作者 ｜ 郭海惟
郵箱 ｜ guohaiwei@pingwest.com

當(dāng)十幾臺(tái)G1在舞臺(tái)“下腰”打醉拳的時(shí)候，你會(huì)覺(jué)得宇樹(shù)好像真的已經(jīng)把表演這件事情卷到頭了。

真的很難想象，羊年還能有什么比馬年更能震撼人心的表演。哪怕是讓機(jī)器人在舞臺(tái)上跳芭蕾（一個(gè)比后空翻難無(wú)數(shù)倍的動(dòng)作），難道就能給普通人比今天更強(qiáng)的視覺(jué)震撼了嗎？恐怕也很難說(shuō)。

如果說(shuō)今天具身存在一個(gè)“結(jié)構(gòu)性”的矛盾，大概有就是“日益增長(zhǎng)的姿態(tài)控制能力與硬件水平”和“落地場(chǎng)景不平衡、不充分”的發(fā)展之間的矛盾。前者帶來(lái)了人民對(duì)具身日益增長(zhǎng)的期待，而后者則讓人民感到困惑。

對(duì)于很多人來(lái)說(shuō)，機(jī)器人的“技能樹(shù)”好像點(diǎn)錯(cuò)了——它明明該幫我們家務(wù)，卻代替我們?cè)娫~歌賦、載歌載舞。

而這種技能樹(shù)錯(cuò)配背后，其實(shí)有第二個(gè)“結(jié)構(gòu)性”的矛盾：即“日益增長(zhǎng)的AI智能訴求”與“智能泛化能力不平衡、不充分”的發(fā)展之間的矛盾。前者讓行業(yè)的所有從業(yè)者都對(duì)AGI的明天充滿(mǎn)光明信心，而后者則讓從業(yè)者感到現(xiàn)金流的貧窮。

而所謂一切場(chǎng)景與智能的問(wèn)題，其實(shí)本質(zhì)都是數(shù)據(jù)與智能的關(guān)系。

在具身領(lǐng)域尤其如此。

而具身的數(shù)據(jù)問(wèn)題又可以分成兩種：

一個(gè)是數(shù)據(jù)規(guī)模帶來(lái)智能難以scaling；一個(gè)是現(xiàn)有智能情況下，樣本的學(xué)習(xí)和泛化能力。

多位具身行業(yè)資深人士曾對(duì)硅星人表示，具身數(shù)據(jù)問(wèn)題屬于“可解”的，但解決方案本質(zhì)大概率都會(huì)是“線(xiàn)性”的，可能會(huì)隨著投入的增加獲得更多的加速，但“指數(shù)型”爆炸的可能性不高。

究其原因，如果想要通過(guò)仿真數(shù)據(jù)實(shí)現(xiàn)高度的通用泛化，生產(chǎn)超高質(zhì)量仿真數(shù)據(jù)背后的難度，可能反而高于具身大腦泛化的難度，有點(diǎn)“雞生蛋、蛋生雞”悖論的味道。而互聯(lián)網(wǎng)數(shù)據(jù)理論上可行，但不夠精準(zhǔn)，“畫(huà)馬難畫(huà)骨”，對(duì)齊難度大。

目前行業(yè)里普遍構(gòu)想的一個(gè)技術(shù)循環(huán)是：

數(shù)據(jù)采集→數(shù)據(jù)訓(xùn)練模型→模型進(jìn)入場(chǎng)景→場(chǎng)景生成數(shù)據(jù)→更好的數(shù)據(jù)→更強(qiáng)的模型→更多的場(chǎng)景和數(shù)據(jù)

這樣慢慢可以把數(shù)據(jù)轉(zhuǎn)起來(lái)，等數(shù)據(jù)多了，具身就可以進(jìn)入GPT時(shí)刻了，盡管實(shí)際過(guò)程可能很緩慢。但即便如此，很多模型依然會(huì)卡死在第三步，導(dǎo)致數(shù)據(jù)飛輪遲遲無(wú)法轉(zhuǎn)起來(lái)。導(dǎo)致一些實(shí)際的技術(shù)循環(huán)其實(shí)是：

數(shù)據(jù)采集→數(shù)據(jù)訓(xùn)練模型→泛化能力卡死在sim to real上→等待更多的數(shù)據(jù)

不過(guò)最近兩個(gè)月來(lái)，開(kāi)始陸續(xù)有更多的團(tuán)隊(duì)加入少樣本甚至零樣本的泛化能力的路線(xiàn)探索上來(lái)，通過(guò)不同的路徑去解決的智能突破和泛化能力的問(wèn)題，堪比具身的馬年學(xué)術(shù)春晚：

χ0是香港科技大學(xué)團(tuán)隊(duì)在2月10日正式發(fā)布的技術(shù)成果。

此前這個(gè)團(tuán)隊(duì)在12月份的時(shí)候曾經(jīng)拿χ0做了24個(gè)小時(shí)的“家務(wù)直播”，主要是抓取、疊、掛衣服，展現(xiàn)了很強(qiáng)大的柔性物體處理能力。

根據(jù)后來(lái)發(fā)布的技術(shù)報(bào)告顯示，χ0可以在很少樣本（20小時(shí)人類(lèi)視頻）、低算力（8張A100）的情況下做出很好的泛化能力。而且根據(jù)他們自己的說(shuō)法，相比于π0.5，χ0的成功率能提升250%。

正如如這篇論文的標(biāo)題，“通過(guò)化解分布不一致性，實(shí)現(xiàn)資源受限下的魯棒操控”。

χ0展現(xiàn)的是柔性物體能力，但其實(shí)想要解決的是模型學(xué)習(xí)的魯棒性難題。而它的解決方案其實(shí)就是通過(guò)解決在不同模塊的數(shù)據(jù)分布對(duì)齊問(wèn)題。

比如，過(guò)去訓(xùn)練出來(lái)的模型內(nèi)參數(shù)分布和環(huán)境反饋的分布是不同的，就會(huì)導(dǎo)致智能的魯棒性受損。而他們就希望在各個(gè)環(huán)節(jié)上找到這些分布差異，然后對(duì)齊它——他們最后選擇從訓(xùn)練分布（Ptrain）、模型分布（Qmodel）以及部署分布（Ptest）三個(gè)角度出發(fā)，從而讓流程的各個(gè)不同階段都能實(shí)現(xiàn)高效對(duì)齊。

https://arxiv.org/pdf/2602.09021

LingBot-VA是螞蟻靈波在1月30日官宣的技術(shù)成果，官方將它稱(chēng)為具身世界模型，首創(chuàng)了自回歸視頻-動(dòng)作世界建模框架。也是第一個(gè)將世界模型直接控制真機(jī)操作的研究成果。

而在此之前，螞蟻靈波還發(fā)布了LingBot-World開(kāi)源視頻生成世界模型，做到了將近 10 分鐘的無(wú)損穩(wěn)定生成。

與χ0一樣，LingBot-VA展現(xiàn)了更好的魯棒性：

在 LIBERO 和 RoboTwin 等主流基準(zhǔn)測(cè)試中，分別以 98.5% 和 92%+ 的成功率大幅領(lǐng)先π0.5等現(xiàn)有模型。在針對(duì)具身控制中常見(jiàn)的“長(zhǎng)時(shí)漂移”難題，復(fù)雜任務(wù)成功率超過(guò) 98%。

同時(shí)也能實(shí)現(xiàn)較少樣本下的泛化能力：

一個(gè)場(chǎng)景僅需 30~50 條演示數(shù)據(jù)即可完成適配。

但與χ0不同的是，LingBot-VA團(tuán)隊(duì)一開(kāi)始就選擇了一個(gè)在語(yǔ)義層面具備較高魯棒性的自回歸世界模型策略。他們的邏輯有點(diǎn)像在模型內(nèi)置了一個(gè)預(yù)測(cè)未來(lái)的大腦。本質(zhì)就是用一段視頻去預(yù)測(cè)下一段視頻的狀態(tài)。而當(dāng)模型知道下一段視頻流中的狀態(tài)時(shí)，便可以反推并解碼成具體的執(zhí)行動(dòng)作。

這樣一來(lái)，由于視頻與動(dòng)作之間存在明確的時(shí)間和邏輯關(guān)系，便自然就構(gòu)成了很明確的物理現(xiàn)實(shí)世界中的因果關(guān)系。所以這個(gè)技術(shù)成果被命名為：“面向機(jī)器人控制的因果世界建模”。

這套方案繞過(guò)了VLA常出現(xiàn)的表征糾纏問(wèn)題，將動(dòng)作、視頻預(yù)測(cè)、場(chǎng)景執(zhí)行情況，直接形成了相互映射的關(guān)系。而且在視頻生成模型中，天然會(huì)具備一定的世界模型知識(shí)，因此獲得了更好的執(zhí)行效果。

https://github.com/Robbyant/lingbot-va/blob/main/LingBot_VA_paper.pdf

DreamZero是英偉達(dá)團(tuán)隊(duì)在2月份發(fā)布的技術(shù)論文，定位世界動(dòng)作模型（WAM）。

DreamZero比LingBot-VA晚發(fā)了十天左右，但思路上與LingBot-VA同為世界模型落地真機(jī)的路線(xiàn)，因此在一些技術(shù)思路上也很相似。而且Lingbo-VAt搭配LingBot-World一起發(fā)布，而與DreamZero同期發(fā)布的還有DreamDojo的通用機(jī)器人世界模型。

這兩個(gè)團(tuán)隊(duì)在技術(shù)審美和產(chǎn)品發(fā)布的邏輯節(jié)奏上如此相似，可以說(shuō)目前在世界模型的探索上，分別都是東西半球的先行者，也相當(dāng)程度上確認(rèn)了這條技術(shù)路線(xiàn)的可行性。

他們都強(qiáng)調(diào)世界模型在運(yùn)動(dòng)控制中的作用，強(qiáng)調(diào)通過(guò)世界模型預(yù)測(cè)而非簡(jiǎn)單堆砌數(shù)據(jù)的重要性，以及受益于世界模型的技術(shù)路線(xiàn)，DreamZero也呈現(xiàn)了較好的泛化性。

官方表示，DreamZero甚至在一些模型從來(lái)沒(méi)有見(jiàn)過(guò)的場(chǎng)景中，DreamZero也已經(jīng)可以實(shí)現(xiàn)0樣本泛化。而為了著重強(qiáng)調(diào)這一點(diǎn)，他們甚至把自己的技術(shù)報(bào)告直接叫做，“世界動(dòng)作模型就是0樣本泛化的策略”（World Action Models are Zero-shot Policies ）

最核心區(qū)別在于，LingBot采用了自回歸為主干的策略，而DreamZero則采用了以擴(kuò)散模型直接作為主干的策略。此外，作為各自模型未來(lái)的基礎(chǔ)設(shè)施，DreamDojo的核心是閉源的，而LingBot-World則是完全開(kāi)源的。

https://dreamzero0.github.io/

1

押注“非線(xiàn)性”增長(zhǎng)的物理世界

過(guò)去的具身技術(shù)路線(xiàn)正在受到越來(lái)越多的挑戰(zhàn)。

一方面，如本文開(kāi)頭所說(shuō)，LLM成功的路徑依賴(lài)讓具身產(chǎn)業(yè)長(zhǎng)期患有數(shù)據(jù)饑渴癥。而數(shù)據(jù)規(guī)模短時(shí)間難以爆發(fā)式增長(zhǎng)，就導(dǎo)致具身的智能缺乏像LLM那樣指數(shù)級(jí)增長(zhǎng)的手段；

另一方面，其實(shí)以VLA為代表的技術(shù)路線(xiàn)，本身也在面臨更多的質(zhì)疑。越來(lái)越多人開(kāi)始質(zhì)疑VLA是否可以很好的完成動(dòng)作操控，是否有能力更好地泛化并突破Sim to real gap的魔咒。

而面對(duì)這種困局，不同的人想到的解決方案是不同的，也很難在短期達(dá)成共識(shí)。

以χ0這類(lèi)研究更像是通過(guò)不斷升級(jí)過(guò)去的架構(gòu)能力，從而在原有的路徑上解決問(wèn)題；而LingBot-VA、DreamZero這樣的產(chǎn)品，則是尋求一種革命性的范式創(chuàng)新。

今天一個(gè)行業(yè)內(nèi)逐步清晰的共識(shí)是：如果具身大腦的能力要擺脫數(shù)據(jù)貧血和泛化瓶頸的地心引力，從而復(fù)刻LLM的傳奇，那就必須有一些新的技術(shù)創(chuàng)新。要么，我們?cè)跀?shù)據(jù)層面上大幅突破；要么在架構(gòu)上另辟蹊徑。

而像VA、DreamZero這樣的工作顯然是后者，而他們能給我們的啟事是：

如果要在具身復(fù)刻LLM的scaling law奇跡，它未必是要通過(guò)平移scaling law的方式實(shí)現(xiàn)的，也可能是借一個(gè)更好的架構(gòu)來(lái)獲得原本在LLM就已經(jīng)具備的知識(shí)能力。

螞蟻靈波首席科學(xué)家沈宇軍在接受采訪(fǎng)時(shí)表示：

LingBot-VA和LingBot-World的思考其實(shí)是“一套技術(shù)體系的不同側(cè)重”，雙方會(huì)耦合地非常深，底層的數(shù)據(jù)引擎、代碼框架和優(yōu)化方法，都高度共通。

所以，沈宇軍的思路可能就是要繞過(guò)具身的scaling瓶頸，重新去審視和依托新的大模型能力，建設(shè)新的具身底層的智能基礎(chǔ)設(shè)施。

從這個(gè)角度來(lái)說(shuō)，螞蟻靈波和英偉達(dá)可謂具身世界模型中“拓荒者”的角色，未來(lái)也不排除會(huì)有更多的像英偉達(dá)和螞蟻這樣的超級(jí)玩家加入。但隨著中美AI進(jìn)展生態(tài)的不同，未來(lái)英偉達(dá)會(huì)逐漸形成自己的生態(tài)，而螞蟻靈波則會(huì)積極引領(lǐng)全球的開(kāi)源世界模型生態(tài)。

但他們的目標(biāo)都是一致的：

具身不一定就必須要按部就班，物理AI也值得一次爆炸式增長(zhǎng)的嘗試。

點(diǎn)個(gè)“愛(ài)心”，再走 吧