機器之心發(fā)布

最近，具身智能圈被 Generalist CEO 的一篇長文《Going Beyond World Models & VLAs》刷屏。文章拋出了一個看似振聾發(fā)聵的觀點：目標(biāo)遠(yuǎn)比工具標(biāo)簽更重要。與其陷入 “我們到底是在做 VLA（視覺 - 語言 - 動作模型）還是世界模型（World Model）” 的教條之爭，不如回歸本源：讓機器高效、準(zhǔn)確地作用于物理世界。

目標(biāo)固然重要，但這只說對了一半。喊出 “回歸目標(biāo)” 的口號很容易，但如果僅僅停留在 “目標(biāo)驅(qū)動” 的思維層面上，而沒有在底層架構(gòu)上做出與之匹配的決斷與取舍，那所謂的 “突破邊界” 也不過是空中樓閣。Generalist 試圖用 “完全掌控基礎(chǔ)模型、從零訓(xùn)練” 來解決一切問題，這是一種大力出奇跡的粗暴解法。但在算力與數(shù)據(jù)均受限的真實物理世界里，我們需要的不僅是宏大的目標(biāo)，更是極具穿透力的架構(gòu)設(shè)計。

巧合的是，在這場關(guān)于 “目標(biāo)驅(qū)動（Goal-Driven）” 與 “理念驅(qū)動（Idea-Driven）” 的探討中，國內(nèi)最早布局世界模型的公司極佳視界，他們沒有停留在概念的爭辯上，而是直接切中物理世界的約束，提出并開源了 “以動作為中心的世界模型” GigaWorld-Policy。這不僅僅是一次架構(gòu)的微調(diào)，而是對具身智能底層邏輯的重構(gòu)。

• 項目主頁：https://gigaai-research.github.io/GigaWorld-Policy/

目標(biāo)的本質(zhì)

從 “理解世界” 到 “作用于世界”

在探討 GigaWorld-Policy 之前，我們必須先理清當(dāng)前世界模型在機器人領(lǐng)域的尷尬處境。過去一年，讓機器人 “先想象，再行動” 幾乎成了世界模型標(biāo)配思路：模型在推理時同步生成未來的視頻幀，再從這些高維視覺表征中提取或規(guī)劃動作。

這種做法在直覺上很美妙，但在工程實踐中卻暴露出了兩個致命缺陷：

1. 目標(biāo)錯位：視頻生成是手段，而高頻、精準(zhǔn)的動作輸出才是目的。將手段當(dāng)成目標(biāo)，不可避免地會導(dǎo)致模型架構(gòu)的臃腫和計算資源的錯配。
2. 現(xiàn)實約束：渲染高維像素的計算開銷極大，不僅帶來了難以忍受的推理延遲，視頻預(yù)測的誤差還會沿著時間步傳遞給動作序列，最終導(dǎo)致物理交互的崩潰。

極佳視界的判斷是：如果一個設(shè)計在推理時必須做大量與最終目標(biāo)無關(guān)的計算，那它一定不是最優(yōu)解。真正的具身智能，需要的不是一個能在腦海中完美回放 4K 視頻的 “幻想家”，而是一個對物理規(guī)律擁有 “潛意識” 般直覺反應(yīng)的 “實干家”。

就像頂尖的乒乓球運動員，在擊球的瞬間絕不需要在腦海中渲染出球的完整運動軌跡，而是依靠肌肉記憶和物理直覺直接做出最優(yōu)動作。

GigaWorld-Policy

讓視頻生成從 “場上選手” 轉(zhuǎn)為 “幕后教練”

基于對 “目標(biāo)” 和 “現(xiàn)實約束” 的重新思考，GigaWorld-Policy 在架構(gòu)層面做出了一個極具顛覆性的改變：讓視頻生成在推理時變?yōu)榭蛇x項。

在這個架構(gòu)中，視頻生成模塊的角色發(fā)生了根本性的轉(zhuǎn)變：

1. 訓(xùn)練時的 “嚴(yán)師”： 模型在訓(xùn)練階段同時接受 “動作預(yù)測” 和 “視頻生成” 的雙重監(jiān)督。海量的互聯(lián)網(wǎng)視頻數(shù)據(jù)在這里發(fā)揮了巨大的價值，視頻生成作為一個嚴(yán)苛的輔助任務(wù)，強迫模型深入學(xué)習(xí)并內(nèi)化符合真實物理規(guī)律的動態(tài)表征（Dynamics Representation）。
2. 推理時的 “Action-Only” 模式： 一旦部署到物理世界，視頻生成模塊便徹底退居幕后。模型可以一鍵切換至純動作輸出模式，直接下發(fā)高頻控制指令。

這種設(shè)計甩掉了渲染高維像素的算力包袱。理解物理規(guī)律，不再等同于必須渲染出物理畫面。只有當(dāng)架構(gòu)本身與目標(biāo)實現(xiàn)完全對齊時，“目標(biāo)驅(qū)動” 才不再是一句空話。

數(shù)據(jù)效率

在現(xiàn)實約束下尋找最優(yōu)解

Generalist 在文章中提到，面對機器人領(lǐng)域數(shù)據(jù)稀缺的問題，他們的選擇是 “從零訓(xùn)練”，并堅信當(dāng)數(shù)據(jù)足夠充足時，完全掌控基礎(chǔ)模型能更快突破邊界。這是一個典型的 “富人思維” 陷阱，也違背了機器學(xué)習(xí)的基本規(guī)律。在產(chǎn)業(yè)落地的現(xiàn)實中，“缺乏 web-scale 的機器人動作數(shù)據(jù)” 是一道繞不過去的坎。指望靠海量真機數(shù)據(jù)硬生生喂出一個 “從零訓(xùn)練” 的基礎(chǔ)模型，在經(jīng)濟(jì)性和時間成本上都是不可接受的。

要真正解決數(shù)據(jù)效率問題，必須回歸第一性原理。OpenAI 提出的 Transfer Scaling Law（遷移縮放定律） 為我們指明了方向：它揭示了預(yù)訓(xùn)練模型在目標(biāo)任務(wù)上的性能，并不只取決于模型大小，更取決于預(yù)訓(xùn)練數(shù)據(jù)（源域）與目標(biāo)任務(wù)數(shù)據(jù)（目標(biāo)域）之間的分布對齊程度。簡而言之，你喂給模型再多的通用數(shù)據(jù)，如果它的表征結(jié)構(gòu)不適合直接輸出 “動作”，這種知識遷移的損耗將是極其驚人的。

極佳視界的解法，正是對 Transfer Scaling Law 的一次教科書級別的工程實踐。因為 GigaWorld-Policy 從底層架構(gòu)上就確立了 “以動作為中心”，這使得模型在預(yù)訓(xùn)練階段提取的物理表征，天然地與最終的 “動作輸出” 任務(wù)高度對齊。這就大大降低了知識遷移的損耗（Transfer Penalty）。

在第一性原理的指導(dǎo)下，GigaWorld-Policy 跑通了 “三段式高效訓(xùn)練 Pipeline”：

1. 建立物理常識（源域預(yù)訓(xùn)練）：利用海量互聯(lián)網(wǎng)視頻，讓基座模型學(xué)習(xí)廣泛的通用物理常識和視覺表征。
2. 聚焦時空演變（跨域適配）：引入涵蓋第一人稱視角、真實機器人操作及仿真環(huán)境的多源視頻，專攻具身場景下的時空動態(tài)演變，拉近源域與目標(biāo)域的分布距離。
3. 精準(zhǔn)對齊（目標(biāo)域微調(diào)）：僅需少量的帶標(biāo)簽真機動作數(shù)據(jù)，即可完成最終的控制策略對齊。

實驗數(shù)據(jù)極具說服力：GigaWorld-Policy 僅用 10% 的真實機器人數(shù)據(jù)，就能達(dá)到傳統(tǒng) VLA 方案使用 100% 數(shù)據(jù)的效果。 這種分層范式，相比傳統(tǒng) VLA 實現(xiàn)了高達(dá) 10 倍的訓(xùn)練效率提升。

推理延遲

物理世界的硬約束

在物理世界中，時間就是生命。毫秒級的延遲差異，往往就是 “穩(wěn)穩(wěn)抓住” 與 “打翻水杯” 的區(qū)別?！奥掏獭?的端到端大模型，在真實的物理交互中毫無用武之地。

• 拋棄了視頻生成的包袱后，GigaWorld-Policy 在推理效率上迎來了質(zhì)的飛躍。在 A100 GPU 上，其推理速度達(dá)到了驚人的360 毫秒 / 步。相比之下，相較 Motus，GigaWorld-Policy 實現(xiàn)了更少的推理顯存占用以及 10 倍推理速度提升。
• 更關(guān)鍵的是，這種速度的提升直接轉(zhuǎn)化為了控制性能的躍升。在真實世界的任務(wù)評測中，GigaWorld-Policy 的平均成功率達(dá)到了 83%，不僅比 Motus 快 9 倍，成功率更是高出 7 個百分點。

開源精神與產(chǎn)業(yè)的未來

與其在概念的迷宮中打轉(zhuǎn)，或是空談 “目標(biāo)驅(qū)動”，不如用代碼和落地效果說話。就在前段時間，極佳視界宣布 GigaWorld-Policy 全面開源：

• 項目主頁：https://gigaai-research.github.io/GigaWorld-Policy/
• 代碼：https://github.com/open-gigaai/giga-world-policy
• 論文：https://arxiv.org/pdf/2603.17240

在此之前，他們的 GigaWorld-1 不僅在世界模型權(quán)威基準(zhǔn) WorldArena 中登頂全球第一（綜合得分突破 60 分，超越谷歌、英偉達(dá)、阿里等國際頂尖團(tuán)隊），其開源代碼和數(shù)據(jù)集在 Huggingface 上的下載量也已突破 2.4 萬次：

• 代碼：https://github.com/open-gigaai/CVPR-2026-Workshop-WM-Track
• 數(shù)據(jù)：https://huggingface.co/datasets/open-gigaai/CVPR-2026-WorldModel-Track-Dataset

無論是 Generalist 的深思，還是極佳視界的破局，都在向整個行業(yè)傳遞一個明確的信號：具身智能已經(jīng)走過了 “概念驗證” 的階段。未來的主戰(zhàn)場，屬于那些真正理解物理約束、敢于在架構(gòu)上斷舍離的實干者。而 “以動作為中心” 的世界模型，或許是通往物理 AGI 之路上，一座極具里程碑意義的進(jìn)步。

世界模型無疑是 2026 年至今整個科技圈最熱議題之一。它正推動 AI 從“感知當(dāng)下”，走向?qū)r空和動態(tài)變化的“預(yù)測與推演”。在這條充滿想象力卻又極具挑戰(zhàn)的賽道上，技術(shù)突破與實踐應(yīng)用走到了哪一步？

4 月 15 日 19:00-21:00，機器之心將聯(lián)手黃大年茶思屋，邀請 5 位產(chǎn)學(xué)研頂尖專家，從技術(shù)突破到產(chǎn)業(yè)實踐，深度解析世界模型的最前沿。

歡迎關(guān)注機器之心視頻號預(yù)約直播

*如有疑問，歡迎添加小助手微信，搜索：jiqizhixinsh