不玩虚的，只要半天时间部署，国产“世界模型”已经能让机器人进厂打工

文 | 童蔚

题图 | 张好蔚

晋江，仲夏，制鞋车间。

一台机械臂夹起鞋面，沿曲面轮廓均匀涂胶，力度、角度和速度，由视觉系统、力控算法实时调节。十多秒后，鞋面被送到下一工位，另一台机械臂开始压底。

此前，这些工位上坐着的还是工人。炎热的夏季，让空气中弥漫的胶水气味愈发刺鼻。“我戴着口罩进去，待了一分钟就退了出来。那些工人一刷就是一天。”杭州影身智能创始人闵伟回忆。

现在，机器人接过了那把胶刷。背后的支撑，是这家初创公司自研的原生4D世界模型。

近几个月，“世界模型”热度骤升。端午节前，在学术和产业界有着“AI春晚”之称的北京智源大会上，它被推到聚光灯中央，取代了大语言模型和具身智能成为主角。关于“AI如何理解物理世界”的讨论，第一次落在具体路径和落地场景上。

一边，学术界仍在争论哪条路线能真正抵达AGI（通用人工智能）；另一边，工厂里的产线已经跑了起来。它们指向同一个判断：大模型的下一场仗，不在屏幕里了。

让机器人说自己的母语

要理解影身智能在做的事，先得明白一个概念：世界模型。

你可能在很多场合听过它，有时出现在视频生成领域，讲的是AI如何生成一段逼真的画面；有时又出现在具身智能领域，说的是机器人怎样理解周围环境。听起来像两码事，但它们追问的是同一个问题：AI能不能学会真实世界是怎么运行的？

简单说，世界模型就是让AI理解物理世界规律的一种方法。大语言模型的核心是“预测下一个词（Token）”，而世界模型的核心是“预测下一个物理状态”。

比如一台从未见过鞋带的机器人，没人教它怎么解，但它经过数千小时人类操作视频的训练，慢慢学会了物体在被拉、扭、推时的形变规律，动手之前就能预判接下来会发生什么。

系鞋带Demo

影身智能做的正是这件事。只不过它的训练素材并非互联网上的现成视频，而是现实世界里三维空间加时间维度的4D数据。

公司成立于2024年6月，正值VLA（视觉-语言-动作）模型开始走热的时候。这条路线以预训练的视觉语言模型为基座，将视觉和语言输入统一处理后生成动作，相当于让机器人同时“看”和“听”，然后直接做出反应。

“但这里面有一个根本问题。”闵伟说，“语言是人类的母语，不是机器的母语。”

人类一出生就活在三维物理世界里，对空间、时间、因果关系有直接的体感。而AI训练用的语言、图片、视频，都是真实世界被压缩后的投影。“降维必然损失大量信息。这也解释了为什么行业数据从十万小时堆到千万小时，却还没能实现真正的泛化。”

闵伟选了一条当时极少人走的路：做世界模型，让机器人直接感知三维空间，再叠加时间维度，形成4D认知。“在具身智能领域，数据从来不是多少的问题，而是质量问题，更确切地说是维度问题。”当影身智能让机器人看到和人一样信息量丰富的高维数据，困扰许久的泛化问题似乎有了解法。

4D世界模型-手物操作生成视频对比（中间为影身智能4D世界模型）

那个没有现成答案的问题

不过方向确定后，第一个难题来了：数据从哪里来？

互联网上不缺文本、图片和二维视频，全球的4D数据仅有上百小时，大多数在实验室里。4D数据可以采集，但成本非常高。今年春晚，演员刘浩存和数个分身一起跳舞惊艳了全场，做4D建模的机器就要200多万，算下来成本至少2000元/分钟。

影身智能给出的方案，是一套叫“影身360”的数据采集系统。用一圈普通摄像头环绕工位，多角度同步采集数据，再通过自研算法合成为4D数据。

这套系统的关键是低成本。它不依赖昂贵的传感设备，普通RGB摄像头加消费级GPU就能运行，具备规模化部署的条件。

“互联网上有几百亿张图片，但信息量可能不如一位老师傅在产线上刷几十秒胶。”闵伟回忆起第一次进制鞋工厂看到的场景，“那几十秒包含了力度、角度、曲面贴合、流体形态变化，所有物理世界最真实的反馈。”

他还援引了一个类比，“AI教母”李飞飞的大型图像数据库‌ImageNet。在ImageNet之前，标注图片只有几千张，大家都在现有数据集上“雕花”，模型性能每次只进步一两个百分点。李飞飞构建了100万张标注图片的数据集，才有了后来的深度学习和神经网络架构ResNet。

“每一次人工智能的重大变革，底层的驱动力都是一代又一代新的数据集。”

行业对数据的理解，也在这几年快速演进。传统仿真数据，量大但信息量低；真机遥操作精度最高，但成本高、跨本体困难；近年兴起的Ego数据，以第一人称视角采集、成本低，已成为‌大规模预训练的主流选择。影身则更进一步，多视点4D数据，直接保留物理世界的完整时空信息。

为什么是制鞋？

有了技术和数据方向，闵伟面临第二个问题：落到哪个场景？

汽车、3C、物流、卫浴、床垫……他看了很多行业，最后选了制鞋。“制鞋是典型的双柔性场景，也是这个行业的经典难题。”

第一重柔性是材料，鞋面布料软，会变形、会起皱，机械臂抓不住；第二重柔性则是生产，鞋款按月迭代，小批量、多批次，传统编程的机械臂跟不上节奏。“派个工程师去重新编程，还不如直接用人。”

还有个现实问题：刷胶工序的工人长期暴露在刺鼻的胶水挥发环境中，也越来越招不到年轻人。

晋江的工厂老板曾问他三个问题：你的设备要不要改造产线？要不要停工？要不要派工程师驻场？闵伟的回答都是“不用”。

试点在2025年跑通。机器人放在原有工位上，1:1替代人工，不改产线、不停工。它通过观看工人操作学习新鞋型（理解工艺意图，自己再泛化到新鞋型上，不需要重新编程），效率与人相当，但能7×24小时运转。原来45人的生产线，现在只需要5个人管机器。

涂胶机器人

更重要的是，机器人每在产线上运行一天，都在回传真实的4D操作数据。这些数据反过来训练模型，模型变强后又能适应更多产线，形成一个“数据飞轮”。

展会现场的压底机器人

现在，影身智能已经能做到用一张图生成多段4D数据，4D数据的基座逐渐夯实。今年年底到明年上半年，他们计划发布第一个大规模4D数据集，以及具身智能大模型。

从剥鸡蛋到做世界模型

闵伟与柔性物体的较劲，从20年前就开始了。

2005年，他在华中科技大学的机械创新基地里，带着几个同学DIY了一台熟鸡蛋剥壳机，需求来自江浙一家生产卤鸡蛋的食品厂。那是他第一次挑战柔性操作，鸡蛋内容物是软的，蛋壳又存在个体形状差异，机器很难控制力道。

那台机器做得不算成功，“效果还赶不上人”，但这件事在他心里埋下了一颗种子。

后来，他以专业第一保送清华大学精密仪器系直博。系里摆着当时国内最先进的双足人形机器人Demo，“但离落地还很远，走路都摇摇晃晃的。”

2017年，闵伟加入阿里本地生活，从零搭建机器人团队。他们做过按电梯按钮的机械臂，也做过写字楼配送机器人。“那几年完整走完了从技术到产品，再到商业化的全过程。以前在实验室跑通一个Demo能高兴好几天，但到了产业里，一台机器人要连续运行几万小时，要面对各种完全想不到的意外。最难的，不是做出一个Demo，而是把它变成产品，再变成一个产业。”

2024年，他决定出来创业，和清华同窗刘烨斌教授、孟子阳教授重新走到了一起。两位教授在三维视觉和机器人控制领域深耕多年，也都到了从学术成果向产业转化的临界点。

“那年春节前后，我回清华找他们吃了一顿饭。"闵伟说，“饭还没吃完，事情就定了。”

影身智能的名字是闵伟取的。一层意思是“影”，希望机器人像影子一样跟着人、服务人；另一层来自柏拉图洞穴寓言，人在洞穴里看到墙上的影子，以为那就是真实世界，直到走出去才发现真正的世界在外面。

“过去AI看到的是世界的影子。”他说，“我们要让AI走向真实的世界。”

但这件事，比想象中难得多。

“公司刚成立那会儿，愿意去工厂收数据的第三方团队，几乎没有。”有段时间，团队频繁往返北京、杭州、东莞和晋江，“别人参加行业论坛时，我们在车间；别人讨论估值时，我们在看工艺流程。”

比跑工厂更难的，是融资。一家大型投资机构谈了好几轮，意向都快签了，结果风向变了。对方打来电话：“4D这条路，海外没有先例，行业还没有共识。你们确定能做出来吗？”

三人几乎没有犹豫：方向不改。那笔钱，最终没拿。

全球领先的世界模型新路径

近几个月，世界模型从一个小众概念迅速成为AI圈最热的话题之一，但行业对它的定义、技术路线、评测标准等始终没有形成共识，大家还在摸黑过河。

在智源大会上，智源研究院院长王仲远把现有技术路线大致分成四类：以语言为中心的VLM（视觉-语言模型）、VLA路线；以像素为中心的视频生成类，如Sora、Seedance；以三维结构为中心的3D重建、李飞飞团队的World Labs Marble模型；以视觉表征为中心的世界模型，比如杨立昆的JEPA系列。

闵伟把自己划在第五类，以4D时空为核心的动态世界模型，在全球范围内都属于领先。“前四类用的都是互联网上已有的现成数据，我们是从底层去创造一种从来没有过的数据集。”

两个月前，影身智能刚完成近亿元融资。投资方包括恒生电子、松禾资本、深高投等。更关键的是，他们已经拿到了国内具身智能领域首个千万级柔性智造订单，在手柔性智造订单已超2亿。

这笔订单来自制鞋业，但远非终点。穿鞋带、折纸盒、成品包装，再到箱包、家居……应用场景正在不断延伸。

他们也在推进4D数字文娱。“现在演唱会门票按座位卖，坐第一排和坐山顶体验完全不同。我们把演唱会的4D数据采集下来，通过技术分发到各个终端。不管你坐在哪个位置，戴上4D眼镜，偶像就在你眼前。”4D直播，以及赛事、重大活动的4D化也在计划中。

“大语言模型时代，大家容易崇拜天才，少数年轻人坐在电脑前就能做出惊艳的东西；但具身智能不一样，它最终要进入工厂、进入物理世界。象牙塔里长不出万亩桑田，没在真实场景里打磨过，就很难理解机器人为什么会在产线上出错，良率为什么上不去。”

和同行们一样，影身智能的终局想象在家庭。

81岁的奶奶在湖北老家，眼睛越来越不好使，而闵伟一年回不了几次老家。当被问到最希望机器人进入家庭能做什么时，他几乎没有犹豫： “如果未来有个机器人能每天陪着我奶奶，做做饭、聊聊天、洗洗衣服，这是我最期待的事情。”

“中国第二好”的投资人投了DeepSeek

为什么科技大厂开始招哲学毕业生？

考察完“AI六小虎”，杭州投了智谱

点喜欢