从生成到行动，生数科技用通用世界模型连接「两个世界」

📌 一句话摘要

生数科技通过通用世界模型，将视频生成、实时交互与机器人行动统一，实现从数字内容生成到物理世界理解、推演与行动的闭环。

📝 详细摘要

文章介绍了生数科技的通用世界模型战略。作者指出，世界模型不仅是视频或语言模型的升级，而是 AI 从“生成内容”迈向“理解世界、推演世界、与世界实时交互”的新范式。模型需具备理解当前环境、预测不同输入或动作导致的变化，并将理解与预测转化为可执行决策的三步闭环。在数据层面，生数科技构建了从互联网视频到机器人实采轨迹的“数据金字塔”，利用海量视频学习通用世界规律，再用机器人数据补充精确动作知识和物理反馈。在架构上，采用 Mixture-of-Transformer（MoT）将环境理解、世界状态预测和动作轨迹生成统一框架，使得同一底座既能在像素空间生成视频（Vidu、Vidu S1），也能在动作空间输出机器人可执行动作（Motubrain）。文章进一步阐述了数字世界与物理世界的互补：数字世界提供规模大、试错成本低的数据和快速产品反馈；物理世界则提供精确动作数据和严格的因果检验，二者可形成正向循环。最后强调，该技术仍需接受生产力的检验——在数字世界看内容可用率和生产成本；在物理世界看机器人能否在真实任务中长期稳定运行。

💡 主要观点

- 世界模型的核心是理解、想象（预测）与行动的闭环。 模型需先感知环境，再预测不同输入或动作导致的状态变化，最后将理解与预测转化为可执行决策，这与人类学习骑车、开车时的预判过程类似。

视频数据是通用世界模型的重要底座，但不能替代机器人数据。 海量互联网视频提供时空规律和动态预测的基础，却缺少关节角度、力反馈等物理细节；机器人轨迹数据则补足精确动作知识，二者结合可提升认知广度与行动精度。

MoT 架构统一感知、预测与动作，使 Vidu、Vidu S1、Motubrain 成为同一体系的渐进延伸。 通过将环境理解、世界状态预测和动作轨迹生成整合到统一框架，模型既能在像素空间生成视频，也能在动作空间输出机器人动作，实现从数字内容生成到物理行动的无缝过渡。

数字世界与物理世界在数据、反馈与能力验证上形成互补。 数字世界提供规模大、使用频率高、试错成本低的数据和快速产品反馈；物理世界则提供精确动作数据和严格的因果检验，二者可相互促进，使模型认知更全面、行动更可靠。

技术最终需接受生产力的检验：内容可用率与机器人稳定运行。 在数字世界要看模型能否提高内容可用率、减少返工并降低生产成本；在物理世界要看机器人能否走出仿真、在不同本体、任务和动态环境中长期稳定运行，这才是通用世界模型的真正价值。

💬 文章金句

- 世界模型是 AI 从生成内容，迈向理解世界、推演世界、与世界实时交互的新范式。

• 基于同一底层基座，模型既可以在像素空间生成视频内容，也可以在动作空间输出机器人可执行的动作。
• 视频数据不能替代机器人数据。视频可以告诉模型动作在视觉上如何发生、环境如何变化，却无法完整提供机器人执行所需的关节角度、力反馈、本体状态和控制信号。
• 数字世界帮助模型扩大对世界的认知范围，并提供更快的产品反馈；物理世界则检验这些认知能否转化为准确、稳定的行动。

📊 文章信息

AI 初评：80

来源：雷峰网

作者：雷峰网

分类：人工智能

语言：中文

阅读时间：20 分钟

字数：4780

标签： 世界模型, 视频生成, 具身智能, 机器人控制, 实时交互

阅读完整文章