来。

ODEWorld 使用预训练的 DINOv2 提取图像特征，再进一步把真正随时间变化的信息压缩到一个更小的空间中。原因在于，一张图片里包含大量背景、纹理等信息，但这些内容并不都与物体如何运动有关。

刘东岫认为，这种压缩对于面向机器人的世界模型尤其重要。“机器人最后要部署到真实世界，它不可能带着大量显卡支撑计算，因此必须高效压缩世界表征。”模型真正需要留下的，不是所有像素细节，而是有用的动态信息，也就是对世界变化本身的理解。

为此，团队设计了动态表征解耦，把相对稳定的背景和初始状态，与随时间不断变化的动态信息尽量分开，让模型集中表示什么发生了变化。同时，通过图像重建进行约束，保证压缩后的信息没有丢掉理解当前场景所必需的内容。

这种设计还试图解决隐空间世界模型中一个常见问题——表征坍塌（representation collapse）。

简单来说，如果压缩过头，不同画面、不同动作阶段可能最终都被模型表示成几乎一样的状态。刘东岫把这种情况形容为模型“摆烂了”：无论看到什么，都输出差不多的东西。这样虽然预测变得容易，但模型也失去了真正区分世界状态的能力。

ODEWorld 的做法，是把“保留状态信息”和“预测未来变化”拆开监督：一方面通过重建保证压缩后的表征仍然包含足够信息，另一方面专门学习这些状态如何随时间变化。论文的表征分析也显示，这种方式能够明显降低坍塌风险。

接下来是 PT-Flow 最关键的一步：学习世界变化的方向和速度。

虽然训练数据仍然是一帧帧图片，但相邻画面之间有真实的时间间隔。团队先从这些观测中估计变化速度，再通过 JVP（Jacobian-vector product，雅可比向量积）把图像层面的变化映射到压缩空间，得到更连续、平滑的动态变化，并让模型直接学习这种变化规律。

这样，ODEWorld 学到的就不再只是“A 之后是 B”，而是从 A 到 B 之间的状态怎样连续变化。

预测时，模型从当前状态出发，通过普通微分方程（ODE）求解器把每一刻的变化不断累积起来，因此可以得到未来任意时间点的状态。原本两帧之间没有被拍下来的时刻，也可以沿着这条连续轨迹推演出来。

图 | 任意时间分辨率生成（来源：受访者提供）

刘东岫举例说，如果数据集中前后两帧相隔 0.1 秒，ODEWorld 可以进一步预测 0.01 秒、0.05 秒等中间时刻的状态，并呈现连续的变化趋势。

同一套连续轨迹还可以反向求解。在不额外训练新模型的情况下，改变积分方向，ODEWorld 就可以从当前状态向过去反推。刘东岫将这一实验视为对模型连续性的一项验证：它不是简单把已有视频倒放，而是沿着模型学到的变化规律反向推演。

图 | 反向生成（来源：受访者提供）

这种在紧凑空间中预测的方式也带来了较高的计算效率。64 帧长程视频预测实验中，ODEWorld 在单张 A100 GPU 上的预测延迟为 0.072 秒，而 V-JEPA 2 和 LDP 分别为 0.619 秒和 3.953 秒。

预测速度提高的同时，画面质量也保持了较好的水平。在 64 帧长程预测中，ODEWorld 的 PSNR 达到 19.46（数值越高，说明预测画面与真实画面在像素上越接近），高于 V-JEPA 2 的 16.47 和 LDP 的 16.27；感知相似度指标 LPIPS 为 0.134（数值越低，说明看起来越自然、越接近真实），也优于另外两种方法。

因此，PT-Flow 改变的并不只是能否补出更多中间画面，而是世界模型描述变化的方式：传统方法主要学习“A 之后是什么”，ODEWorld 则进一步尝试学习“A 是怎样连续走到 B 的”。

从预测未来，到指导机器人行动

连续建模是否有价值，最终还要回到机器人任务本身：它能不能帮助机器人把动作做得更好？

为此，研究团队没有把 ODEWorld 生成的未来画面直接交给机器人，而是利用模型学到的连续轨迹，在当前状态和任务目标之间生成一系列中间状态，也就是隐空间子目标（latent subgoals）。

可以把它理解为给机器人增加了一组“中途路标”。例如完成插笔任务，机器人不能从“拿着笔”直接跳到“笔已经插进笔筒”，中间还要经历靠近笔筒、调整位置、对准开口、逐渐插入等多个阶段。ODEWorld 根据学到的世界变化规律预测这些中间状态，再把它们提供给下游动作模型，帮助机器人判断下一步应该朝哪里行动。

论文分别测试了速度信息、单个中间目标和连续多个中间目标三种指导方式。其中，连续提供多个子目标的效果最好。在 LIBERO-LONG 的 10 项长程操作任务中，这一方案平均成功率达到 83.6%。

研究团队随后将方法部署到真实双臂机器人上，测试夹虾入锅、鼠标收纳、插笔和双臂整理物体等 4 项任务。在底层 X-VLA 动作模型保持一致的情况下，加入 ODEWorld 提供的连续中间目标后，4 项任务的平均成功率从 55% 提高到 80%。

这组实验表明，ODEWorld 学到的连续变化信息不仅能够用于预测未来，也能够进一步转化为机器人执行任务时可以利用的指导信号。

刘东岫更期待的一个变化，是提高机器人学习新任务的数据效率。

机器人领域真正带有动作标注的数据仍然有限。如果世界模型能够先从更多图像和视频中学习世界如何变化，再把这种能力迁移给下游策略模型，就有机会减少每一个具体任务需要的机器人操作数据。

刘东岫表示，团队后续也希望继续推进 scaling，使这类世界模型逐渐成为更通用的上游模型，再通过较少的下游数据适配具体机器人任务，提高真实执行的准确率。

不过，ODEWorld 目前解决的仍然只是物理世界建模中的一部分问题。真实世界除了时间上的连续变化，还存在接触、碰撞、摩擦和力等更加复杂的物理规律。当前 ODEWorld 并没有对这些因素进行建模。

刘东岫也并不把连续时间视作世界模型的最终答案。“我们不会说它就是终局。”在他的判断中，未来更完整的方向应该是物理世界模型，而连续时间会是其中一个重要组成部分。

1.https://dstate.github.io/odeworld_website/

2.https://arxiv.org/abs/2607.27924

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成