田晏林 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

一家做視頻的公司，造了個(gè)機(jī)器人通用大腦。

這不是段子，是真事。

區(qū)別于傳統(tǒng)的專用機(jī)器人大腦，這個(gè)“大腦”既具備世界模型的預(yù)測推演能力，又能輸出行動指令，真正做到“知行合一”。

大腦模型名叫MotuBrain，4月中旬悄悄登頂兩個(gè)國際benchmark，卻無人知曉來歷，讓具身圈大佬們猜了三周。

剛剛，生數(shù)科技主動認(rèn)領(lǐng)了。

沒錯(cuò)，是那個(gè)做了Vidu、讓央視動漫用AI拍西游的公司。

兩個(gè)國際benchmark，一個(gè)測試“能不能看懂物理世界”，一個(gè)考驗(yàn)“能不能真的動手干活”。

就像一個(gè)人一邊參加物理競賽，一邊考叉車實(shí)操證，4月中旬，MotuBrain兩門都拿了全場最高分。

成績單亮出來，還是實(shí)打?qū)嵉牡琼敚?/p>

• 在WorldArena上，MotuBrain運(yùn)動質(zhì)量第一、動作平滑度第一；
• 在RoboTwin2.0上，它也是唯一一個(gè)在隨機(jī)環(huán)境下，平均分超過95的模型。

這是什么概念？過去幾年，能把其中一個(gè)測試做到極致已屬不易。

同時(shí)登頂？之前還沒人做到過。

但現(xiàn)在，生數(shù)科技告訴你：一個(gè)MotuBrain模型就夠了。

視頻公司跨界指揮機(jī)器人，聽起來蠻有趣。

實(shí)際內(nèi)里也是大有乾坤：具身智能的未來需要World Action Model（世界動作模型），而后者必須建立在視頻模型對物理世界的理解之上。

一段汽車漂移的視頻，模型要看懂車為什么拐彎、輪胎為什么冒煙、下一秒會往哪走。

這也不難理解視頻公司闖入具身世界背后的邏輯了。

雙榜吊打，這個(gè)機(jī)器人大腦有多強(qiáng)？

MotuBrain悄無聲息地同時(shí)登頂WorldArena和RoboTwin2.0，不少具身大佬都被這個(gè)神秘模型勾起好奇心，瘋狂打聽到底是誰家做的。

有媒體扒出X平臺上倒是有個(gè)賬號，但剛注冊，簡介空空。

“子彈”飛了快三周，4月29日，生數(shù)科技主動跑出來認(rèn)領(lǐng)：是我。

回頭來看，線索其實(shí)早就埋下了。

2025年12月，生數(shù)科技正式開源通用基座世界模型Motus，這是其在物理世界智能方向的一次試水。

四個(gè)月時(shí)間不到，生數(shù)又進(jìn)化了。

MotuBrain作為全面升級的商業(yè)模型版本，繼承了Motus完整核心技術(shù)架構(gòu)，并完成關(guān)鍵能力突破。

驗(yàn)證實(shí)力的第一站：WorldArena。這是業(yè)界公認(rèn)的World Model能力測試場。

它不看你模型生成的視頻好不好看，而是看你的模型能不能真正理解物理世界：

一個(gè)物體被推一下會朝哪個(gè)方向運(yùn)動？兩個(gè)物體碰撞后會發(fā)生什么？連續(xù)動作的軌跡是否平滑、是否符合真實(shí)物理規(guī)律？

EWM Score是這個(gè)榜單的綜合評分，Motion Quality、Flow Score、Motion Smoothness這些維度分別考察動作的真實(shí)性、連續(xù)性和平滑度。

△數(shù)據(jù)統(tǒng)計(jì)截至4月21日

在這三個(gè)直接對應(yīng)“動作質(zhì)量”的維度上，MotuBrain全部拿下第一。

這意味著它不是靠某個(gè)單項(xiàng)指標(biāo)刷分，而是在物理規(guī)律的理解和模擬上做到了全面領(lǐng)先。

RoboTwin2.0則是Action Model的硬核考場。

它給模型設(shè)置了50個(gè)不同的任務(wù)，覆蓋抓取、放置、推、拉、旋轉(zhuǎn)等多種操作類型，還分兩種環(huán)境進(jìn)行測試：

一是Clean場景，標(biāo)準(zhǔn)實(shí)驗(yàn)室環(huán)境，物體位置、光線、背景都是固定的；

二是Randomized場景，會引入隨機(jī)的擾動，比如物體位置隨機(jī)偏移，燈光顏色隨機(jī)變化，甚至桌子角度都可能微調(diào)。這考驗(yàn)的是模型能不能泛化到?jīng)]見過的條件。

MotuBrain在兩個(gè)場景下，分別達(dá)到95.8和96.1，均排名第一。

它也是該榜單上唯一一個(gè)在隨機(jī)環(huán)境下，平均分超過95的模型。

拆開50個(gè)具體任務(wù)看，MotuBrain九成任務(wù)超過90分，一半任務(wù)更是拿到了滿分100分。這已經(jīng)不是領(lǐng)先了，這叫斷崖式領(lǐng)先。

兩個(gè)頂級榜單，一個(gè)測“理解世界”，一個(gè)測“在世界中行動”。

想要同時(shí)取得成績，業(yè)內(nèi)默認(rèn)這是“統(tǒng)一場”級別的難題。

因?yàn)閮蛇叺募夹g(shù)棧和評估方式完全不同，能把其中一個(gè)做到極致就已經(jīng)是頂級水平。

但MotuBrain雙榜吊打，至少在benchmark層面驗(yàn)證了一件事：

把預(yù)測世界和驅(qū)動行動統(tǒng)一在同一個(gè)模型里，這條路是走得通的。

真機(jī)演示：AI干活開始“帶腦子”了

從榜單成績看，MotuBrain擁有更接近通用機(jī)器人大腦的能力特征，它不是單項(xiàng)任務(wù)的“偶然強(qiáng)”，而是跨任務(wù)、跨場景的泛化能力都強(qiáng)。

一段真機(jī)演示足以直觀印證。

從生數(shù)科技發(fā)布的Demo看，沒有復(fù)雜的上層VLM加持，也沒有預(yù)設(shè)動作腳本，卻將MotuBrain的4個(gè)核心能力完整呈現(xiàn)，看完只剩震撼！

這段不足3分鐘視頻，用3臺不同型號的仿人形機(jī)器人，演示了5種任務(wù)：插花、整理沙發(fā)、服務(wù)一場火鍋局、調(diào)酒、整理洗漱臺。

沒錯(cuò)，MotuBrain的第一個(gè)能力就是一腦多型，它不是為某一種機(jī)器人量身定制，而是面向多機(jī)器人本體設(shè)計(jì)的統(tǒng)一智能底座。

它在不同形態(tài)、不同自由度、不同傳感器的機(jī)器人上都能跑，而且接入的機(jī)器人種類越多，數(shù)據(jù)和場景越豐富，模型表現(xiàn)越好。

僅從Demo展示的這三臺機(jī)器人身上，我們也能看到一個(gè)模型是怎么拿捏全場景任務(wù)的。

插花、整理沙發(fā)，別看在這幾項(xiàng)任務(wù)里算“簡單”的，恰恰是最考驗(yàn)長程任務(wù)建模能力的操作。

我們能看到，機(jī)器人精準(zhǔn)抓取三支花，分別穩(wěn)穩(wěn)插入花瓶后，順勢拿起澆水壺，對著花枝均勻噴灑清水，整個(gè)過程非常絲滑，沒有停頓。

也能看到它精準(zhǔn)識別出散落的衣物和錯(cuò)位的靠枕，先將衣物逐一拾起、規(guī)整放入洗衣籃，再將歪歪扭扭的靠枕擺回原位。

全程動作輕柔且高效，沒有出現(xiàn)衣物掉落、靠枕擺放歪斜的情況。

這就是MotuBrain一腦貫通能力的體現(xiàn)。

不同于傳統(tǒng)機(jī)器人僅能完成2-3個(gè)原子動作的Demo展示，MotuBrain的一個(gè)World Action Model可完成10個(gè)原子動作級別的復(fù)雜長程任務(wù)。

無論是插花還是整理沙發(fā)，機(jī)器人面對的不再是一個(gè)個(gè)孤立動作，而是一項(xiàng)需要持續(xù)推進(jìn)的完整任務(wù)。

如果你以為這就夠了，先別急著叫好，大招還在后面。

最讓人眼前一亮的，當(dāng)屬服務(wù)一場火鍋局。機(jī)器人被要求從鍋中舀取一份丸子放入碗中，同時(shí)倒一杯果汁。

這一次，它左右手同時(shí)“開工”，互不干擾、配合默契。

一個(gè)小細(xì)節(jié)是，起初勺子放在鍋里，機(jī)器人用左手握住勺柄，沒有立刻撈取，而是先判斷了一下漏勺中有沒有物體，然后重新伸向鍋中舀取丸子，盛入面前的碗中。

別小瞧這個(gè)不起眼的動作，需要機(jī)器人「理解」勺子是空的，同時(shí)能自主「預(yù)測」并重新執(zhí)行撈取動作。

多數(shù)機(jī)器人是“看到什么就做什么”。而在這個(gè)取丸子場景里，如果換成傳統(tǒng)指令式機(jī)器人，它只會按腳本執(zhí)行“舀→放”的動作。

一旦勺子初始是空的，它要么卡住，要么盲目重復(fù)，卻不知道“為什么空”。

但MotuBrain能做到：像人一樣“察言觀色”，握住勺柄的瞬間就通過視覺判斷出“勺里沒東西”，緊接著自主規(guī)劃新路徑，重新伸回鍋中精準(zhǔn)舀取丸子。

直到確認(rèn)勺子里有食材，它再穩(wěn)穩(wěn)端起，送入碗中，全程行云流水，無需人工干預(yù)或重新下指令。

理解世界、預(yù)測變化，并據(jù)此驅(qū)動更合理的行動，這就是MotuBrain的一腦預(yù)見能力。

不過此時(shí)，真機(jī)演示還未到高潮。

調(diào)配飲料的任務(wù)，才是細(xì)節(jié)拉滿。

只見「硅基調(diào)酒師」右手拿起飲料，精準(zhǔn)倒入盎司杯中定容，放下飲料瓶后，左手迅速拿起牛奶瓶，將牛奶緩緩注入中間的玻璃空杯，動作輕柔且精準(zhǔn)，全程沒有一滴灑漏。

待牛奶倒完，右手再次拿起盎司杯，將里面的飲料緩緩倒入牛奶杯中，最后還不忘取一片薄荷葉，輕輕放在飲品表面做點(diǎn)綴。

完成造型后，它還俏皮地捏了一下身邊的塑料小黃鴨，仿佛在向圍觀者“報(bào)喜”：雞尾酒做好啦！

一系列操作，展現(xiàn)了MotuBrain的一腦多能。

這一能力讓模型能夠在多任務(wù)場景中保持穩(wěn)定表現(xiàn)，不依賴單一任務(wù)訓(xùn)練。

相比于傳統(tǒng)做法，比如搬箱子用一個(gè)模型、開門用一個(gè)，疊衣服又一個(gè)……任務(wù)越多越臃腫。

MotuBrain直接把大量不同類型任務(wù)混在一起學(xué)，從抓取到多步操作全扔進(jìn)去。

這樣做的好處是，隨著任務(wù)數(shù)量持續(xù)增加，任務(wù)之間的共享世界知識越多，MotuBrain的平均任務(wù)成功率也會同步提升。

因?yàn)樗鼘W(xué)到的是“操作的本質(zhì)”，不是肌肉記憶。

這四個(gè)能力疊在一起，MotuBrain就有了為連續(xù)、智能、真實(shí)世界的行動而設(shè)計(jì)的機(jī)器人通用大腦。

把推演和行動揉進(jìn)同一個(gè)模型

為什么MotuBrain能讓機(jī)器人有這樣的干活能力？答案藏在底層技術(shù)設(shè)計(jì)里。

過去一年，圍繞World Model和Action Model，行業(yè)已逐步形成幾條有代表性的技術(shù)路線：

一是直接行動派，也就是訓(xùn)練一個(gè)VLA直接進(jìn)行感知理解和執(zhí)行。

二是先看后動派，先訓(xùn)練一個(gè)視頻預(yù)測模型用來想象未來，再把想象的結(jié)果作為決策依據(jù)。聽起來有點(diǎn)像人類先在大腦里模擬一遍再動手。

MotuBrain走的是第三條路線——邊看邊動派，也就是World Action Model。

它把推演和行動融合在同一個(gè)模型里，沒有先后順序，決策的同時(shí)就在推演，推演的結(jié)果直接影響決策。

這三條路線沒有絕對的對錯(cuò)，但World Action Model有兩個(gè)關(guān)鍵優(yōu)勢：

它不需要等待機(jī)器人“想象”后再行動，響應(yīng)速度更快；同時(shí)因?yàn)橥蒲莺托袆庸蚕硗粋€(gè)表征空間，預(yù)測的偏差和執(zhí)行的偏差不會相互放大。

打個(gè)通俗的比方。人類司機(jī)開車，不是靠肌肉記憶去踩剎車。

你看到前車剎車燈亮起的那一剎那，大腦已經(jīng)在預(yù)測“0.5秒后我離前車還有多遠(yuǎn)”“現(xiàn)在踩剎車重了會不會追尾”“輕了會不會剎不住”。

這個(gè)預(yù)測和決策是同時(shí)發(fā)生的，不是反復(fù)琢磨路況，再踩剎車（那就來不及了……）

MotuBrain做的就是這件事。如果只用一個(gè)詞形容它，那就是：為行動而生。

傳統(tǒng)AI模型更像是“觀看者”或“分析者”，給它一張小貓的圖片，它能認(rèn)出來；給它一段視頻，它能描述發(fā)生了什么。

但這類模型從不真正“行動”，也不需要對自己的判斷負(fù)責(zé)。

MotuBrain要解決的，也不是“機(jī)器人會不會做一個(gè)動作”，而是“機(jī)器人能不能連續(xù)完成一個(gè)任務(wù)”。

而想要做到這點(diǎn)，要求機(jī)器人必須真正理解真實(shí)世界中的運(yùn)動和物理變化。它的行動必須是連續(xù)的、能適應(yīng)變化的、可以跨本體、跨任務(wù)的。

在WorldArena評測中，MotuBrain在三個(gè)與“運(yùn)動”直接相關(guān)的維度上全部拿下第一：

• Motion Quality：動作真實(shí)，不是“擺姿勢”。
• Flow Score：連續(xù)動作絲滑銜接，理解軌跡變化。
• Motion Smoothness：符合物理規(guī)律，無突兀跳變、急加速或抖動。

從技術(shù)層面看，MotuBrain的設(shè)計(jì)并不復(fù)雜，卻很有章法。每一步都像在給機(jī)器人“換腦子、塑認(rèn)知”。

其技術(shù)根基源自Motus在去年12月確立的World Action Models。

核心思路很簡單：先給機(jī)器人的“視覺”（視頻）和“動作”（機(jī)械運(yùn)動）做一套“統(tǒng)一翻譯系統(tǒng)”，徹底打通多模態(tài)信息壁壘。

也就是用UniDiffuser實(shí)現(xiàn)Video和Action的統(tǒng)一建模與調(diào)度。

一旦語言統(tǒng)一了，機(jī)器人只需訓(xùn)練一次，就能自動學(xué)會五種本事：

舉個(gè)最直觀的例子，讓機(jī)器人取桌邊水杯。

• VLA模態(tài)：視覺識別目標(biāo)+解析語言指令，完成感知到動作的初始觸發(fā)；
• 世界模型模態(tài)：觀測水杯邊緣位置與姿態(tài)，結(jié)合機(jī)器人動作輸入，預(yù)判物體位移、滑落等環(huán)境動態(tài)演化趨勢；
• 視頻生成模態(tài)：基于手部靠近水杯的前置幀，自主補(bǔ)全整個(gè)抓取動作的時(shí)序過程；
• 逆動力學(xué)模態(tài)：由“水杯從桌面轉(zhuǎn)移至手中”的結(jié)果，反向推演機(jī)械臂最優(yōu)運(yùn)動軌跡；
• 視頻動作聯(lián)合預(yù)測模態(tài)：執(zhí)行抓取的同時(shí)，實(shí)時(shí)預(yù)判水杯下一時(shí)刻位置，動態(tài)微調(diào)手部姿態(tài)與發(fā)力邏輯。

這五種本事都來自同一套底層邏輯，不用分開訓(xùn)練。

而且，相比傳統(tǒng)VLA只能吃特定本體上的純?nèi)蝿?wù)數(shù)據(jù)，Motus「不忌口」，能同時(shí)消化各種數(shù)據(jù)（純視頻、無標(biāo)簽數(shù)據(jù)、機(jī)器人運(yùn)動軌跡）。

它吃的數(shù)據(jù)越雜越多，機(jī)器人對真實(shí)世界的理解會越深，行動也就更靠譜。

因?yàn)樗莆盏氖强缛蝿?wù)的通用規(guī)律，不是單一動作的“模板”。

在此基礎(chǔ)上，MotuBrain做了更實(shí)用的升級，解決了機(jī)器人落地的核心痛點(diǎn)：

• 不挑相機(jī)：不管機(jī)器人裝了多少個(gè)攝像頭、角度如何，都能正常識別；
• 聽懂人話：把“指令”融入動作生成的核心，不是簡單“湊活執(zhí)行”，而是真的理解指令意圖；
• 跨機(jī)器人通用：學(xué)會的本事能遷移到不同機(jī)器人身上，不用換一臺機(jī)器人就重新訓(xùn)練；
• 能做復(fù)雜任務(wù)：它搭了一個(gè)視頻?動作?語言三流MoT架構(gòu)，不用拆分步驟，讓模型可以完成10個(gè)以上連貫動作。

從左圖可以看出，隨著任務(wù)數(shù)量增加，Pi-0.5成功率持續(xù)下降，而MotuBrain成功率持續(xù)上升。

這說明它學(xué)到了跨任務(wù)的通用世界知識，這是VLA不具有的能力。

右圖呢？是MotuBrain在數(shù)據(jù)量上的Scaling Law曲線。

相比其他模型更陡峭，說明其數(shù)據(jù)效率非常高，僅用少量數(shù)據(jù)就可以取得很好的結(jié)果。

此外，任務(wù)數(shù)量的scaling law曲線比數(shù)據(jù)量更為陡峭，說明對于MotuBrain這種數(shù)據(jù)效率極高的模型來說，相比于增加數(shù)據(jù)量，增加任務(wù)的多樣性對成功率的提升效果更為顯著。

真機(jī)演示里，我們也能看出來，該模型已在多款仿人形機(jī)器人上驗(yàn)證過，大模型運(yùn)行不卡頓，不用額外輔助工具，僅憑自身能力，就能高成功率完成長程任務(wù)，還能左右手同時(shí)做不同事。

總結(jié)下來，MotuBrain真正厲害之處，不在于多復(fù)雜的技術(shù)堆砌，而在于用“統(tǒng)一建?！贝蛲藱C(jī)器人的“感知、理解、行動”，讓機(jī)器人真正從“機(jī)械執(zhí)行”，走向“智能決策”。

左手Vidu，右手MotuBrain

如果只看MotuBrain這一個(gè)點(diǎn)，可能會覺得生數(shù)科技是突然殺進(jìn)了具身智能賽道。

但如果把視線拉遠(yuǎn)，會發(fā)現(xiàn)這是一條早有預(yù)謀的暗線。

今年4月，阿里領(lǐng)投，生數(shù)科技完成了近20億元人民幣的B輪融資。

這不是一筆小錢，投資機(jī)構(gòu)看中的不是“又一家做視頻模型的公司”，而是一個(gè)更大的敘事：打通數(shù)字世界與物理世界的通用世界模型。

生數(shù)科技的布局是雙軌并行。模型的底層是其全球首創(chuàng)的U-ViT架構(gòu)。

這個(gè)架構(gòu)也是該公司整個(gè)戰(zhàn)略的技術(shù)基座，它做的事情很底層，也很關(guān)鍵：統(tǒng)一處理視覺、聽覺、觸覺等多模態(tài)信息。

不同類型的感知數(shù)據(jù)被塞進(jìn)同一個(gè)模型框架里訓(xùn)練，模型逐漸建立起對世界的統(tǒng)一認(rèn)知：什么是物體，什么是運(yùn)動，什么是因果關(guān)系。

就像人類嬰兒的大腦，不是分別長出一個(gè)視覺皮層和一個(gè)運(yùn)動皮層，而是兩者協(xié)同發(fā)育、互相促進(jìn)。

在這個(gè)基座之上，生數(shù)科技兵分兩路。

一條通往數(shù)字世界，另一條路通往物理世界。

先看第一條路，生數(shù)科技走的是世界生成模型（WGM）路線，產(chǎn)品就是大家熟悉的視頻大模型Vidu。

Vidu的能力不只是在給定提示詞后生成一段好看的視頻。在生成視頻的過程中，模型必須學(xué)會物理規(guī)律：水怎么流、光怎么反射、物體怎么碰撞。

一個(gè)生成“水滴落下”視頻的模型，如果它連重力加速度都不懂，生成的畫面就會很假。

所以，Vidu本質(zhì)上是一個(gè)被訓(xùn)練來“理解并生成物理世界”的模型。

△Vidu布局

它已經(jīng)在商業(yè)化上證明了這一點(diǎn)：漫威《毒液3》的水墨風(fēng)格宣傳片，完全基于Vidu生成；AI漫劇《明日周一》10人團(tuán)隊(duì)45天產(chǎn)出50集，上線5天播放量破500萬。

而通往物理世界的路，MotuBrain正在鋪。

Vidu和MotuBrain，一個(gè)是數(shù)字空間的產(chǎn)出，一個(gè)是物理空間的執(zhí)行，兩套產(chǎn)品，同一條根。

這套雙軌結(jié)構(gòu)有一個(gè)天然的護(hù)城河：

絕大多數(shù)做機(jī)器人大腦的公司沒有視頻大模型的基礎(chǔ)，數(shù)據(jù)來源主要是仿真環(huán)境和真實(shí)機(jī)器人采集的數(shù)據(jù)，成本高、規(guī)模小。

而絕大多數(shù)做視頻模型的公司沒有機(jī)器人動作數(shù)據(jù)的積累，輸出可以很美，但無法驅(qū)動實(shí)體。

生數(shù)科技是極少數(shù)同時(shí)擁有這兩塊拼圖的玩家。

也因此，這些技術(shù)積累會直接反映在前述MotuBrain的成績單上。

當(dāng)然，光有數(shù)據(jù)還不夠，模型層面的突破還需要場景驗(yàn)證。目前，生數(shù)科技已經(jīng)與無界動力、深樸智能、星塵智能達(dá)成戰(zhàn)略合作。

這些合作伙伴有的主攻工業(yè)制造與商業(yè)服務(wù)場景，有些瞄準(zhǔn)類家庭商業(yè)場景與合作住宿場景。

合作內(nèi)容不只是“把MotuBrain裝上去試試”，而是技術(shù)層面的聯(lián)合優(yōu)化、數(shù)據(jù)層面的雙向飛輪、應(yīng)用層面的規(guī)?；涞?。

除了上述商業(yè)伙伴，更多戰(zhàn)略合作已在路上。

One more thing

具身智能行業(yè)的共識變了，大家已經(jīng)不在意誰造出更靈巧的機(jī)器人，更關(guān)心誰先做出真正通用的機(jī)器人大腦。

資本正在密集涌向做“大腦”的公司，這就是最好的說明。

他們爭奪的不是一兩個(gè)爆款應(yīng)用，而是下一代的操作系統(tǒng)入口，甚至更底層——通用物理世界的入口。

這個(gè)節(jié)骨眼上，剛完成近20億元B輪融資的生數(shù)科技，帶著雙榜第一的MotuBrain出現(xiàn)了。

當(dāng)別人還在糾結(jié)該走World Model還是VLA時(shí)，生數(shù)科技用同一個(gè)模型同時(shí)做到了行業(yè)第一。

這至少說明了一件事：通用物理智能這條路，有人已經(jīng)開始跑通了。

如果說視頻是理解世界的起點(diǎn)，那么讓AI真正走進(jìn)物理世界才是所有玩家的終點(diǎn)。

Vidu畫出了一個(gè)虛擬世界，而MotuBrain正在奔向后者。

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