【导语】近年来AI进化迅猛，但要真正走进物理世界，具身智能面临“物理鸿沟”。近日北京人形机器人创新中心开源具身世界模型WoW，它以高质量交互数据为基，通过独特构建思路与“自学方法”，实现从想象到执行的跨越，具备强大泛化能力，有望让机器人成为人类探索、建设世界的伙伴。

近年来，AI的进化让人目不暇接。从GPT系列“读懂语言”，到Sora系列“看世界”，我们一次次被AI惊人的能力所震撼。但一个更深刻的问题随之而来：如果AI要真正走进物理世界，成为能洗衣、做饭、装配的机器人，它需要什么？

波士顿动力的机器人可以后空翻，北京人形机器人创新中心（以下简称“北京人形”）的“具身天工Ultra”也能跑完半程马拉松。这些“体能”上的飞跃肉眼可见。然而，让机器人完成一个后空翻很难，但让它“理解”面前的水杯为什么倒下后水会洒出来，或许更难。这，就是具身智能面临的“物理鸿沟”。

近日，“北京人形”开源了其全新的具身世界模型——WoW（World-Omniscient World Model）。“WoW就是为了让机器人‘理解物理世界’，并且给到算法触摸世界的双手。”北京人形相关技术人员说。

为什么“以假乱真”还不够？

Sora 2的出现，确实让AI成了个出色的“电影导演”，它拍出的“大片”逼真到让人惊叹。但在具身智能领域，一个机器人不能只当“观众”或“导演”，它还要当(dāng)“物(wù)理(lǐ)学(xué)家(jiā)”，因(yīn)为(wèi)“看(kàn)起(qǐ)来(lái)真(zhēn)实(shí)”和(hé)“物(wù)理(lǐ)上(shàng)正(zhèng)确(què)”是(shì)两(liǎng)码(mǎ)事(shì)。

**机(jī)器(qì)人(rén)需(xū)要(yào)的(de)，是(shì)对(duì)“时(shí)序(xù)一(yī)致(zhì)性(xìng)”和(hé)“物(wù)理(lǐ)因(yīn)果(guǒ)链(liàn)”的(de)统(tǒng)一(yī)。**比(bǐ)如(rú)一(yī)个(gè)东(dōng)西(xi)被(bèi)推(tuī)了(le)，它(tā)应(yīng)该往哪儿倒；一个杯子倒了，水必须洒出来。Sora 2或许能生成一个“看起来”很酷的机器人动作，但WoW要确保这个动作符合牛顿的规矩。

“相较于Sora 2，WoW具身世界模型在模拟机器人操作的时空一致(zhì)性(xìng)、物(wù)理(lǐ)推(tuī)理(lǐ)能(néng)力(lì)表(biǎo)现(xiàn)更(gèng)为(wèi)出(chū)色(sè)。”北(běi)京(jīng)人(rén)形(xíng)相(xiāng)关技(jì)术(shù)人(rén)员(yuán)表(biǎo)示(shì)。

在(zài)素(sù)材(cái)的(de)对(duì)比(bǐ)测(cè)试(shì)中(zhōng)，无(wú)论(lùn)是(shì)让(ràng)模(mó)型(xíng)模(mó)拟(nǐ)“依(yī)次(cì)抓(zhuā)取(qǔ)火(huǒ)方(fāng)块(kuài)、柔(róu)性(xìng)方(fāng)块(kuài)、水(shuǐ)方(fāng)块(kuài)”，还(hái)是(shì)“打(dǎ)开(kāi)一(yī)本(běn)图(tú)书(shū)”，WoW生(shēng)成(chéng)的(de)模(mó)拟(nǐ)结(jié)果(guǒ)在(zài)物(wù)理(lǐ)交(jiāo)互(hù)的(de)准(zhǔn)确(què)性(xìng)上(shàng)，都(dōu)显(xiǎn)现(xiàn)出(chū)优(yōu)势(shì)。

这(zhè)种差异的背后，源于WoW不同的构建思路。它不是一个单纯的视频生成器，而是一个被设计为“物理引擎+想象系统”的DiT（Diffusion Transformer）世界生成基座模型。**它的核心任务是根据环境状态与历史帧，预测未来场景、推演物理演化，并还原动态的因果链。要实现这一点，数据是关键。**WoW的(de)学(xué)习(xí)材(cái)料(liào)并(bìng)非(fēi)来(lái)自(zì)互(hù)联(lián)网(wǎng)上(shàng)的(de)海(hǎi)量(liàng)视(shì)频(pín)，而(ér)是(shì)来(lái)自(zì)一(yī)个(gè)更(gèng)专(zhuān)注(zhù)的(de)数(shù)据(jù)库(kù)。“北(běi)京(jīng)人(rén)形(xíng)”相(xiāng)关技(jì)术(shù)人(rén)员(yuán)表(biǎo)示(shì)，他(tā)们(men)从(cóng)800万(wàn)条(tiáo)海(hǎi)量(liàng)的(de)“机(jī)器(qì)人(rén)与(yǔ)物(wù)理(lǐ)世界交互轨迹”中，通过自建的数据优化精炼管线，筛选出了200万条高质量的训练集。这种“交互数据”而非“观察数据”，可能是WoW理解物理的关键。

此外，该团队还验证了模型规模与性能的“幂律增长”关系。他们训练了从1.3B（“B”代表十亿）、2B、7B到14B参数的全系列模型。研究结果证明：“随着模型规模提升，物理一致性与生成稳定性以及泛化性呈显著上升趋势。”

如何让模型“自己教自己”？

如果说庞大且高质量的交互数据是“教材”，那么WoW的核心创新之一，就是一套名为SOPHIA（Solver-Critic-Refiner）的“自学方法”。“北京人形”在其研究中称，这是“业内首次提出SOPHIA框架，让世界模型‘自己教自己’。”

这套机制，试图模拟人类“想象－验证－修正－再想象”的核心智能特征。它由两个关键部分组成，形成了一个“生成－批评－改进”的闭环优化过程。

但光会“想”还不行，机器人必须能“做”。WoW系统的另一大支柱，是FM-IDM逆动力学模型（Flow-Mask Inverse Dynamics）。这正是那双“触摸世界的双手”。**它的作用，是将在“想象”中生成的视频翻译成真实世界中可执行的机器人指令。**通过给定连续两帧预测视频，FM-IDM能够计算出机器人末端执行器的动作变化量，类似AI在脑子里想好了“手从A点移动到B点”的画面，FM-IDM就能反推出“机械臂关节需要旋转X度、Y度”的具体指令。技术人员解释说，“这标志着真正实现从生成到执行的跨越。”

开源一个“具身大脑”意味着什么？

一个模型是否真正理解了规律，最好的检验标准是“泛化能力”。“WoW不是在记忆训练场景，而是在学习‘物理规律的抽象本质’。”“北京人形”在报告中强调，模型具备“跨机器人形态泛化、任务泛化、场景泛化全方位能力”。

“北京人形”相关技术人员表示，WoW的泛化能力体现在多个层面。**在“域内”，它可以生成长程、复杂的任务视频，例如“打开洗碗机”，乃至“依次按下红色按钮，收拾餐具，按下绿色开关”这样的多步任务。在“域外”，它能将其学到的知识，应用到未曾见过的机器人本体和场景上。**例如，生成“具身天工2.0”机器人（未用于训练）执行“把橙子放进盘子里”“倒酒”等任务的视频。

“我们希望WoW能成为世界模型的研究基础设施。”“北京人形”技术人员展望道。在他们看来，WoW一方面可以实现“自我造数”（AI拥有“自我造数”能力），解决数据稀缺问题；另一方面，它打通了“从视觉‘想象’中反推真实可执行的动作指令”的通路，使机器人在抓取、装配等任务上的自主能力有望大幅提升。

“WoW通过系统性结合完成了‘想象世界→理解物理→生成视频→执行动作→再学习’的逻辑闭环。”“北京人形”技术人员说。此前，该中心已经展示了其在“能跑”和“好用”方面的实力，而WoW的开源，则补全了“大脑”层面的关键拼图。通过此次研究，也相信北京人形机器人将持续开源开放，助力行业打造最能跑最好用的具身智能机器人。或许在不远的将来，AI不再只是“模拟人”，而是与人类共同探索世界、建设世界的伙伴。

撰文：记者 段大卫

编辑：段大卫