通用世界模型到底长什么样，眼下 AI 圈各说各话。
Related articles
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。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拿出了自己的答案，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。
什么是通用世界模型
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 （看懂环境、判断状态）、预测未来 （预判接下来会发生什么、不同动作带来什么结果）、采取行动 （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。
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，他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，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。
五级路线图，走到第三级
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 （World Generation）：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 （Interactive World）：模型能接住实时输入了，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 （Actionable World）：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。
- L4 自主世界智能体 （Autonomous World Agent）：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。
- L5 世界组织者 （World Orchestrator）：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 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。
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。（本文首发于钛媒体 APP，文 | TechPulse，作者 | 张帅，编辑 | 杨林）
更多精彩内容，关注钛媒体微信号 （ID：taimeiti），或者下载钛媒体 App
