生数科技朱军提出通用世界模型五级路线图：理解、预测与行动需闭环

事件概述

8月19日，世界机器人大会的一场分论坛上，生数科技创始人兼首席科学家朱军分享了对通用世界模型的判断，并提出一个五级路线图。当前AI圈对通用世界模型的定义分歧明显：视频生成公司视其为模拟器，机器人公司视其为决策大脑，自动驾驶玩家也在押注。朱军从第一性原理出发给出了自己的框架。

核心信息

• 定义：通用世界模型不是单一的生成器、模拟器、机器人动作模型或策略模型，也不是这些能力的割裂片段或简单线性串联，而是三种能力耦合在一起的闭环反馈系统：

  • 理解世界：看懂环境、判断状态
  • 预测未来：预判接下来会发生什么、不同动作带来什么结果
  • 采取行动：影响数字或物理环境，并用真实反馈修正理解与预测

• 数据层面：朱军提出多层数据金字塔——底层是海量网络视频，向上依次为领域视频、第一视角人类视频和带动作记录的人类示范，塔尖是真实机器人交互数据。越往上数据越稀缺、成本越高，但跟任务动作和物理结果的联系越直接。

• 架构层面：生数科技采用MoT（Mixture-of-Transformers）架构，不同模态各配专属参数，用共享注意力打通跨模态交互，实现环境理解、状态预测和动作生成在同一个模型中运行。基于该架构的世界动作模型Motubrain，将理解、预测与行动整合进一个模型，不再按模块拆分。

五级路线图

朱军将通用世界模型划分为五级，生数科技的实践覆盖前三层：

• L1 世界生成：生成连贯的世界演化过程，视频是最典型载体，学习对象、运动、空间关系与时序变化。
• L2 与世界交互：模型能接受实时输入（语言、语音或控制信号），后续内容随之改变，生成变为持续互动。
• L3 在世界中行动：模型进入物理世界，统一环境理解、未来预测与动作生成，直接输出机器人可执行的动作，并用真实反馈修正。
• L4 自主世界智能体：围绕长期目标主动感知环境、拆解任务、探索未知状态并持续规划行动。
• L5 世界组织者：调度机器人、数字智能体、人和工具，进行多智能体任务分配与协作。

当前进展与挑战

Motubrain是生数科技目前的核心成果。据生数科技数据，其推理速度比Motus快约10倍；更换机器人本体时，只需50到100条人类示范数据即可完成适配；在RoboTwin 2.0基准测试中获得96.1分，排名榜首；已在银河通用、星尘智能、千寻智能等近十种机器人本体上完成验证。

从L3向L4、L5演进，朱军指出六项关键挑战：建立覆盖理解、预测、行动和迁移能力的联合评测体系；学习接触、摩擦、作用力和干预后果等真实物理规律；形成持久且可修订的记忆；通过真实交互实现在线学习与自我进化；满足现实延迟与资源约束的高效闭环部署；保障安全性与可控性。

朱军表示，当理解、预测与行动真正形成闭环，世界模型将不再只是生成内容的模型或执行任务的机器人策略，而会成为连接数字世界与物理世界、迈向通用具身智能的重要基础。