生数科技发布通用世界模型战略：从视频生成到机器人行动的统一基座

事件概述

7月20日，在世界人工智能大会（WAIC）期间，生数科技创始人、清华大学人工智能研究院副院长朱军提出，通用世界模型的核心是通过统一基座与架构实现对世界的理解、预测与行动。模型不应只服务于机器人或自动驾驶单一场景，而应同时支撑数字内容生成、实时交互与物理行动。

核心能力：理解、想象、行动

• 理解：感知并理解当前环境；想象：预测不同输入或动作带来的变化；行动：将预测转化为可执行决策。
• 世界模型不同于仅预测下一帧的视频模型，要求形成从状态理解到行动指导的闭环。

数据与架构

• 数据金字塔：从海量互联网视频（通用视频、第一视角、合成数据）到机器人轨迹数据，规模与精度逐级提升。视频数据提供通用世界规律，机器人数据补充关节角度、力反馈等精确动作知识。
• 架构：采用Mixture-of-Transformer（MoT）统一框架，将环境理解、状态预测与动作轨迹生成整合。模型可在像素空间生成视频，也可在动作空间输出机器人可执行动作。

产品演进路径

1. Vidu：世界生成模型，支持文/图/参考生视频，保障主体一致性与物理合理性，用于广告、短剧等生产场景。
2. Vidu S1：实时交互模型，接受用户语音指令持续改变角色行为，支持无限时长连续生成（540P、25-42FPS），可创建真人/动漫交互角色。
3. Motubrain：世界动作模型，将环境理解与预测转化为机器人动作轨迹，面向插花、浇水等长程任务。通过统一建模实现从“生成世界”到“在世界中交互”再到“行动于世界”的递进。

数字与物理世界的互补关系

• 数字世界：提供大规模视频数据与快速产品反馈，试错成本低；物理世界：提供精确动作数据与严格因果检验，结果不可掩盖。
• 视频预训练为机器人提供通用知识，机器人行动反馈可提升视频模型的物理合理性，数字内容商业回报支撑基座训练。

值得关注

• 生数科技并非从视频生成横跨到机器人，而是将视频建模能力向实时交互与物理行动自然延伸。
• 最终考验在于：数字内容能否提高可用率、降低生产成本；机器人能否在不同本体与动态环境中长期稳定运行。