从”理解世界”到”行动于世界”

生数科技创始人兼首席科学家朱军（Jun Zhu）是清华大学人工智能研究院副院长，也是 ACM、IEEE、AAAI 三院 Fellow。他在大会论坛演讲中把通用世界模型定义为一种闭环系统：持续整合对世界的理解、对未来的想象，以及物理或数字层面的动作执行。在他看来，当前的人工智能系统虽然单点能力突出，但整体上仍处在”割裂”状态——有的擅长生成，有的擅长理解，有的负责执行，很少能统一完成这三件事。通用世界模型因此被视为通往通用人工智能（AGI）的重要方向，也是连接数字世界与物理世界的桥梁。

五级路线图：L1 到 L5

路线图的五个级别并非彼此独立的产品方向，而是能力逐级递进的演化过程：

• L1 世界生成（World Generation）：生成连贯的世界轨迹。视频帮助模型学习物体、运动、空间关系与时间动态，为更深层的理解与想象打底。
• L2 交互世界（Interactive World）：在生成基础上接收实时输入，根据语言、语音或控制信号持续改变后续发生的内容，从一次性生成走向连续交互。
• L3 可行动世界（Actionable World）：模型从数字世界进入物理世界，环境理解、未来预测与动作生成协同，产出可执行的机器人动作并依据真实反馈优化决策。
• L4 自主世界智能体（Autonomous World Agent）：迈向自主决策，主动感知环境、拆解任务、探索未知状态，并围绕长期目标持续规划动作。
• L5 世界编排器（World Orchestrator）：超越单一智能体，协调机器人、数字智能体、人类、工具等资源，实现复杂任务分配与多智能体协作。

生数科技表示，其研究与部署已覆盖前三级：L1 由 2024 年发布的视频生成基础模型 Vidu 初步实现；L2 由 2026 年 7 月发布的 Vidu S1 推进到实时交互，用户可通过语音干预并持续影响后续生成；L3 则由 Motus 与 Motubrain 承担，把能力从视频生成推向物理动作。

从视频到机器人：Motubrain 的关键数据

Motus 于 2025 年 12 月发布并完全开源，标志着生数科技从视频生成走向物理动作。Motubrain 则在 2026 年 4 月发布，基于 Mixture-of-Transformers（MoT，混合专家Transformer）架构，将环境理解、世界状态预测与动作轨迹生成统一进单一模型，把通用世界模型从视觉模拟推向物理决策。

据披露，相比 Motus，Motubrain 的推理速度约快 10 倍，并且只需 50 至 100 个人类演示就能适配新的机器人本体。在 RoboTwin 2.0 基准测试中，Motubrain 取得 96.1 分的成绩，排名排行榜第一，并已在 Galaxea AI 等多种机器人本体上完成验证，展现出长程任务、多任务场景与跨本体泛化能力。

三大支柱：数据、架构与算力

生数科技把构建通用世界模型拆成三个基本要素。其一是数据：需要一层层递进的数据金字塔，从网络规模视频、精选教学视频、第一视角人类视频，到人类演示动作、真实机器人交互；合成数据可增强每一层，而”不完美”数据（失败尝试、纠正动作、恢复轨迹）同样提供宝贵的学习信号。其二是架构：必须在统一框架内处理图像、视频、语言和机器人动作，MoT 通过分配模态特定参数并保留共享注意力来实现跨模态交互。其三是算力：大规模预训练与实时部署都依赖训练基础设施、推理加速、模型蒸馏与高效注意力。

通往 L4/L5 的六道关卡

尽管前三级已有具体落地，生数科技也坦承，迈向更高层级的世界智能仍有显著差距，并列出六项关键挑战：跨理解、想象、动作与迁移的联合评估；学习接触、摩擦、力等物理动态及其干预后果；持久且可修订的记忆；通过真实交互进行在线学习与自我改进；在延迟与资源约束下实现高效闭环部署；以及更强的安全性与可控性。

国产 AI 的世界模型布局

生数科技是国产 AI 视频大模型 Vidu 的研发方。Vidu 于 2024 年 4 月由清华大学与生数科技联合发布，基于原创的 U-ViT 架构，是全球首个融合 Diffusion 与 Transformer 技术的视频生成模型。从视频模型到世界模型，从数字空间到物理空间，生数科技正在探索一条更完整的通用智能路径。随着相关技术持续演进，通用世界模型有望加快走向真实产业场景，在制造、物流与服务机器人等领域释放价值。