首页 时政热点 科技头条 智能AI 安全攻防 数码硬件 开发者生态 归档 标签 关于
智能AI evening

全球首个:隐空间世界模型,打通长时序双向物理因果链了!

2026-06-29 1 阅读 约9分钟阅读 思邈
分享:
字号:
< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 全球首个:隐空间世界模型,打通长时序双向物理因果链了! 思邈 2026-06-29 22:33:11 来源: 量子位 刚融了2亿美元,冲到了具身榜单第一 思邈 发自 凹非寺 量子位 | 公众号 QbitAI 你从桌上端起一杯水,大脑用了 不到一秒 ,同时完成三件事: 估算杯子的重量,预判水面晃动的幅度,顺便绕开了旁边那个玻璃杯。 在这个动作中,你的大脑不会在意杯子上的花纹,或是杯壁折射出的复杂光影,而是能瞬间抓住核心: 手要出多少力,水才不会晃出来 。 正是这种忽略无关的环境细节、 直接洞察本质的“物理直觉” ,让我们干起细活来行云流水。 但对机器人来说,想要学会这种对物理世界的因果直觉,基本属于具身智能领域的高难度悬赏题。 现在,一家成立仅一年的具身智能新锐—— 无界动力 ,直接带着新解法交卷了。 其正式发布了 全球首个“长时序双向物理因果链”隐空间世界模型MWA™ ,拓展具身智能的多元场景泛化能力,直击机器人长周期、高精度执行的行业老大难问题。 在由斯坦福大学等顶尖机构联合发起的RoboCasa GR1 TableTop榜单中,无界动力MWA™以 75.2%的平均任务成功率拿下全球第一 ,超过 英伟达GR00T-N1.6 等一众行业主流模型。 作为赛道里的新晋选手,无界动力是行业里少数坚持 “隐空间世界模型 + 强化学习” 技术路线的公司。 这条略显特立独行的硬核路线,不仅在技术实测上跑通了闭环,在资本市场也展现出了极强的吸金能力: 公司此前已宣布完成 超2亿美元的天使轮融资 ,而紧随其后的Pre-A轮近 2亿美元融资 也已接近尾声,背后站着红杉中国、线性资本、京东关联基金等一众头部重仓机构。 这只既能打、又吸金的行业黑马,究竟是如何帮机器人看清物理因果、打破多场景泛化瓶颈的? 我们拆开来细看。 通向终局的路线:隐空间世界模型 + 强化学习 懂了语言和逻辑,机器人就能在现实世界里听懂话、能干活了吗? 答案是:并不行。 过去几年,VLA(视觉-语言-动作)具身智能路线,虽然让机器人听懂了人类的文本指令。 但一到现场,只要光照稍微变一下、桌上的杯子挪个几厘米,机器人就会瞬间“卡壳”甚至动作变形。 本质原因在于,传统VLA模型让机器人干活,更像是一场“刻板的开卷考试”。 它们极度依赖人类演示的模仿学习,只是在死记硬背人类演示的动作轨迹,底层根本不理解物理世界的因果关系,泛化性自然出现断崖式下跌。 人类能处理各种非标任务,靠的是大脑天然具备对物理世界的“直觉推理”。如果机器人对现实的常识认知一片空白,其策略上限就会被锁死在旧范式里。 无界动力选的是另一条路线: 隐空间世界模型 + 强化学习 。 其中, 隐空间世界模型 建立“世界观”,负责让机器人认知物理规律与因果关系,构筑起对物理世界认知与未来状态预测的核心能力。 强化学习 则塑造“价值观”,通过高频试错与奖励反馈,负责把对物理世界的理解转化为精准的执行策略。 先看懂因果,再学会行动。只有让机器人看清物理世界的因果边界,它才能真正跨越实验室Demo,到多元场景里下场干活。 机器人如何懂物理?别盯像素,去抓环境变化的“潜动作” 但要建这个世界模型,随之而来的第一个问题是: 模型到底该看什么? 传统路线在推演未来时,往往在像素空间里做预测。 机器人看一段视频,不仅要学手怎么去抓杯子,还要顺便把背景里光线的微妙变化、无意义的像素噪声、甚至地板的纹理全算一遍。 大量算力浪费在了与任务无关的冗余信息上。 无界动力的MWA™全程在 统一共享的隐空间(Latent Space) 内完成推演,跳过像素层面的冗余计算。 更关键的是,它提炼出了 “潜动作(Latent Action)” ,作为场景交互变化的底层表征。 什么叫“潜动作”? 传统具身智能依赖显式的动作空间,需要人类事先标记好机械臂末端走到哪个位置、关节沿什么轨迹转动,标注成本极高。 而“潜动作”绕开了这一步,直接在特征高维空间内,把视频中“物体因受到交互而产生的位置、状态变化”抽象成一组高维表征。 不依赖任何人工动作标注,模型自己能从画面变化中归纳出动作的本质。 有了“潜动作”,MWA™就能摆脱对传统“动作标签(Action Label)”的依赖。 这样一来,面对互联网上数以亿计、根本没有人类标注动作的原始海量视频,MWA™可以直接拿来训练。 它能自动穿透那些无关紧要的背景噪点,利用潜动作直接由果推因,看懂视频里物体受力与演变的本质物理常识。 这相当于直接盘活了互联网这座无标签数据的金山,让多源数据的利用效率向前迈进了一大步。 告别“单步死磕”,“长时序双向物理因果链”创新世界模型核心范式 面对“动作卡顿与连贯性缺失”问题,MWA™在底层设计上采用了“隐空间双向动力学架构”。 这套架构在隐空间内构建了一套 “正逆双向逻辑协同” 。 简单说,模型内部同时跑着两条推理线: 一条是逆动力学,负责 “由果推因”的特征提取 ,看到结果反推是什么动作导致的; 另一条是正动力学,负责 “由因及果” ,给定一个动作去推演接下来环境会怎么变化。 这两条线不是各跑各的,架构中引入了“正逆互审机制”。 逆向模型推演出的动作,必须交给正向模型在脑海中进行沙盘推演和虚拟验证,正向模型推演出的环境变化,也必须实时返回,与逆向模型预训练中沉淀的物理本质认知进行因果对齐。 正反互审、反复校验,从而赋予模型极高的因果推理精度。 然而,传统的双向动力学架构在走向复杂现实时,依然存在一个致命盲区: 即便进入了隐空间,它们也普遍受限于“单步瞬时潜动作推理”的时序局限。 在这种单步推理机制下,模型缺失了对长时序因果的宏观归纳能力,让机器人只能“走一步、看一步、猜一步”。 这也导致了在面对长周期的连续作业时,任何微小的单步预测偏差,都会在连续时序中像滚雪球一样迅速放大,最终引发动作不连贯甚至系统的全面崩溃。 正是看穿了这一局限,无界动力在双向动力学的基础上做出了核心范式创新,推出 全球首个“长时序双向物理因果链”隐空间世界模型 。 MWA™ 首创时序Chunk级逆向动力学建模机制 ,重构逆向动力学模型的输出范式,打破了传统单步推理的桎梏。 这也直接把过去那种“走一步看一步”的瞬时操作,带入了长时序动作的连续推演。 在面对复杂的连续任务时,MWA™ 在生成动作序列的全过程中,完成动作执行与环境变化的长周期博弈推演 ,直接从10秒以上的视觉序列中,批量、一次性推理并输出连续多步的Latent Action Chunk动作组。 这从底层大幅减弱了误差放大的“雪球效应”,让机器人具备了真正完成复杂长时序任务的能力。 不妨用一个具体场景,来理解这套机制是怎么工作的。 这套机制里有三个角色协同工作。 策略网络(Policy Head) 是直觉,负责第一时间给出动作方案; 正向动力学模型(FDM) 是推演者,负责在脑子里模拟“这么做了会怎样”; 逆向动力学模型(IDM) 是复盘者,负责从结果反推“到底是哪个动作导致的”。 机器人
这篇文章对您有帮助吗?

订阅66必读

每日精选科技资讯,直达你的邮箱