衡宇 Jay 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

當(dāng)下的具身智能賽道，已經(jīng)卷成兩大技術(shù)流派的拉鋸戰(zhàn)。

純VLA模型Physical Intelligence π0.7擅長舉一反三，能適配陌生場景；世界模型派英偉達(dá)DreamZero主打「預(yù)判未來」，可零樣本適配新機(jī)器人。

但這兩種路線各有短板，行業(yè)遲遲沒有出現(xiàn)能跑通能落地、可規(guī)?；慕y(tǒng)一方案。

面對行業(yè)僵局，具身智能頭部企業(yè)銀河通用創(chuàng)新推出1.6B參數(shù)的跨本體「隱式世界-動(dòng)作基礎(chǔ)模型」LDA-1B。

LDA-1B走的是自研的WAM世界-動(dòng)作融合路線。

目前，該工作成果成功登頂今年僅有210篇錄用的機(jī)器人頂會RSS，項(xiàng)目成果代碼已全面開源。

論文地址：https://arxiv.org/abs/2602.12215
項(xiàng)目鏈接：https://pku-epic.github.io/LDA/
代碼地址：https://github.com/jiangranlv/LDA-1B

LDA-1B模型首次在數(shù)據(jù)層面實(shí)現(xiàn)虛實(shí)共融、人機(jī)混合、質(zhì)量參差、有無動(dòng)作標(biāo)簽的數(shù)據(jù)統(tǒng)一有效利用。

用不那么學(xué)術(shù)的話來說，這個(gè)模型在業(yè)界首次做到了「吃數(shù)據(jù)的時(shí)候不挑食」。

無論是虛擬仿真還是真實(shí)拍攝、人類視頻還是機(jī)器人記錄、高清畫面還是模糊影像、帶標(biāo)注的教案還是沒標(biāo)注的原始素材，統(tǒng)統(tǒng)可以混在一起訓(xùn)練，并且都能被有效利用。

只需短短1個(gè)小時(shí)的后訓(xùn)練，它就能實(shí)現(xiàn)跨具身本體的自適應(yīng)。

換句話說，它可以快速 “學(xué)會” 操控各種不同形態(tài)的機(jī)器人身體。

過去這些數(shù)據(jù)源互相水土不服，只能分開處理；現(xiàn)在壁壘被LDA-1B打破，數(shù)據(jù)獲取與標(biāo)注成本大幅降低，AI能從更廣泛、更便宜的來源中學(xué)習(xí)。

回顧GPT-2之于大語言模型的最重要意義，就是打破了高質(zhì)量標(biāo)注數(shù)據(jù)的依賴枷鎖，依靠海量異構(gòu)數(shù)據(jù)實(shí)現(xiàn)持續(xù)Scaling。

反觀具身智能，一直受困于數(shù)據(jù)割裂難題，難以進(jìn)階。

現(xiàn)在，LDA-1B打破該桎梏，解鎖了具身智能的「GPT-2時(shí)刻」。

全數(shù)據(jù)高效利用，告別數(shù)據(jù)浪費(fèi)

結(jié)合官方實(shí)測視頻，足以直觀展現(xiàn)LDA-1B全方位領(lǐng)先的核心實(shí)力。

視頻開場，它就亮出三大典型場景落地潛力：

零售場景，它能利索地在貨架間穿梭，分揀物品；家庭場景，它能整齊疊好衣物；工業(yè)場景，它能輕松搬運(yùn)碼放沉重的貨物。

多樣生活化、工業(yè)化場景的流暢實(shí)操，充分體現(xiàn)了LDA-1B模型的落地適配性。

表象之外，想要真正看懂差異化優(yōu)勢，還要從主流模型的現(xiàn)有缺陷講起。

行業(yè)普遍認(rèn)為，只要積累足夠豐富的專家操作樣本，模型就能自主習(xí)得完整的行動(dòng)邏輯與操作能力。

但這套技術(shù)路線本身存在明顯局限，整體十分依賴高水準(zhǔn)訓(xùn)練數(shù)據(jù)。

高質(zhì)量數(shù)據(jù)的獲取門檻一直居高不下，遠(yuǎn)程操控采集和精細(xì)內(nèi)容標(biāo)注，再加上復(fù)雜的動(dòng)作空間統(tǒng)一工作，都會持續(xù)拉高整體成本，也讓數(shù)據(jù)體量很難實(shí)現(xiàn)大范圍擴(kuò)充。

就算借助仿真數(shù)據(jù)來補(bǔ)充訓(xùn)練數(shù)據(jù)，虛擬環(huán)境和現(xiàn)實(shí)場景的天然差距，也會帶來明顯的落地適配問題。

除此之外，行業(yè)還長期浪費(fèi)著海量閑置資源，純視覺的人類第一視角素材，含有大量干擾信息的粗糙運(yùn)動(dòng)記錄，以及不同機(jī)器人設(shè)備產(chǎn)出的差異化內(nèi)容，都難以被傳統(tǒng)框架吸收學(xué)習(xí)。

這個(gè)LDA-1B做了一件行業(yè)沒人敢做的事——把別人眼里的「無用數(shù)據(jù)」全拿來訓(xùn)練了。

LDA-1B出來之前，全行業(yè)其實(shí)都沒真正吃透所有具身數(shù)據(jù)。

為了打破這個(gè)桎梏，銀河通用構(gòu)建了完整的數(shù)據(jù)基礎(chǔ)設(shè)施「銀河星數(shù)（AstraData）」，并在LDA-1B中實(shí)現(xiàn)對全類數(shù)據(jù)的統(tǒng)一完整運(yùn)用。

圍繞這一體系，銀河通用構(gòu)建了一個(gè)金字塔式自下而上的五層數(shù)據(jù)結(jié)構(gòu)：

• 互聯(lián)網(wǎng)圖像/視頻/文本數(shù)據(jù)（底層）：規(guī)模最大、成本最低，用于構(gòu)建基礎(chǔ)感知與語義理解能力，但與具體動(dòng)作執(zhí)行相關(guān)性較弱；
• 人類行為數(shù)據(jù)（次底層）：提供動(dòng)作先驗(yàn)與任務(wù)理解，將“視覺認(rèn)知”連接到“行為語義”；
• 多本體合成仿真數(shù)據(jù)（中間層，銀河自研合成數(shù)據(jù)管線產(chǎn)出）：以物理一致性為約束，大規(guī)模生成可控、多樣的機(jī)器人交互數(shù)據(jù)，實(shí)現(xiàn)從認(rèn)知到執(zhí)行的關(guān)鍵過渡；
• 真實(shí)遙操作數(shù)據(jù)（高層）：提供高質(zhì)量動(dòng)作示范，但規(guī)模與采集效率受限；
• 真實(shí)機(jī)器人自主運(yùn)行數(shù)據(jù)（頂層）：來自真實(shí)部署環(huán)境的閉環(huán)數(shù)據(jù)，直接反映系統(tǒng)在現(xiàn)實(shí)世界中的運(yùn)行表現(xiàn)，并持續(xù)驅(qū)動(dòng)強(qiáng)化學(xué)習(xí)與系統(tǒng)優(yōu)化。

此外，不同質(zhì)量的數(shù)據(jù)也被分配不同的訓(xùn)練角色，各司其職，物盡其用。

• 高質(zhì)量專家軌跡：同時(shí)學(xué)習(xí)策略和動(dòng)力學(xué)，定義什么是好的動(dòng)作。
• 低質(zhì)量/噪聲數(shù)據(jù)：只用于前向和逆向動(dòng)力學(xué)。動(dòng)作可能是錯(cuò)的，但世界對動(dòng)作的響應(yīng)是真實(shí)的。一個(gè)人把杯子碰倒了，杯子倒下去的物理過程，不會因?yàn)椤高@個(gè)操作水平不行」就變得不真實(shí)。
• 無動(dòng)作標(biāo)注的人類視頻：用于視覺預(yù)測。沒有動(dòng)作信號，但人類操作的時(shí)序結(jié)構(gòu)和交互模式全都在畫面里。

在這一框架下，數(shù)據(jù)不再被簡單劃分為「有用或無用」，而是被系統(tǒng)性重組進(jìn)統(tǒng)一的世界-動(dòng)作模型之中。

這就是LDA-1B所說的「通用數(shù)據(jù)攝入范式」。

沒有垃圾數(shù)據(jù)，只有因訓(xùn)練框架被「錯(cuò)付」的數(shù)據(jù)。把對的數(shù)據(jù)放到對的訓(xùn)練目標(biāo)里，每一幀都有價(jià)值。

這一范式在LDA-1B中首次展現(xiàn)出清晰的規(guī)?；卣?。

隨著訓(xùn)練數(shù)據(jù)從5000小時(shí)擴(kuò)展至30000小時(shí)，LDA?1B的動(dòng)作預(yù)測誤差持續(xù)下降，呈現(xiàn)穩(wěn)定的單調(diào)改善趨勢。

相比之下，僅采用策略學(xué)習(xí)的基線模型在引入低質(zhì)量數(shù)據(jù)后性能明顯退化。

規(guī)?；瘜?shí)驗(yàn)結(jié)果，給出了最有力的證明。

當(dāng)所有有動(dòng)作標(biāo)注的數(shù)據(jù)耗盡后，繼續(xù)加入超過10000小時(shí)無動(dòng)作標(biāo)注的人類視頻，LDA?1B的性能依然能夠持續(xù)提升。

這一點(diǎn)，是傳統(tǒng)行為克?。˙C）及既有世界模型方法難以實(shí)現(xiàn)的。

具身智能的規(guī)?；l(fā)展，第一次不再被高質(zhì)量專家數(shù)據(jù)的稀缺性所限制，海量高低質(zhì)量、有無標(biāo)簽的異構(gòu)數(shù)據(jù)，都能成為模型能力持續(xù)增長的動(dòng)力。

它標(biāo)志著具身智能開始真正進(jìn)入以數(shù)據(jù)驅(qū)動(dòng)的規(guī)模化發(fā)展階段。

跳出二元局限，鑄就跨本體通用能力

LDA-1B走出了區(qū)別于純VLA、純世界模型的第三條技術(shù)路線。

純世界模型難落地成實(shí)際動(dòng)作，純VLA模型不理解行為后果。

LDA-1B選擇在單一擴(kuò)散模型框架內(nèi)把兩者完美融合，同時(shí)在一個(gè)模型里學(xué)習(xí)四大核心能力：

• 策略學(xué)習(xí):根據(jù)當(dāng)前觀測直接生成動(dòng)作，這是VLA的能力。
• 前向動(dòng)力學(xué):根據(jù)當(dāng)前狀態(tài)和動(dòng)作，預(yù)測下一時(shí)刻的視覺狀態(tài)，這是世界模型的能力。
• 逆向動(dòng)力學(xué):根據(jù)前后兩個(gè)狀態(tài)，反推中間執(zhí)行了什么動(dòng)作。
• 視覺預(yù)測:不需要?jiǎng)幼鬏斎?，直接預(yù)測未來的視覺軌跡。

四類能力協(xié)同優(yōu)化，構(gòu)建起「感知—決策—交互—反饋」的完整閉環(huán)。

模型不僅知道「該怎么做」，更能理解「這么做會改變什么」。

通過一個(gè)MM-DiT（多模態(tài)擴(kuò)散Transformer）構(gòu)建，將動(dòng)作策略學(xué)習(xí)與世界建模統(tǒng)一建模。

不同于傳統(tǒng)的世界模型容易在燈光、紋理等像素級的細(xì)節(jié)上消耗過多算力，LDA-1B選擇在緊湊的DINO的潛空間（Latent Space）中建模動(dòng)力學(xué)，將注意力完全放在物體的結(jié)構(gòu)和動(dòng)作的本質(zhì)上。

這種抓大放小的策略，讓它在處理具體操控、靈巧操控以及長程操作等復(fù)雜任務(wù)時(shí)，表現(xiàn)遠(yuǎn)超其它模型，性能提升高達(dá)48%。

為了探尋LDA-1B的有效性和實(shí)際效果，研究團(tuán)隊(duì)進(jìn)行了一系列實(shí)驗(yàn)。

研究團(tuán)隊(duì)申明，所有測試使用的機(jī)器人本體——包括搭載雙指夾爪或22自由度靈巧手的Galbot G1、搭載10自由度靈巧手的Unitree G1——都沒有在預(yù)訓(xùn)練數(shù)據(jù)集中出現(xiàn)過，屬于嚴(yán)格的少樣本跨本體泛化。

實(shí)測里L(fēng)DA-1B的表現(xiàn)一騎絕塵。

夾爪取放、物體交接，超高難度長程任務(wù)，秒殺GR00T-N1.6和π0.5。

面對未知位置、新物體、變化背景等分布外擾動(dòng)，以及各類靈巧手操作，LDA-1B同樣全方位領(lǐng)先現(xiàn)有頂尖模型，執(zhí)行與泛化能力拉滿。

從鍋里翻撿牛排盛到盤子里，再撒點(diǎn)黑胡椒粉這種事，對搭載LDA-1B模型的機(jī)器人來說，真·小菜一碟。

比如精準(zhǔn)預(yù)判「推動(dòng)掃帚會帶動(dòng)紙團(tuán)位移」的物理邏輯，這也是其攻克長程任務(wù)、靈巧操作難題的核心關(guān)鍵。

團(tuán)隊(duì)在實(shí)驗(yàn)過程中，驗(yàn)證了一個(gè)行業(yè)反直覺結(jié)論：

在下游任務(wù)微調(diào)中加入包含大量失敗和不穩(wěn)定操作的遙操作數(shù)據(jù)，π0.5性能下降，LDA-1B性能反而提升10%。

不管是曾經(jīng)被定義為「低質(zhì)量」的數(shù)據(jù)，還是那些「不可用」的數(shù)據(jù)，現(xiàn)在統(tǒng)統(tǒng)都可以被LDA吃干榨盡。

整體而言，LDA-1B完成了模型能力與硬件適配的全域歸一，突破單一技術(shù)路線、單一機(jī)器人本體的能力局限，實(shí)現(xiàn)多場景、多硬件、多任務(wù)的通用化作業(yè)能力。

全鏈路閉環(huán)，開啟具身規(guī)?；瘯r(shí)代

復(fù)盤行業(yè)兩大主流路線的底層缺陷，不難發(fā)現(xiàn)，兩者的天花板很明顯。

純VLA路線無法脫離專家數(shù)據(jù)掣肘，難以規(guī)?；?；傳統(tǒng)世界模型受像素空間制約，參數(shù)擴(kuò)容無法帶來有效增益。

而LDA-1B依托WAM統(tǒng)一框架，憑借DINO結(jié)構(gòu)化表征、四任務(wù)協(xié)同訓(xùn)練、全量數(shù)據(jù)分工復(fù)用三大核心革新，補(bǔ)齊了具身智能規(guī)模化進(jìn)化的全部條件，構(gòu)建起可持續(xù)自我迭代的底層范式。

不同于行業(yè)傳統(tǒng)的「數(shù)據(jù)篩選」模式，LDA-1B建立的「數(shù)據(jù)組織」范式，讓海量異構(gòu)數(shù)據(jù)持續(xù)為模型進(jìn)化賦能，成功復(fù)刻大模型的Scaling增長邏輯，讓機(jī)器人真正擁有自主學(xué)習(xí)、持續(xù)進(jìn)化的通用智能能力。

在產(chǎn)業(yè)落地層面，LDA-1B是銀河通用銀河星腦全人形通用基礎(chǔ)模型體系的關(guān)鍵閉環(huán)，它嵌入在「銀河星腦（AstraBrain）」的完整技術(shù)體系之中：

從「銀河星數(shù)」所構(gòu)建的數(shù)據(jù)基礎(chǔ)設(shè)施，到跨本體的世界-動(dòng)作基礎(chǔ)模型，再到面向真實(shí)場景的持續(xù)部署與反饋學(xué)習(xí)閉環(huán)，為實(shí)體場景規(guī)?；涞刂渭夹g(shù)根基。

依托成熟完備的技術(shù)管線，銀河通用將工廠工業(yè)、家庭起居作為核心落地主戰(zhàn)場，針對性打磨適配兩類高頻剛需場景的通用具身能力。

在工廠場景，模型可適配復(fù)雜工業(yè)產(chǎn)線環(huán)境，完成柔性搬運(yùn)、精密操作、巡檢運(yùn)維、流程輔助等多元化作業(yè)，適配多品類工廠非標(biāo)化需求，降低產(chǎn)線智能化改造成本，助力工業(yè)自動(dòng)化提質(zhì)增效。

在家庭場景，可深度適配居家復(fù)雜動(dòng)態(tài)環(huán)境，覆蓋全屋家務(wù)打理、老人兒童陪護(hù)、居家安全巡檢、生活化便民操作等日常需求，打破家庭服務(wù)機(jī)器人功能單一、環(huán)境適配差的行業(yè)痛點(diǎn)，真正落地普惠型家庭智能服務(wù)。

在此兩大核心場景之外，同步延伸至零售等細(xì)分領(lǐng)域，形成主次分明、重點(diǎn)突出的落地布局，推動(dòng)具身智能從實(shí)驗(yàn)室演示技術(shù)，升級為可落地、可復(fù)用、可創(chuàng)造價(jià)值的生產(chǎn)力基礎(chǔ)設(shè)施。

生態(tài)層面，銀河通用秉持開放共建理念，已開源基于公開數(shù)據(jù)訓(xùn)練的LDA-1B模型版本。

打破行業(yè)封閉迭代壁壘，為全球具身智能研究提供通用、高效的技術(shù)底座，加速全行業(yè)技術(shù)躍遷。

從技術(shù)模型、數(shù)據(jù)資源到產(chǎn)業(yè)生態(tài)，LDA-1B完成了全維度的全域歸一，構(gòu)建起技術(shù)可迭代、數(shù)據(jù)可循環(huán)、產(chǎn)業(yè)可落地的完整閉環(huán)，牢牢坐穩(wěn)國內(nèi)具身智能賽道的技術(shù)與估值龍頭地位。

技術(shù)與產(chǎn)業(yè)的雙重突破，讓這家公司獲得了資本市場的高度認(rèn)可。

截至2026年4月，銀河通用已是國內(nèi)估值最高的未上市具身智能企業(yè)，估值超200億元。

而LDA-1B的問世，再度夯實(shí)了企業(yè)的核心技術(shù)壁壘與行業(yè)領(lǐng)先的產(chǎn)業(yè)價(jià)值。

歸根結(jié)底，LDA-1B的價(jià)值早已超越榜單跑分的淺層競爭。

它解答了具身智能領(lǐng)域最本質(zhì)的命題：

依托WAM世界-動(dòng)作統(tǒng)一框架，機(jī)器人是否可以復(fù)刻LLM的規(guī)模化邏輯，從海量異構(gòu)數(shù)據(jù)中持續(xù)認(rèn)知世界、迭代進(jìn)化？

就這個(gè)問題，LDA-1B用自身給出了肯定的答案。

從GPT大模型的文本智能，到LDA-1B的機(jī)器人具身智能，統(tǒng)一建模、全量數(shù)據(jù)驅(qū)動(dòng)的規(guī)?；壿嬕幻}相承。

銀河通用將這套成熟的AI進(jìn)化范式落地機(jī)器人領(lǐng)域，正式拉開了具身智能規(guī)模化、通用化、產(chǎn)業(yè)化的全新序幕。

One More Thing

去年3月，銀河通用就率先提出并實(shí)踐了將World Model（世界模型）與Action Model（動(dòng)作模型）統(tǒng)一的框架WAM（World-Action Model）。

感興趣的小伙伴可以跳轉(zhuǎn)論文《DyWA: Dynamics-adaptive World Action Model》。

該論文在全球范圍內(nèi)首次對WAM的概念進(jìn)行結(jié)構(gòu)化定義，并在接觸動(dòng)力學(xué)復(fù)雜的任務(wù)實(shí)現(xiàn)了成功的驗(yàn)證。

DyWA創(chuàng)新性引入動(dòng)態(tài)自適應(yīng)機(jī)制，突破了傳統(tǒng)操控模型泛化弱、動(dòng)態(tài)適配不足的痛點(diǎn)，為具身智能與非抓取操控研究提供全新思路，學(xué)術(shù)價(jià)值突出。

在產(chǎn)業(yè)端，該模型顯著提升機(jī)器人復(fù)雜場景作業(yè)能力，降低落地適配成本，有效賦能服務(wù)機(jī)器人、柔性工業(yè)操作等場景，加速通用具身智能技術(shù)落地與產(chǎn)業(yè)化進(jìn)程。