官方网站-首页

【导语】AI进化浪潮汹涌，具身智能面临“物理鸿沟”难题。近日，北京人形机器人创新中心开源全新具身世界模型WoW，以“物理引擎+想象系统”构建思路，结合交互数据与SOPHIA自学框架，突破时空一致性与物理推理瓶颈，让机器人从“看世界”迈向“理解世界”，为具身智能打开新可能。

近年来，AI的进化让人目不暇接。从GPT系列“读懂语言”，到Sora系列“看世界”，我们一次次被AI惊人的能力所震撼。但一个更深刻的问题随之而来：如果AI要真正走进物理世界，成为能洗衣、做饭、装配的机器人，它需要什么？

波士顿动力的机器人可以后空翻，北京人形机器人创新中心（以下简称“北京人形”）的“具身天工Ultra”也能跑完半程马拉松。这些“体能”上的飞跃肉眼可见。然而，让机器人完成一个后空翻很难，但让它“理解”面前的水杯为什么倒下后水会洒出来，或许更难。这，就是具身智能面临的“物理鸿沟”。

近日，“北京人形”开源了其全新的具身世界模型——WoW（World-Omniscient World Model）。“WoW就是为了让机器人‘理解物理世界’，并且给到算法触摸世界的双手。”北京人形相关技术人员说。

为什(shén)么(me)“以假乱(luàn)真(zhēn)”还不够？

Sora 2的出现，确实让AI成了个出色的“电影导演”，它拍出的“大片”逼真到让人惊叹。但在具身智能领域，一个机器人不能只当“观众”或“导演”，它还要当(dāng)“物(wù)理学家”，因为“看起来真实”和“物理上正确”是两码事。

机器人需要的，是对“时序一致性”和“物理因果链”的统一。比如一(yī)个(gè)东西被推了，它应该往哪儿倒；一个杯子倒了，水必须洒出来。Sora 2或许能生成一个“看起来”很酷的机器人动作，但WoW要确保这个动作符合牛顿的规矩。

“相较于Sora 2，WoW具身世界模型在模拟机器人操作的时空一致性、物理推理能力表现更为出色。”北京人(rén)形(xíng)相(xiāng)关技术人员表示。

在素材的对比测试(shì)中(zhōng)，无(wú)论(lùn)是让模型模拟“依次抓取火方块、柔性方块、水方块”，还是“打开一本图书”，WoW生成的模拟结果在物理交互的准确性上，都显现出优势。

这种差异的背后，源于WoW不同的构建思路。它不是一个单纯的视频(pín)生(shēng)成(chéng)器(qì)，而(ér)是(shì)一(yī)个被设计为“物理引擎+想象系统”的DiT（Diffusion Transformer）世界生成基座模型。它的核心任务是根据环境状态与历史帧，预测未来场景、推演物理演化，并还原动态的因果链。要实现这一点，数据是关键。WoW的学习材料并非来自互联网上的海量视频，而是来自一个更专注的数据库。“北京人形”相关技术人员表示，他们从800万条海量的“机器人与物理世界交互轨迹”中，通过自建的数据优化精炼管线，筛选出了200万条高质量的训练集。这种“交互数据”而非“观察数据”，可能是WoW理解物理的关键。

此外，该团队还验证了模型规模与性能的“幂律增长”关系。他们训练了从1.3B（“B”代表十亿）、2B、7B到14B参数的全系列模型。研究结果证明：“随着模型规模提升，物理一致性与生成稳定性以及泛化性呈显著上升趋势。”

如何让模型“自己教自己”？

如果说庞大且高质量的交互数据是“教材”，那么WoW的核心创新之一，就是一套名为SOPHIA（Solver-Critic-Refiner）的“自学方法”。“北京人形”在其研究中称，这是“业内首次提出SOPHIA框架，让世界模型‘自己教自己’。”

这套机制，试图模拟人类“想象－验证－修正－再想象”的核心智能特征。它由两个关键部分组成，形成了一个“生成－批评－改进”的闭环优化过程。

但光会“想”还不行，机器人必须能“做”。WoW系统的另一大支柱，是FM-IDM逆动力学模型（Flow-Mask Inverse Dynamics）。这正是那双“触摸世界的双手”。它的作用，是将在“想象”中生成的视频翻译成真实世界中可执行的机器人指令。通过给定连续两帧预测视频，FM-IDM能够计算出机器(qì)人(rén)末(mò)端(duān)执(zhí)行(xíng)器(qì)的(de)动(dòng)作(zuò)变(biàn)化(huà)量(liàng)，类(lèi)似(shì)AI在(zài)脑(nǎo)子(zi)里(lǐ)想(xiǎng)好(hǎo)了(le)“手(shǒu)从(cóng)A点(diǎn)移(yí)动(dòng)到(dào)B点(diǎn)”的(de)画(huà)面(miàn)，FM-IDM就(jiù)能(néng)反(fǎn)推(tuī)出(chū)“机(jī)械(xiè)臂(bì)关节(jié)需(xū)要(yào)旋(xuán)转(zhuǎn)X度(dù)、Y度(dù)”的(de)具(jù)体(tǐ)指(zhǐ)令(lìng)。技(jì)术(shù)人(rén)员(yuán)解(jiě)释(shì)说(shuō)，“这(zhè)标(biāo)志(zhì)着(zhe)真(zhēn)正(zhèng)实(shí)现(xiàn)从(cóng)生(shēng)成(chéng)到(dào)执(zhí)行(xíng)的(de)跨(kuà)越(yuè)。”

开(kāi)源(yuán)一(yī)个(gè)“具(jù)身(shēn)大(dà)脑(nǎo)”意(yì)味(wèi)着(zhe)什(shén)么(me)？

一(yī)个(gè)模(mó)型(xíng)是(shì)否(fǒu)真(zhēn)正(zhèng)理(lǐ)解(jiě)了(le)规(guī)律(lǜ)，最(zuì)好(hǎo)的(de)检(jiǎn)验(yàn)标(biāo)准(zhǔn)是(shì)“泛(fàn)化(huà)能(néng)力(lì)”。“WoW不(bù)是(shì)在(zài)记(jì)忆(yì)训(xun)练(liàn)场(chǎng)景(jǐng)，而(ér)是(shì)在(zài)学(xué)习(xí)‘物(wù)理(lǐ)规(guī)律(lǜ)的(de)抽(chōu)象(xiàng)本(běn)质(zhì)’。”“北(běi)京(jīng)人(rén)形(xíng)”在(zài)报(bào)告中强调，模型具备“跨机器人形态泛化、任务泛化、场景泛化全方位能力”。

“北京人形”相关技术人员表示，WoW的泛化能力体现在多个层面。在“域内”，它可以生成长程、复杂的任务视频，例如“打开洗碗机”，乃至“依次按下红色按钮，收拾餐具，按下绿色开关”这样的多步任务。在“域外”，它能将其学到的知识，应用到未曾见过的机器人本体和场景上。例如，生成“具身天工2.0”机器人（未用于训练）执行“把橙子放进盘子里”“倒酒”等任务的视频。

“我们希望WoW能成为世界模型的研究基础设施。”“北京人形”技术人员展望道。在他们看来，WoW一方面可以实现“自我造数”（AI拥有“自我造数”能力），解决数据稀缺问题；另一方面，它打通了“从视觉‘想象’中反推真实可执行的动作指令”的通路，使机器人在抓取、装配等任务上的自主能力有望大幅提升。

“WoW通过系统性结合完成了‘想象世界→理解物理→生成视频→执行动作→再学习’的逻辑闭环。”“北京人形”技术人员说。此前，该中心已经展示了其在“能跑”和“好用”方面的实力，而WoW的开源，则补全了“大脑”层面的关键拼图。通过此次研究，也相信北京人形机器人将持续开源开放，助力行业打造最能跑最好用的具身智能机器人。或许在不远的将来，AI不再只是“模拟人”，而是与人类共同探索世界、建设世界的伙伴。

撰文：记者 段大卫

编辑：段大卫