当机器人开始理解世界，通用智能才进入物理空间。

作者丨吴思梦 陈嘉欣

编辑丨岑 峰

过去几年，机器人解决的问题是 " 如何更精准地执行动作 "。

在工业生产线上，机器人可以完成焊接、搬运、装配等大量重复任务，但这些能力建立在一个前提之上：环境、流程和目标都已经被提前定义。机器人并不需要真正理解世界，只需要按照预设路径完成任务。

但当机器人开始走出工厂，进入物流、服务甚至家庭场景，问题正在发生变化。面对一个没有见过的物体、一个没有训练过的任务，机器人能不能理解环境、预测变化，并找到完成任务的方法？

这成为通用机器人走向下一阶段必须回答的问题。

大模型的发展为机器人提供了新的可能。语言模型证明，人工智能可以通过大规模数据学习复杂规律，并获得跨任务泛化能力。但机器人面对的并不是语言世界，而是真实的物理世界。

因此，具身智能领域正在探索一个更底层的问题：大模型究竟应该如何赋能机器人？

目前行业的主流方向是 VLA。它让机器人通过学习大量人类行为数据，将视觉、语言和动作统一起来。但 VLA 的核心仍然是模仿——模型学习人类过去如何行动。

问题在于，如果机器人面对一个从未见过的新任务，仅依靠已有动作经验，是否能够真正泛化？

另一条更激进的路线，是让机器人拥有世界模型。它不只是学习 " 应该做什么动作 "，而是尝试理解物理世界运行的规律，并预测未来可能发生什么。

在 WRC 2026 大会上，星动纪元创始人、CEO 陈建宇提出了自己的判断：世界模型可能不仅是 VLA 的增强模块，而可能成为下一代具身智能的核心范式。他更强调机器人作为物理智能体的特殊性。模型的进化并不只依赖数据规模，还需要通过本体进入真实世界，在真实交互中获得反馈。大脑、本体和场景并不是三个独立环节，而是在持续循环中共同演化。

以下为陈建宇演讲内容精编，雷峰网 · AI 科技评论在不改变原意的基础上进行编辑和整理。

01

通用机器人的两个特征，与协同进化的飞轮

终端之后的下一代智能终端产品，很可能是以某种家用机器人的形式存在的。这里最关键的一点，是能不能打造出更加通用的机器人。

我认为，这样的机器人必须具备两个特征。第一个特征是上限更高：拥有更高的自由度、更高的智能，能够做到许多以前的机器人做不到的事情，从而把整个市场打开。第二个特征是更加通用、泛化性更强：当我们去做一件新的事情时，不再像以前的专用机器那样需要重新开发硬件和软件，绝大部分能力都可以直接复用与泛化。

要打造这样一个通用机器，避不开两件事：同时做它的 " 大脑 " 和它的 " 本体 "。围绕这个目标，我们这几年已经实现了通用机器人软硬一体、全栈自研的多项突破。在大脑侧，自研了支撑端到端的大模型运动控制；在本体侧，自研了双足本体关节与灵巧手，并把它们很好地整合到了一起。

做这件事最重要的，是把大脑、本体和场景协同起来，形成一个协同进化的飞轮。飞轮的最上层，是我们的端侧具身大脑大模型，包括我们做的 VLA、世界模型与数据等，它是一个通用模型，能适配多种不同的本体、用到不同的场景中。中间层是本体：具身大脑最终要产生价值，必须放在某个本体之上，才能与物理世界交互、真正去干活。

最终，我们把大脑与本体一起应用到各类场景里，只要大脑足够通用、本体足够通用，它们就能比较通用地进入各个场景。而在场景应用的过程中，我们会不断获得大量数据反馈，这些反馈又反过来反哺模型的发展。就这样，我们把技术和商业化很好地协同起来，形成协同进化的飞轮。下面，我具体讲讲我们的思路和做法。

02

大脑：从端到端 VLA 到世界动作模型

先从具身大脑层面讲起。我把到目前为止的具身大模型迭代，归纳为三个范式。

第一范式：语言模型 + 机器人控制。这一切都始于 ChatGPT 大模型的出现。最初我们探索的是把语言大模型用在机器人里，但整体框架仍是传统的模块化机器人思路：用语言模型增强上层的推理，下层仍然是传统的感知、控制、执行模块。这一阶段，我们做出了全球首个大语言模型结合人形机器人的学术工作——以语言模型作为上层规划，下层感知控制执行仍由传统方法完成。

但我们很快意识到这种分层方法的局限：感知、规划、控制、执行都被模块化，模块间的特征和接口靠人工定义，无法端到端训练。语言模型和视觉模型都经历过从 " 模块化、人工定义特征 " 到 " 端到端、靠数据 scaling" 并最终成功的转变，我们相信，具身智能也应遵循类似的范式。

第二范式：多模态底座上的 VLA 模型。大约在 2023 年，以 GPT-4 为代表的多模态语言模型出现，把视觉等信息融了进来。对应到具身模型，就产生了 VLA：在多模态模型的底座之上，把机器人非常重要的动作和与环境交互的功能，也融合进同一个统一模型。今天典型的 VLA 模型，比如 Google 的 PaLM 系列、RT 系列等，已经形成统一范式：以多模态语言模型为底座，再加上一个动作头，端到端训练。这一范式，我们其实是历史上最早公开成论文发表的团队之一，2024 年就发表了相关工作。

第三范式：世界模型。在 AI 大模型一侧，最早的代表是 2024 年发表的 Sora 第一代，如今 Seedance 等也发展得非常迅速。具身智能基于类似的方法，做出了我们所说的 " 世界动作模型 "，它除了能预测未来的动作，还能预测未来世界状态的演化，从而形成一个闭环。

那么，为什么我认为还需要做世界模型？VLA 的局限，不在端到端训练本身，而在它的学习方式上。VLA 几乎所有的学习都靠 " 模仿 "：所以要采集大量人类行为数据，通过模仿形成泛化。但这种泛化相对有限——遇到一个新场景、新任务，如果没有被模仿过，它很难举一反三地泛化过去。世界模型则不同：它要构建的是对物理世界的常识性理解，这种理解天然具备较好的泛化性，比如一个水杯，你往下倒水，水就会往下流，这类常识不需要一遍一遍地学。这正是我们认为世界模型能大幅提升泛化性的原因。

从功能上看，我们的世界动作模型涵盖了 VLA 的全部功能：左边输入，上面是代表 " 视觉 " 的感知输入，下面是代表 " 语言 " 的 prompt；右边上面是 " 动作 " 输出，它同样要产生动作。而世界模型还多出一块：能够对物理世界的未来演化进行预测。

两者更大的区别，在于智能底座：VLA 的底座是多模态语言模型，最底层的智能内核是语言，优势是抽象思维强、泛化广，缺点则可能缺失一些细节的物理信息与理解；而如今的世界模型多以视频模型为主，直接处理原始的图像、视频、音频数据，这些数据里包含了更丰富的物理世界细节，视频模型能直接处理它们。所以我认为，视频底座的世界模型，更适合我们这种面向物理世界操作的具身模型。

沿着这条思路，我们做出一系列工作。早在 2024 年，我们就发表了世界动作模型的工作——这是全球首个融合视频预测与动作预测的世界动作模型，如今也基本成为世界动作模型的标准范式，比英伟达的类似方案早了约一年。在数据层面，世界模型对数据的吸收能力比较强：我们构建了基于大规模人类行为的数据集，2025 年初发表论文将其与世界动作模型结合，数据集中不仅加入机器人真机数据，还把第一人称的人类操作数据也一起用于训练。此外，我们还与 Facebook AI（FAIR）团队的 Andreas 合作完成了 ControlNet 相关工作，进一步提升了动作行为的精准可控性；并把世界模型放到真实世界中，用真实反馈进行迭代与强化学习。

具体方法不再赘述，我展示一下我们模型的能力。

第一，世界模型的建模与预测能力。我给大家看了两幅图：一幅是世界模型生成的，一幅是真实世界实拍的——几乎分辨不出来。这说明通过大量数据和较好的网络设计，世界模型已经能精准预测复杂的物理现象。类似的例子还有很多：毛巾的褶皱、把一张抽纸抽出来，这些细微操作都能被很好地建模，这对精细操作非常有利。

第二，零样本任务泛化。这是我们关于 " 泛化 " 的终极追求——任务级泛化：完全没有学过类似任务，模型也能完成。现在的 VLA 模型能较好实现 " 物品泛化 "（换个物品或位置可能仍能泛化），但 " 新任务泛化 " 很难。我们希望模型面对没见过、没训过、没有数据的任务也能做到。零样本的意思，就是把预训练模型直接接到新任务上，看它能否泛化过去。

我们在自己办公区随机取景、随机下达指令，得到了比较好的初步结果：场景背景复杂多样，指令还带有一定逻辑推理——比如 " 把左边的拖鞋放到右边拖鞋的旁边 "" 把第二个水杯拿起来 "" 从一堆杂物中把胶带拿起来，并把它从水平方向放到垂直 "。模型能够端到端地把这些行为动作直接预测出来。

第三，精细操作与跨本体能力。经过大量后训练，模型可以完成比较精细的操作：叠纸盒、翻袜子（把袜子从里到外翻出来）、脱鞋、开水，都能做得比较好。它还具备跨本体的能力，能够操作复杂的灵巧手，进而使用工具，比如用螺钉枪打螺钉，用移液器时不仅拿起来、移动到对应位置，还会用大拇指按下按钮再操作。我们也因此获得了一些国际榜单的奖项。

03

本体：全栈自研的双足与灵巧手

有了一个能够理解世界的大脑，还需要一具与之匹配的身体。

对于通用人形机器人来说，灵巧手、双足以及全身高自由度运动控制，都是过去没有成熟答案的方向。传统机械臂解决的是固定场景下的重复动作，而人形机器人需要进入开放环境，面对更多未知任务。因此，我们选择从整机、关节模组、机械手，到电机、减速器、驱动器进行全栈自研，同时开发对应的运动控制算法。

我们设计这套本体的目标，并不是让机器人完成某一个动作，而是让它具备进入真实物理世界、承担更多样任务的能力。全尺寸双足机器人需要同时兼顾力量、速度、自由度和工作空间，这也是为什么人形机器人的硬件路线正在从传统机械设计，走向更高自由度的整机学习和控制路线。

在运动控制层面，我们做了全球首个面向商用的人形机器人复杂地形方案，2023 年底已实现涉水行走、上下楼梯等能力，今年春节期间，我们还发布了全尺寸人形机器人舞剑的演示，因为我们的公司做的是通用机器，我们仍能让它做出非常优美的舞蹈动作，它的尺寸比较大、惯性也比较大，来回翻转的难度其实很高。

再看灵巧手。灵巧手是我们末端执行器的重要类型。以往工业里主要用夹爪和吸盘，只有一个自由度，只能把物体夹起来放到另一个地方，很难做翻转、手内操作等复杂动作；而灵巧手可以像人的手一样做非常复杂的操作。另一个重要的点在于：现在我们的数据都来自人类行为数据，灵巧手能更好地与人类行为匹配，从而把人类行为数据用得更充分。

目前灵巧手主要有三大技术派系：连杆驱动、腱绳驱动与直驱。我们在全行业最早推出全直驱的灵巧手产品，直驱的好处很多，最大的一个是响应速度极快：我们的手一秒钟能点击 10 次鼠标，达到超人类的水准；因为有较好的反驱能力，抗冲击能力也强，稳定性好；同时我们把它做到了 24 千克的负载。

04

商业化与结语：飞轮转起来之后

把软件和硬件都做好、阶段化以后，最终最重要的，是把它真正落到商业化场景里去。我们始终坚持同时做软件和硬件，就是为了打造完整的产品，最终提供完整的解决方案交付给终端用户。我们从物流工业起步，逐步向服务、C 端和家用渗透。另一条线是：把硬件平台、软件工具链与 API 开放出来，供二次开发者或研究者使用、拓展。

我认为，从今年开始，具身行业已经进入商业化的拐点。以我们为例，B 端客户项目已经覆盖十余个城市，在各类物流工业场景中常态化运作。不仅仅是拍一个 demo。各行各业对机器人也非常关注：机器人就像 AI 大模型一样，是一个通用的东西，可以与各行各业结合。

从互联网大厂，到汽车主机厂，到 3C 电子公司，到物流公司，都有非常多的需求。我们在物流分拣等场景已有实际应用案例；同时，基于我们开放的硬件本体、API 和软件工具链，很多用户搭建了自己的应用，或开展新型研究，形成了比较丰富的生态成果。

最后总结一下。大家可以看到，即便在物流这样的具体场景，我们用的也是 " 端到端大模型 + 人形机器人 + 灵巧手 " 这一通用形态，再用它逐步去做具体的专用场景。这样做，是希望通用形态能够持续迭代：进入下一个场景时，我们不需要重新搭建一整套系统，之前场景构建出的能力和数据都可以较好地复用。在此基础上，随着整个系统能力的发展，我们不断开拓更新的场景，这样的规划飞轮，我们已经初步建立起来。

通用机器人不是一个单点产品，而是一个持续进化的系统。大脑更聪明，本体更强大，场景更广阔，飞轮就会转得越来越快。感谢大家，这是我今天的分享。

WRC 2026 要来了，你还在单打独斗？

为了方便大家抱团交流、互通会议消息，我们专门建了WRC2026 参会群！进群你会解锁这些「福利」?

会议情报站：投稿 DDL、格式规范、评审进度……关键节点第一时间送达，再也不怕错过 deadline，投稿准备稳稳的。

同行茶话会：天南海北的同行都在群里，聊心得、碰思路、攒人脉，科研路上我们同行。

前沿补给站：最新研究成果、热点方向实时同步，结合会议主题帮你捋清投稿脉络，给论文灵感加满油。

现场后援团：（会议期间专属开启）：到了会场也不用慌——

路线导航：场馆分布、报告厅怎么走，群里随时问；

议题共读：热门 workshop、Keynote 现场探讨，错过也能追；

Poster 汇编：现场海报精华整理，一键收藏不遗漏；

约局广场：约饭局、采访局、交流局……想唠嗑、想合作、想面基，群里发起就成。

? 进群传送门：扫码进群或添加微信 Qvv0909777，备注：WRC+ 单位 / 学校 + 姓名 + 方向。

搞科研 / 搞技术，信息差很重要。

来，一起快人一步！

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