事件概述

光象科技（LightSense）联合清华大学李升波教授课题组发布了第一代物理原生世界模型 Phi-WM 1.0 ActEffect。该技术针对具身智能领域长期存在的“动作模仿”与“结果正确”之间的差距问题，提出了一种独特的训练范式：受控世界模型仅在训练阶段介入，用于评估机器人动作的后果并优化策略，而在实际部署执行阶段则完全“退场”。这一设计旨在解决工业场景中因模型推理带来的高时延、高算力成本问题，实现更高效的机器人部署。

核心技术与方法

1. “反骨”架构：训练与执行分离

传统世界模型通常作为机器人的“脑内沙盘”，在执行时实时预测未来以辅助决策，导致推理链路长、计算开销大。ActEffect 改变了这一逻辑：

• 训练阶段：受控世界模型深度参与，通过检查机器人提出的动作会造成什么后果，将这种检查结果转化为策略优化的反馈信号。
• 执行阶段：模型退出部署链路。机器人无需展开未来搜索候选动作，直接执行由策略生成的动作，显著降低了在线推理的算力和时间成本。

2. 三版答案对比与后果反馈

ActEffect 基于模仿学习框架，要求策略生成三个完整的动作提案，以便在世界模型中进行公平比较：

• 第一版：来自前馈分支的“第一反应”。
• 第二版：由 MIP（Multi-step Inference Policy）动作头给出的粗提案。
• 第三版：在粗提案基础上精修后的最终执行动作。

世界模型接收当前视觉状态和这三份动作提案，分别预测其执行后的场景变化。由于扩散或流匹配策略在训练中涉及带噪中间状态，ActEffect 选取三份完整提案作为比较基础。语言指令保留在 VLA 策略侧负责任务语义，而世界模型仅关注视觉状态和动作对物理环境的影响（如物体位置、姿态变化），不读取任务语言，确保物理变化的独立性。

3. 物理原生特征空间

为了聚焦物理规律而非视觉逼真度，ActEffect 将未来状态映射到冻结的 DINOv3 视觉特征空间中。模型无需生成逼真的未来图像，只需捕捉物体和场景结构的变化。这种“物理原生”特性使得任务语义处理与物理状态变化解耦。

4. 排序损失与梯度截断

训练过程中，世界模型将三次预测结果与真实观测进行比较，施加排序损失约束：精提案需比粗提案更接近真实未来，粗提案需优于前馈提案。为防止模型通过恶化差答案来衬托好答案，引入了梯度截断机制，确保训练始终推动更好提案向真实未来靠拢。

实验结果与性能表现

ActEffect 在多个主流具身智能基准测试中展现了优异性能，特别是在分布偏移和高维动作空间场景下优势明显：

• LIBERO 基准：平均成功率达到 98.8%，略高于 DiT4DiT 的 98.6%。消融实验表明，去除后果反馈会导致成功率降至 97.0%，证明反馈机制对保持基础操作能力至关重要。
• LIBERO-PLUS 基准：在包含相机视角、光照、传感器噪声等七类分布偏移的复杂测试中，平均成功率为 80.3%，显著高于 Fast-WAM 的 51.5%。
• RoboCasa-GR1 基准：控制拥有双臂、灵巧手和腰部自由度的 GR-1 人形机器人，在 29 维动作空间中完成桌面操作，平均成功率为 67.5%。相比第二名 ABot-M0 高出 9.2 个百分点，比 Fast-WAM 高出 10.8 个百分点，显示出在高复杂度身体结构中后果反馈的有效性。

工业应用与商业化进展

1. 降低部署成本与时延

在真实生产环境中，每一步额外的模型推理都会转化为产线的时间成本和硬件开销。ActEffect 将“多想一会儿”留在训练阶段，执行阶段保持轻量，避免了在线推理的算力膨胀，特别适合需要大规模复制的工业场景。

2. 汽车制造场景验证

光象科技专注于汽车制造中的散乱件上下料、复杂曲面质检等高价值工位。目前，其系统已在焊接上下料、移动质检等场景完成真实验证：

• 实测数据：在蔚来汽车焊接上下料场景中，Phi-Bot X1 机器人连续运行 3 天，累计作业 21.5 小时，期间实现零失误、零中断。
• 商业合作：已与多家国内外头部汽车企业展开合作。

3. 团队背景

光象科技成立于 2025 年 4 月，由清华大学车辆与运载学院和人工智能学院联合孵化。创始人张涛曾任阿里巴巴高德地图技术总监，联合创始人李升波长期从事自动驾驶与具身智能研究。公司具备从算法、本体到数据平台的完整工程落地能力。