北京
五级路线图首次公开
8月19日，世界机器人大会的一场分论坛上，生数科技创始人兼首席科学家朱军给出了通用世界模型的分级框架。按他的划分，通用世界模型一共五级，逐级往上，生数科技的研发和落地覆盖到了第三级。
眼下AI圈对通用世界模型的定义各说各话。视频生成公司把它讲成模拟器，机器人公司把它讲成决策大脑，自动驾驶玩家也在往里下注。朱军这次给出的答案，试图把散落的说法收拢到一个框架里。
从学骑自行车说起
朱军的定义从第一性原理出发。他打了一个比方：人学骑自行车、学开车，都是从笨拙到熟练。这个过程里，大脑并没有死记硬背动作，而是在与外部世界持续互动的过程中，逐渐建立了一个关于世界如何运转的内部模型。
映射到机器上，通用世界模型需要三项彼此关联的能力：理解世界、预测未来、采取行动。理解世界是看懂环境、判断状态；预测未来是预判接下来会发生什么、不同动作带来什么结果；采取行动是影响数字或物理环境，并用真实反馈修正理解与预测。
“通用世界模型不是单一的生成器、模拟器、机器人动作模型或策略模型，也不是这些能力的割裂片段或简单线性串联，而是三种能力耦合在一起的闭环反馈系统。”朱军说。
数据金字塔与MoT架构
通用世界模型终究是大模型，算力、算法和数据三件套一样绕不开。数据层面，朱军给出了一个多层金字塔：最底下铺海量网络视频，往上是领域视频，再往上是第一视角的人类视频和带动作记录的人类示范，塔尖是真实机器人交互数据。越往上数据越稀缺，成本越高，跟任务动作和物理结果的联系也越直接。
架构上，生数科技的答案是MoT，即Mixture-of-Transformers。不同模态各配专属参数，再用共享注意力打通跨模态交互，环境理解、状态预测、动作生成就都能在同一个模型里跑。世界动作模型Motubrain建在这套架构上，把理解和预测跟行动装进一个模型，不再按模块切开各管一段。
前三级的落地实践
模型对世界理解得越深，跟世界的交互越强，自主性越高，层级就越高。生数科技这几年的实践落在前三层。
- L1 世界生成：让模型学会生成连贯的世界演化过程，视频是最典型的载体，对象、运动、空间关系、时序变化都从这里学起。
- L2 与世界交互：模型能接住实时输入，语言、语音或控制信号进来，后续内容跟着变，一次生成变成了持续互动。
- L3 在世界中行动：模型跨进物理世界，环境理解、未来预测、动作生成要真正统一，直接输出机器人能执行的动作，再拿真实反馈持续修正。
再往上是L4自主世界智能体，围着长期目标主动感知环境、拆解任务、探索没见过的状态、持续规划行动；以及L5世界组织者，视野放到单个智能体之外，机器人、数字智能体、人、工具都归它调度，做多智能体之间的任务分配与协作。
Motubrain的数据表现
Motubrain是生数科技眼下最能打的一张牌。生数科技给出的数据显示，Motubrain推理速度比Motus快了约10倍，换一个机器人本体，50到100条人类示范数据就能完成适配。RoboTwin 2.0基准测试拿下96.1分，排在榜首，银河通用、星尘智能、千寻智能等近十种本体上已经跑通了验证。
L1到L3有了相对具体的技术实践，但离高阶世界智能还远。视频模型的生成质量、可控性、时空一致性都有待提高，世界动作模型放进更复杂更开放的真实环境，稳定性、泛化能力、执行效率也需要优化。
迈向L4和L5的六项挑战
再往L4和L5走，朱军指出了六项关键挑战：建立覆盖理解、预测、行动和迁移能力的联合评测体系；学习接触、摩擦、作用力和干预后果等真实物理规律；形成持久且可修订的记忆；通过真实交互实现在线学习与自我进化；满足现实延迟与资源约束的高效闭环部署；以及安全性与可控性。
“当理解、预测与行动真正形成闭环，世界模型将不再只是生成内容的模型，或执行任务的机器人策略，而会成为连接数字世界与物理世界、迈向通用具身智能的重要基础。”朱军说。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
