事件概述

高德地图发布了首个面向通用人工智能（AGI）的全栈具身技术体系 ABot。该体系在依托 CVPR 2026 Video World Model Workshop 举办的国际挑战赛中表现优异，综合评分超过谷歌和英伟达，并横扫全球 15 项 SOTA（State-of-the-Art，最先进指标），跻身全球第一梯队。

核心信息

1. 技术架构：三层全栈打通

ABot 体系打破了数据、模型与 Agent 之间的壁垒，构建了完整的解决方案：

• 数据层：ABot-World（可交互世界模型），作为底层基础。
• 模型层：包含导航基座模型 ABot-N 与执行基座模型 ABot-M。
• Agent 层：机器人应用层操作系统 ABot-Claw。

2. 核心突破：双引擎驱动的可交互世界模型

为了解决机器人理解真实物理世界的难题，ABot-World 摒弃了传统的“采集→标注→训练”路径，转而采用“重建物理世界”的策略，由两大引擎协同工作：

ABot-3DGS：物理世界的“数字孪生工厂”

• 功能：基于高德积累的厘米级城市、道路及室内空间数据，结合前沿 3DGS（3D Gaussian Splatting）技术，构建可编程的数字孪生空间。
• 优势：
  • 数据生成：支持任意视角、光照、遮挡状态及机器人形态的灵活切换，系统性补齐长尾交互场景（覆盖率推至 99%）。
  • 物理属性：赋予物体质量、摩擦系数等参数，创造比现实更丰富、可控的物理环境。
• 运作流程（一翻译二重建三 Run）：
  1. 翻译：将时空数据转化为机器可读的多模态 Clip（含图像、空间位置、状态、行为等）。
  2. 重建：利用万级规模数据重建带物理规则的 3D 真实场景。
  3. Run：在仿真环境中批量生成千万级训练轨迹数据。

ABot-PhysWorld：因果推演的“物理思维引擎”

• 基础：基于 14B 参数的 DiT（Diffusion Transformer）主干构建。
• 核心任务：回答“如果我这样动，接下来会发生什么”，实现指令即因果。
• 三大创新举措：
  1. 数据层面：精选 300 万条真实操作视频，经 VLM+LLM 双阶段标注，构建四层级物理语义结构（意图→动作→轨迹→物理关系），奠定因果推理基础。
  2. 训练层面：摒弃传统像素相似度优化（MLE），引入“物理判别机制”。通过 Proposer module（列出物理规则清单）和 Scorer module（逐帧打分），结合 Diffusion-DPO 强化合规行为，确保模型学习“物理一致性”而非单纯的“画面相似”。
  3. 输出层面：每帧输出包含质量、接触力场、惯性张量的可微分物理状态快照，支持零样本泛化。

3. 关键成果与能力

• 三项指标全面领先：成为全球唯一在物理合规性、动作可控性、零样本泛化三项指标上均达到 SOTA 的模型。
• 闭环进化：支持完整的 VLA（Vision-Language-Action）闭环，接入真实世界执行反馈进行自我修正，使机器人具备自生长、自适应能力。
• 解决行业痛点：彻底消除物体穿透、无接触抓取、反重力悬浮等低级错误，攻克具身智能最大的 BOSS——泛化问题。

4. 竞争优势：语义数据的护城河

高德的核心壁垒不仅在于数据量，更在于数据的语义深度：

• POI 与路网语义：提供带有“星巴克入口”、“人行横道”、“停车场出口”等语义锚点的数据，而非单纯的几何坐标。
• 价值：让机器人不仅“知其然”（知道怎么走），更“知其所以然”（理解规则与常识），从而在环境变化时保持鲁棒性。

值得关注

• 开源战略：高德宣布将 ABot-World 开源，提供一个统一的、物理合规、可进化的机器人世界模型操作系统，允许开发者在其上构建 Agent 和训练机器人。
• 行业影响：此举标志着具身智能赛道正从“百花齐放”走向“生态收敛”。如同 TCP/IP 统一网络连接或 Linux 成为操作系统底座，高德试图通过铺设底层基础设施，确立其在 AGI 时代的平台地位。
• 应用场景：目前该技术已在北京亦庄机器人半马中展示，四足机器狗已能辅助盲人实现精准导航走出家门。