新智元報道

編輯：KingHZ Aeneas

【新智元導讀】世界模型黑馬橫空出世！就在剛剛，生數(shù)科技的MotuBrain零宣發(fā)登頂雙榜，直接打通「看懂世界+執(zhí)行行動」，而且不同的是，他們把World Action Model適配多個頭部機器人本體，完成多個長程任務(wù)，這是國產(chǎn)AI的硬核突圍！從此，具身智能徹底邁入新紀元。

就在剛剛，世界模型圈又闖出一匹黑馬！

悄無聲息地，它就拿下了兩個世界第一。

在WorldArena中，總體EWM Score達到63.77，排名第一（截至本月中旬左右）。

在RoboTwin2.0的Clean和Randomized兩個場景下，它分別拿下了95.8和96.1，同樣排名第一。

而且，它是百分百的零宣發(fā)。

這些榮譽，屬于同一個模型——MotuBrain。

它出現(xiàn)得極其反常：沒有Logo、沒有發(fā)布會、沒有融資稿，連X賬號都是新注冊的。

就這么一聲不響地，同時爬上了兩個國際權(quán)威榜單的頂端。

更離譜的是，這兩個榜單彼此根本不挨著——一個考「你能不能真正看懂世界」，一個考「你能不能在世界里穩(wěn)定干活」。

過去幾年，行業(yè)把它們叫作「兩個極點」：做世界模型的看得懂、動不了；做VLA的能動手、想不遠。

同時拿下兩個第一，業(yè)內(nèi)前所未有。

具身圈猜測刷屏：這是阿里「快樂生蠔」翻版？字節(jié)憋的大招？或者華為的暗手？還是李飛飛World Labs的中國分舵？

直到謎底揭開，所有人都沒想到——國產(chǎn)生成式AI公司生數(shù)科技。

而且他們沒有止步與此，現(xiàn)在已經(jīng)把world action model適配多個頭部機器人本體，應(yīng)對多種任務(wù)、建模多個長程任務(wù)。

這是工業(yè)級的demo，和其他的刷榜模型絕對不一樣。

神秘面紗揭開

國產(chǎn)AI領(lǐng)先硅谷巨頭

事情得從去年12月說起。

那時候，生數(shù)科技聯(lián)合清華大學開源了一款叫Motus的大一統(tǒng)世界模型。

論文鏈接：https://arxiv.org/abs/2512.13030

項目主頁：https://motus-robotics.github.io/motus

Motubrain官網(wǎng)：https://www.shengshu.com/zh/motubrain

才剛剛發(fā)布，Motus就已經(jīng)在圈內(nèi)小小震動了一下。

因為它在架構(gòu)上把五種本來彼此割裂的具身智能范式，擰成了一個「看-想-動」的閉環(huán)：

VLA(視覺-語言-動作)、世界模型、視頻生成、逆動力學、視頻-動作聯(lián)合預測。

這種統(tǒng)一世界-動作建模，通過一個模型統(tǒng)一建模視頻「video」與動作「action」，使之前彼此割裂的5種方法都成為同一建�？蚣芟碌牟煌评砟Ｊ�。

與以往方法不同，Motus聯(lián)合建�！敢曨l」和「動作」，學到的不再是機械反應(yīng)，而是任務(wù)目標、環(huán)境變化、以及動作會帶來什么后果這三者之間的深層世界知識。這讓它更能適應(yīng)新環(huán)境和新任務(wù)。

Motus引入「潛動作」機制，能從無標簽的互聯(lián)網(wǎng)視頻、人類操作視頻中提取通用的「運動規(guī)律」。

潛動作變分自編碼器 (Latent Action VAE)。這是一種基于光流的表征方式，通過變分自編碼器架構(gòu)將視覺動力學（visual dynamics）與控制信號相銜接

這讓它可以利用近乎無限的海量數(shù)據(jù)來預訓練，極大豐富了先驗知識。

具身數(shù)據(jù)金字塔。展示了從互聯(lián)網(wǎng)數(shù)據(jù)（第一層）到目標機器人演示數(shù)據(jù)（第六層）的六級數(shù)據(jù)層級結(jié)構(gòu)，其任務(wù)相關(guān)性和數(shù)據(jù)質(zhì)量隨層級逐級提升。

基于「專家混合」，Motus引入了混合Transformer (Mixture-of-Transformer, MoT) 架構(gòu)，巧妙融合了視頻生成、語義理解、動作生成三個已有的高性能基座模型。

這相當于讓模型同時擁有了「想象力」、「理解力」和「執(zhí)行力」。

Motus表現(xiàn)出了正向的規(guī)模效應(yīng)，即學習的任務(wù)越多、數(shù)據(jù)越豐富，模型掌握的可遷移世界知識就越多，在新任務(wù)上的平均成功率反而越高。

這是它學到了通用規(guī)律而非死記硬背的有力證據(jù)。

在50項通用任務(wù)測試中，Motus的平均成功率高達88%，在當時的RoboTwin2.0上直接霸榜。

但Motus還是起點，MotuBrain才是它進化后的「完全體」——

一個面向真實世界的通用世界行動模型(World Action Model，WAM)，具備多本體、多任務(wù)、長程執(zhí)行能力。

在Motus的基礎(chǔ)上，MotuBrain更上了一層樓。

• 視覺統(tǒng)一：支持任意數(shù)量/任意視角的視覺建模，不再依賴固定的相機配置。

• 語言融合：獨立的語言理解通路直達底層控制，讓指令遵循直接融入動作生成。

• 本體泛化：統(tǒng)一的動作表征打通不同機器人本體，學到的是可遷移的行動規(guī)律。

• 長程執(zhí)行：自回歸＋擴散與語言-動作-視頻三流MoT，直接用超過10個原子動作的長序列完成任務(wù)，擺脫對上層任務(wù)拆解的完全依賴。

• 實時推理：超大參數(shù)規(guī)模的具身基座模型通過云邊端協(xié)同實現(xiàn)實時閉環(huán)控制。

簡單說：Motus證明了「路走得通」，MotuBrain證明了「我已經(jīng)在這條路上跑出了世界第一」。

在Motus的基礎(chǔ)上，MotuBrain作為商用模型版本，進一步面向真實機器人場景完成系統(tǒng)升級，將World Action Models從技術(shù)驗證推向更通用、更可落地的具身智能大腦。

為什么這件事讓具身圈如此震動？因為在過去一年里，這條賽道擠滿了頂級玩家。

大家都在搶同一個高地：怎么把「預測世界」和「驅(qū)動行動」放進同一個大腦。

結(jié)果，生數(shù)科技搶先做到了。

MotuBrain

理解世界，預測世界，行動于世界

下面的demo，詳細展示了全球第一的世界模型已經(jīng)進化到了多么強大的地步，全部任務(wù)一鏡到底。

裝上MotuBrain的機器人給我們演示了一把這個操作：把花插入花瓶中，然后開始用噴壺噴灑清水。

這個操作難度在哪里？

傳統(tǒng)機器人方案通常需要一個昂貴的「上層大腦（VLM）」負責拆解指令，再由底層驅(qū)動去執(zhí)行，這種「拼湊感」往往導致動作斷檔。

而MotuBrain實現(xiàn)了一腦貫通：它無需額外視覺語言模型的輔助，僅憑自身即可直接建模復雜的長程任務(wù)，讓「從插花到澆水」的邏輯轉(zhuǎn)換如同人類本能般絲滑。

另一位機器人，則在插花機器人的身后整理沙發(fā)。

它先將沙發(fā)上的衣物放入洗衣籃，然后將靠枕擺回原位，過程中還要彎腰撿東西，這都體現(xiàn)了全身動作的協(xié)調(diào)性。

接下來，還有更上難度的操作！

只見機器人大廚從鍋中舀出了一份丸子放入碗中，同時還倒了一杯果汁。

這個過程人做起來很容易，但對機器人來說，要克服一系列難關(guān)。

對人類而言，勺子沒撈到東西就再試一次是常識；但對機器人，這涉及極其復雜的閉環(huán)感知。

比如，它需要理解當前勺子的空的，通過物理推演意識到「目標未達成」，然后還要預測自己需要重新執(zhí)行撈取動作。

甚至，機器人的左右手還要同時執(zhí)行不同的任務(wù)。

這種「一腦預見」能力，本質(zhì)上是機器人對真實物理世界的深度建�！粌H在看，更在預測物理世界的走向，并以此驅(qū)動行動。

下面這個調(diào)酒機器人，使用了基酒和牛奶調(diào)制了一杯雞尾酒，然后嫻熟地放在了托盤上，這是一個極其復雜的長程任務(wù)。

另外，機器人還能整理洗漱臺。只見它將牙刷準確地放入杯中，還把肥皂放回原位。

這些操作對于很多機器人來說，都難度很大。

液體流變、精細抓取，包括疊衣服過程中的織物形變……每一個動作背后的物理反饋邏輯迥然不同。

以往，業(yè)內(nèi)需要為每個場景單獨訓練模型，但MotuBrain卻展示出了卓越的「一腦多能」能力，只要一個模型，就可以應(yīng)對多種任務(wù)。

更令人驚喜的是，MotuBrain還能做到一腦多型，一個模型就能適配不同的機器人。

這意味著它不是某個特定硬件的專屬，而是一個通用的「數(shù)字靈魂」。

同一個模型，可以瞬間適配各種形態(tài)、各種自由度的機器人硬件，讓AGI真正走入現(xiàn)實物理世界。

雙榜第一，到底意味著什么？

讓我們認真看看這兩個榜單的含金量。

WorldArena：機器人看得懂世界嗎？

這個榜單測的是「機器人對真實物理世界的理解到不到位」。

MotuBrain在這里拿下63.77的EWM Score，排名第一，超過了國內(nèi)外的同類模型。

更值得玩味的是它領(lǐng)跑的幾個細分維度：

• Motion Quality第一——動作真的「在動」，絕非看起來像動的視覺特效

• Flow Score第一——前一秒和后一秒能絲滑銜接，而非逐幀拼接的PPT

• Motion Smoothness第一——動作符合真實物理規(guī)律，不會突然抖一下、突然加速

這三個指標都和「運動」直接相關(guān)。

對一個未來要服務(wù)機器人的世界模型來說，這才是真本事——畫面再美，機器人執(zhí)行時一抖手湯就灑了，等于零。

RoboTwin2.0：機器人能在世界里干活嗎？

如果說WorldArena考「理論」，RoboTwin2.0就是考「實操」。

在Clean(干凈)和Randomized(隨機擾動)兩個場景下，MotuBrain分別拿到95.8和96.1——是榜單上唯一一個在隨機環(huán)境下平均分超過95的模型。

在接近一半的具體任務(wù)里，它都達到了100或接近100的成績。

跟誰比？JEPA-VLA、Pi-0.5——這些都是行業(yè)內(nèi)大家熟悉的硬茬。

結(jié)果，MotuBrain在RoboTwin上的表現(xiàn)，用一個詞形容就是「碾壓」。

把兩份成績放在一起看，意思就很清楚了：MotuBrain既看得懂世界，又能在世界里穩(wěn)定干活。

這不是單點強，而是一種系統(tǒng)級的、接近「通用機器人大腦」的能力特征。

MotuBrain：為行動而生

過去兩年，具身智能走了幾條不同的路：

• VLA路線：把視覺、語言、動作塞進一個模型（如Pi系列）。

• 「先想象，再行動」：用視頻模型預測未來，再指導動作。

• 「邊推演邊行動」：同步生成未來狀態(tài)與當前動作（如Motus和英偉達DreamZero）。

各有亮點，但都有同一個天花板——局部統(tǒng)一。

VLA學動作模式，世界模型學預測能力，彼此拼接、對齊，終究是五個專科醫(yī)生會診。

MotuBrain走的是另一條路：真正的大一統(tǒng)。

它基于自研UniDiffuser架構(gòu)，將視頻和動作兩個連續(xù)模態(tài)從底層統(tǒng)一建模。

一次訓練，同時學會五種能力：VLA、世界模型、視頻生成、逆動力學、視頻-動作聯(lián)合預測。

正因為大一統(tǒng)，MotuBrain能吸收多模態(tài)異構(gòu)數(shù)據(jù)——課本、視頻、生活觀察、跨學科交流。而VLA只能從特定機器人的純?nèi)蝿?wù)軌跡里學習。長期看，差距是數(shù)量級的。

通過MoT架構(gòu)，MotuBrain融合了視覺、語言、動作三種模態(tài)。

VLA只有「靜態(tài)理解」，看到一個杯子，知道「這是杯子」。

MotuBrain還能預判：「如果我推它一下，它會怎么倒、湯會怎么灑�！�

一腦多能：一個大腦，應(yīng)對多種任務(wù)

很多機器人模型沒法同時做多個任務(wù)。

任務(wù)一多，成功率就容易下降。

MotuBrain 的目標是讓同一個模型處理更多任務(wù)。

更重要的是，隨著任務(wù)數(shù)量增加，模型在不同任務(wù)之間學習共享的世界知識。

比如抓取、移動、放置、組合、連續(xù)操作，看起來是不同任務(wù)。但背后都有共同規(guī)律：物體會受力，動作有先后，而且環(huán)境會變化，錯誤需要調(diào)整。

這些規(guī)律被模型學到之后，就能遷移到新任務(wù)里。

這就是多任務(wù)泛化能力。

實驗證明：隨著任務(wù)數(shù)量增加，Pi-0.5成功率持續(xù)下降（過擬合任務(wù)軌跡），而MotuBrain成功率持續(xù)上升——這說明它學到了跨任務(wù)的通用世界知識。而且上升的曲線越陡峭，說明模型泛化性越高，這是 MotuBrain 相比Motus的進一步跨越。

一腦多型：一個大腦，適配多種機器人

現(xiàn)實世界里，機器人有很多形態(tài)，比如雙臂機器人、移動機器人、人形機器人、機械臂。

它們的身體結(jié)構(gòu)不同，動作格式也不同。

然而，傳統(tǒng)方法常常是「一個機器人，一個模型」。換了本體，就要重新適配；換了硬件，又要重新訓練。

MotuBrain，就是想要打破這個模式。

它通過統(tǒng)一action表征，把不同機器人本體的動作數(shù)據(jù)放進同一個框架里學習。

這樣，模型學到的就不只是某一臺機器人的動作格式，而是更通用的行動規(guī)律。

生態(tài)里的機器人種類越多，場景越豐富，數(shù)據(jù)越多，模型能力還可以繼續(xù)提升。反過來，模型能力提升后，又能幫助更多機器人提升表現(xiàn)。這會形成一個正循環(huán)。

一腦貫通：長程任務(wù)，一路到底

不過，在現(xiàn)實世界中，真實任務(wù)很少只有一步。

機器人要做的不僅僅是「拿起杯子」，它可能要先找到杯子—>再避開障礙—>再抓起杯子—>再移動到指定位置—>最后放穩(wěn)。

這是一條完整的任務(wù)鏈。

傳統(tǒng)方法往往需要上層規(guī)劃器先拆任務(wù)，再讓不同模型分別執(zhí)行，但任務(wù)越長，中間出錯的概率越高。

MotuBrain的特點就是，可以直接學習完整任務(wù)鏈路。

它不完全依賴上層規(guī)劃、快慢雙系統(tǒng)或多個模型拼接，可完成超過10個原子動作級別的復雜長程任務(wù)，遠遠超過在2到3個原子動作的Demo展示。

這一點非常關(guān)鍵。

因為真實機器人要服務(wù)真實世界，就必須能持續(xù)推進任務(wù)，不能做一步，停一下。

實驗證明：隨著數(shù)據(jù)總量增加，MotuBrain穩(wěn)壓Pi-0.5一頭。

一腦預見：預測世界，驅(qū)動行動

此外，機器人執(zhí)行動作，最怕的就是只看眼前。

人類拿杯子時，會自然預判：手碰到杯子后，杯子會不會滑？桌面有沒有水？杯子會不會被推倒？旁邊有沒有障礙物？

這些判斷，決定了動作是否穩(wěn)定。

而MotuBrain的目標，就是讓模型具備類似的預見能力。

它不只是執(zhí)行指令，還要理解世界。它會預測環(huán)境變化，再根據(jù)預測結(jié)果調(diào)整動作路徑。

所以，它的能力可以總結(jié)成一句話：預測世界，也驅(qū)動行動。

生數(shù)的世界模型大局觀

從數(shù)字世界，到物理世界

理解MotuBrain，光看技術(shù)參數(shù)還不夠。它背后是生數(shù)科技整個通用世界模型戰(zhàn)略的一塊重要拼圖。

去年三月，生數(shù)科技創(chuàng)始人朱軍教授，拋出了一個大判斷：「通用世界模型是連接數(shù)字世界與物理世界的橋梁�！�

這句話不是空話。

它對應(yīng)的是生數(shù)科技正在搭建的一個完整體系——以通用世界模型(Foundation World Model)為核心底層，基于全球首創(chuàng)的U-ViT架構(gòu)(早于Sora的DiT架構(gòu))，不斷積累視覺、聽覺、觸覺等多模態(tài)信息，形成對世界的統(tǒng)一認知。

在這個底座之上，生數(shù)科技走出了兩條腿。

數(shù)字空間：Vidu——在屏幕里「生成世界」

基于世界生成模型(WGM)，生數(shù)科技打造了視頻大模型產(chǎn)品Vidu，服務(wù)全球200多個國家地區(qū)的數(shù)千萬用戶，合作方包括好萊塢工作室Aura Productions(用Vidu制作50集動畫短劇)。

這條線解決的是「數(shù)字內(nèi)容怎么被高效生成」的問題。

物理空間：Motus/MotuBrain——在現(xiàn)實里「行動于世界」

基于世界行動模型(WAM)，生數(shù)科技構(gòu)建了Motus和MotuBrain，目標是給真實世界的機器人安上一個統(tǒng)一的大腦，解決傳統(tǒng)具身智能鏈路割裂、數(shù)據(jù)稀缺、泛化能力弱的痛點，實現(xiàn)真實世界下的零樣本泛化與跨本體適配。

兩條線一加，生數(shù)科技形成了一個完整的閉環(huán)——預測世界、生成世界、行動于世界。

MotuBrain雙榜第一，只是這個戰(zhàn)略圖譜里的一次「亮劍」，證明物理空間這條線已經(jīng)走通了。

最近，生數(shù)科技在產(chǎn)業(yè)側(cè)也動作不斷。先后與無界動力、深樸智能、星塵智能達成戰(zhàn)略合作，把MotuBrain從「實驗室SOTA」推進到「機器人本體適配+真實場景落地」。

總之，MotuBrain回答的是「通用機器人大腦能不能成立」，而生態(tài)合作回答的是「這個大腦怎么真正進入工廠、家庭、商業(yè)場景」。

從「造身體」到「造大腦」的產(chǎn)業(yè)拐點

過去幾年，機器人產(chǎn)業(yè)一直在比拼「身體」——電機更精準、傳感器更豐富、整機成本更低。

但真正卡住所有人的，一直是大腦。

資本已經(jīng)率先用真金白銀投出了答案：近一年具身智能的大額融資，幾乎都砸向了「做大腦」的公司。

這是一場關(guān)于下一代「機器人操作系統(tǒng)」入口的卡位戰(zhàn)，誰先建立起world+action的統(tǒng)一架構(gòu)，誰就拿到了未來十年的船票。

MotuBrain的雙榜第一，更像是給整個行業(yè)遞交了一份證據(jù)：通用機器人大腦這件事，中國團隊已經(jīng)走在了第一梯隊。

更讓人感慨的是這股力量的來源——生數(shù)科技，在沒有動用什么「營銷大招」的情況下，用代碼和數(shù)據(jù)正面把硅谷標桿Pi-0.5撂倒了40個百分點。

未來的故事還很長。

當「預測世界」和「驅(qū)動行動」被裝進同一顆大腦，機器人才真正配得上「具身智能」四個字。

而這件事，中國團隊已經(jīng)在領(lǐng)跑。