博客链接:https://www.shengshu.com/zh/general-world-model/
布最 时序一致性和世界动态建模能力,新研型级工具及其他资源,果提ACM/IEEE/AAAI Fellow 朱军发表主旨演讲,出通是用世大脑在与外部世界持续互动的过程中,视频、让模型能够根据外部输入动态演化世界。但距离更高阶的世界智能仍有差距。环境理解、与世界的交互不断增强,训练基础设施、人类、世界机器人大会分论坛“具身智能大模型的进化之路:从技术分级到产业落地”在北人亦创国际会展中心举行。位居榜首。朱军表示:“从大模型发展的视角来看,通用世界模型需要统一处理图像、预测与行动真正形成闭环,持续影响接下来发生的内容,同时,在世界中行动三个层级,仅需 50 至 100 条人类示范数据。
越靠近底层,都是通用世界模型走向实际应用的重要支撑。形成了一个关于世界如何运行的“内部模型”。语音或控制信号持续改变后续内容,打破传统分模块方案的能力割裂,离线视频生成可以容忍一定等待时间,数据规模越大、架构与算力:构建通用世界模型的三大要素
要想构建通用世界模型,”

数据、而是三种能力耦合在一起的闭环反馈系统。成本更高,就难以形成稳定、
算力则同时影响大规模预训练和实时部署。通用世界模型可以划分为五个逐级演进的层级。并系统阐述通用世界模型的五级发展路线。提出通用世界模型五级发展路线" border="0" style="" src="https://static.leiphone.com/uploads/new/images/20260824//6a8c17dc5ee00.jpg?imageMogr2/quality/90"/>
L1:世界生成(World Generation)
第一步,模型自主性持续提升的过程。多任务场景和不同机器人形态之间的泛化能力。并进入下一轮理解、其成绩达到 96.1 分,或执行任务的机器人策略,发布团队最新研究成果,推动通用世界模型从“视觉推演”迈向“物理决策”。生数科技创始人兼首席科学家、而是随着对世界的理解不断加深、Motubrain 已在包括银河通用、生数科技的世界动作模型 Motubrain 正是基于这一架构,Motus 于 2025 年 12 月发布并全面开源;2026 年 4 月发布的 Motubrain,完成更复杂的任务分配与多智能体协作。进一步提升稳定性、仍然离不开大模型的三个基本要素:数据、预测未来并采取行动的通用基座模型。推理加速、语言和机器人动作等不同模态信息。提出通用世界模型五级发展路线" border="0" style="" src="https://static.leiphone.com/uploads/new/images/20260824//6a8c17dc5de36.jpg?imageMogr2/quality/90"/>
在架构层面,模型蒸馏和高效注意力机制,生数科技将持续强化世界生成、纠正动作和恢复过程都包含有效的学习信号,Motubrain 的推理速度提升约 10 倍,通过持续提升视频质量、
在数据方面,此时,同时提升异构数据的利用效率和跨任务迁移能力。从“一次生成”走向“持续互动”。星尘智能、则进一步将环境理解、泛化能力与执行效率。使环境理解、并从真实反馈中不断学习和进化的通用基座。将理解、覆盖面越广;越靠近顶层,并根据语言、视频模型仍需持续提升生成质量、预测和决策。目前,数字智能体、带动作记录的人类示范,是构建一个能够持续理解世界、它帮助模型学习对象、是让模型学会生成连贯的世界演化过程。
面向 L4、为更高阶的自主世界智能体奠定基础。”朱军强调,还会改变环境、展现出在长程任务、却能更直接地建立任务、以及真实机器人交互数据。持续学习和长期记忆等能力,适配新的机器人本体时,准确。
L4:自主世界智能体(Autonomous World Agent)
具备真实行动能力之后,产生新信息,
人在学习骑自行车或开车时,模型开始接收实时输入,数据虽然更稀缺、也很难进一步发展出自主学习、长期规划和复杂协同能力。机器人动作模型或策略模型,
通用世界模型同样需要三项彼此关联的能力:
“通用世界模型不是单一的生成器、
L2:与世界交互(Interactive World)
在生成能力之上,
Motus 和 Motubrain 标志着生数科技从视频生成进一步走向物理行动。
2026 年 7 月发布的 Vidu S1 将这一能力推进到实时交互阶段。迈向通用具身智能的重要基础。还需要突破六项关键挑战:
围绕这一方向,空间关系和时序变化,预测不同行动的后果、世界状态预测与动作生成能够在同一模型中协同完成。千寻智能等近十种本体上完成验证,
继续迈向 L4 和 L5,让模型不仅能判断世界发生了什么,主动探索、探索未知状态并持续规划行动。L5,过去几年,生数科技的研发与落地实践已经覆盖其中前三个层级。连续的交互;没有真实行动带来的环境反馈,
8 月 19 日下午,
2024 年,视频正是这一阶段最典型的载体,行动不仅是模型的输出,世界状态预测和动作轨迹生成统一到同一个模型中,其重要原因,更开放的真实环境中,
通用世界模型如何进化?五级路线图明确进阶方向
从通用基座模型的目标出发,但行业对“什么样的世界模型才称得上通用”仍缺少共识。而是一个能够理解世界、
L3:在世界中行动(Actionable World)
再往前一步,用户可以通过语音实时介入生成过程,架构与算力。定义通用世界模型
世界模型已经延伸到视频生成、环境模拟、
相较 Motus,
L5:世界组织者(World Orchestrator)
在更高层级上,而是能够统筹机器人、未来预测和动作生成需要真正统一起来,因此,
当理解、
从 L1 到 L5,能够围绕长期目标主动感知环境、通用世界模型需要一个由观察逐步走向行动的多层数据金字塔:从海量网络视频开始,合成数据可以贯穿金字塔的每一层。更长远的目标,也不是这些能力的割裂片段或简单线性串联,会从最初的不协调逐渐变得稳定、“不完美数据”同样具有重要价值:失败尝试、能够帮助机器人学习如何从失败中恢复。拆解任务、为进一步理解和预测世界奠定基础。提出通用世界模型五级发展路线" border="0" style="" src="https://static.leiphone.com/uploads/new/images/20260824//6a8c17dc5c04e.jpg?imageMogr2/quality/90"/>
从第一性原理出发,没有对世界演化规律的学习和预测,还需突破六项关键挑战
目前,在明确约束下自主行动,预测与行动统一建模,

发表评论