从视频到世界模型，生数科技在造具身智能的通用大脑

出品 | 创业最前线

作者 | 许一心

编辑 | 闪电

美编 | 邢静

审核 | 颂文

2026年被很多人称作世界模型元年

它出现的频率够高，从硅谷到中国，从7月的世界人工智能大会到8月的世界机器人大会，这个词的热度异乎寻常，资本也在以十亿百亿的规模涌进来。

这个行业里充满争论。原因之一是：至今没有统一的标准。视频生成叫世界模型，环境仿真也叫世界模型，多条技术路线互不相让，连“什么样的模型才配称通用”都没有共识。

但如果连争论都没有，遑论元年？

争论之外，也有企业在特定路线上已经走得相当远，例如国内的生数科技。它的先发优势不只在某项参数，更在于罕见地把“数字世界生成”与“物理世界行动”两端，拧成了一个互相供血的闭环。

1、最有话语权的一批人,为什么集体换了方向

所谓元年，总有些特殊的动向，如果把大牛流向、资本规模和研究节奏摆到一起就会发现，走向世界模型是AI行业内部的一部分精英主动发起的路线迁移，而不只是外部炒出来的风口。

他们赌的是同一件事：谁能让机器真正理解物理世界，谁就握住了AI下一程的入口。

最先动身的是杨立昆。这位图灵奖得主、卷积神经网络的奠基人之一，做了十二年Meta首席AI科学家，2025年离开Meta后创办AMI Labs；2026年，AMI Labs完成10.3亿美元融资，投前估值达到35亿美元。他的判断很直接：大语言模型无法真正模拟和预测物理交互

几乎同时，李飞飞的World Labs累计融资超过12亿美元，估值升至50亿美元级别，先后推出MarbleWorld API。巨头也没缺席：英伟达的Cosmos持续开源，谷歌的Genie迭代到可以实时交互，大家都在喊从“预测下一个词”转向“预测世界的下一状态”。

说到底，这次转向的动因不是概念热度，而是大语言模型在物理世界的边界已经被摸到。它的确压缩了语言，可时间、空间、物理因果和动作这些语言之外的东西，它装不下。

而恰恰是这部分，构成了连接数字世界与物理世界的那把钥匙。钥匙打开的那扇大门背后，是所有人都觊觎的物理AI世界。

2、世界模型要压缩什么,又靠什么证明自己

语言之外还有什么需要被压缩，恰恰是理解世界模型的入口。

生数科技世界模型执行负责人王泽远的答案，从一句行业老话讲起——压缩即智能

王泽远解释得更朴素。对物理世界的建模可以细到原子、电子层面的运动；但人生活在宏观世界，用不着追踪每一步里所有微观粒子的变动，很多东西因此可以被压缩掉。

也就是说，世界模型是在找一个最优的压缩方案，压缩对象随之拓展到语言之外的时间、空间、物理因果与动作，不再只答“是什么”，还要答“会产生什么后果”。

但压缩只是起点。更关键的是三项能力如何拧成一体。生数科技创始人兼首席科学家、ACM/IEEE/AAAI Fellow朱军在世界机器人大会上说得很明确：“我们希望构建的，不只是服务于某个任务或场景的专用模型，而是一个能够理解世界、预测未来并采取行动的通用基座模型。”

“通用世界模型不是单一的生成器、模拟器、机器人动作模型或策略模型，也不是这些能力的割裂片段或简单线性串联，而是三种能力耦合在一起的闭环反馈系统，”朱军说。

闭环两个字是重点。行动不只是模型吐出来的结果，它会改变环境、产生新信息，再回流成下一轮的理解与预测。朱军打过一个比方：人学骑车，一开始歪歪扭扭，后来稳了，变的不是肌肉，是脑子里那个“车会怎么倒”的内部模型——摔一次，它更新一次。

至于如何理解和构建世界模型，讨论还远未收敛。李飞飞用渲染器、模拟器、规划器来梳理世界模型的功能；在实现路径上，杨立昆走的是JEPA，生数则从视频生成切入。

其中一个核心分歧是：让AI理解物理世界，一定要显式生成画面吗？

这要看下游任务。据王泽远解释，只做具身其实不用预测那么细——别人每根头发丝怎么动，对执行任务没帮助；但影视制作、游戏渲染就很看重这些。

我问王泽远，视频生成对创业公司是条更重的路，需要堆算力。而杨立昆明确提过，他那套不需要堆砌大量算力。为什么还选重的？

他给的答案很实在：对一家创业公司来说，不光要最小化消耗，更要最小化风险。

谈到杨立昆的技术路线，他并未回避其中的分歧，但最终给出了明确认同。人在脑子里想事情，并不会像素级地重建画面——你想象自家大门，只会想个轮廓，不记得门上每道纹理。在省算力这点上，他直言很支持这种思路。

问题在于成熟度：这条路线目前还很不成熟，要填的算力坑，可能远比视频模型大得多。他仍看好它的潜力，只是觉得需要时间沉淀。

路线尚未收敛，比较也需要坐标。生数在世界机器人大会上提出L1到L5的分级路线，把自己现阶段的实践对应到前三级。词被用滥时，谁先立标准，往往就说明谁跑在前面。

对生数而言，分级是在外部建立坐标，统一架构则是在内部打基础：让理解、预测与行动尽早协同起来，为下一阶段的能力演进积累条件。

3、统一大脑，从视频里长出行动

生数绝不是追逐世界模型的公司里面体量最大、精英人数最多的那个。它值得关注的地方，在于如何把视频与具身两端接起来。而那个互相供血的闭环，具体是怎么搭起来的？下面一项一项说。

起点在2022年9月：团队提出U-ViT架构，比OpenAI的DiT还早三个月，核心成员出自清华人工智能研究院——一上来切入的就是基座模型，而非应用层。

生数对数据的理解也与众不同：视频是数字与物理世界之间最便于规模化共用的数据格式（图像、语言、音频、3D等同样可以共用），只是视频在信息密度与可得规模上都更占优势——机器人采集轨迹时挂着相机，拍的是视频；互联网上的海量素材也是视频，格式相同，只是一个有动作标签、一个没有。

而具身智能最大的痛点，是有动作标签的数据太少。生数的独到之处，是用生成式方法把海量无动作标签的普通视频，变成能训练机器人的“物理世界燃料”。这正是双轨闭环的第一块基石。

这套数据思路，落实到训练上主要分四步：先用互联网视频训出视频基座；再用无动作标签的第一人称数据预训练，建立任务感知与本体认知；然后用带动作标签的真机数据训练动作分支；最后在特定机器人和任务上做后训练。

第一人称数据没有动作标签，怎么训练动作？靠估——用单目深度模型加SLAM（同步定位与建图）估出手部位置。据介绍，估得越准，模型能学到的动作线索也越准。

架构上，生数拿出的是全球首个MoT统一架构，把环境理解、状态预测、动作生成纳入同一个框架，而非几个模块各干各的。最见功力处，是同一个模型能自由切换输出：对创作者吐像素级视频，对机器人吐可执行动作。

数据可以共用之后，下一个问题是：不同模态之间，怎样真正交换信息

聊到这里，出现了采访中最有意思的一处分野。标准说法是，MoT把“理解专家、生成专家、行动专家”统一在一个模型里。我据此提问：三个专家怎么对齐、怎么防止打架。

王泽远却把前提往回拉了一步：这三者是模型具备的能力，并不是架构本身。

真正的MoT，分的是三个模态流——视频、动作和语言。

这不是咬文嚼字：能力是模型对外能干什么，架构是内部真实的组织方式。朱军在世界机器人大会上的表述其实已是如此——为不同模态配专属参数，用共享注意力完成跨模态交互。

所以“用视频教会机器人动作”，不是让机器人先看一段生成视频再照做，而是在训练时，让视频那一侧的学习成果通过联合训练帮助动作那一侧。

这也解释了它与典型VLA路线的区别。VLA（视觉语言动作模型）过去两年是主流做法，主要从观测和指令直接学习动作映射；Motubrain进一步把世界状态变化与动作生成纳入统一建模框架，让模型在生成动作的同时学习“动作会如何改变世界”。

从“反应”多走一步，走向“预见”，是它提高长程任务成功率的思路。

发布会上有个演示很出圈：机器人用漏勺捞丸子，捞空了，自己又捞一次。代码里没写重试逻辑。它怎么知道自己没捞到？

据王泽远解释，机器人不是靠预测下一帧发现自己没捞到，而是在动手那一刻，脑子里已经同时备好了两套后续动作——捞到怎么走、没捞到怎么走。所以无论结果如何，接下来都能衔接。

这些能力，最终还要放到评测中验证。在专测机器人执行能力的RoboTwin 2.0上，Motubrain拿下双场景第一，是唯一在随机环境（打乱光照、位置、干扰物，考的是应变）里平均分仍站上95的模型。

比榜单更贴近落地的是真机泛化。只用五十到一百条同本体样本，就能适配一台新人形机器人。演示中，全程不借助上层规划：插花插到一半被打断能接着完成；左右手异步，倒水的倒水、拿面包的拿面包；水一满，就自动判定任务结束。

适配数据还能不能继续往下压？王泽远认为，下限至少也得有一条，零条并不现实。他打趣说，就算自己和同事换个身体，也得花点时间适应。

当然，从榜单高分到真机上不卡顿，中间还隔着一层工程活儿——这恰是最难被抄走的部分。

世界动作模型每次推理要生成一段动作序列，计算需要时间；等一段执行完再算下一段，机器人就会在动作边界卡顿。解法是提前算、让计算与执行并行，但新旧两段基于不同时刻的观测，衔接处又可能打架。

生数为此试用了六种策略，公开的总结写得相当老实，尤其承认局限的部分：准确的在线延迟估计“目前仍是未解问题”；一旦出现突发障碍物，前缀约束反而会成为干扰。

这也是视频与具身两端能够共享工程经验的地方。两端对实时性的要求虽然不同，但底层都指向同一个问题：如何让大规模生成模型在连续交互中足够快。Vidu S1已经将视频生成推进到最高42 FPS；在机器人一侧，Motubrain完整模型运行频率约5 Hz，Video-to-Action模式最高可达11 Hz。

但打通这个闭环并非没有代价。机器人要考虑端侧部署，尽量让模型跑在本体上，否则延迟和网络都是麻烦；生数同时又想探究智能上限，那意味着加数据、加参数——两件事撞在一起了。

但是，模型一旦大到接近主流视频大模型的那个量级，就几乎没法在机器人上做端侧部署；即便勉强部署，成本也未必划算。

所以生数现阶段的取舍很清楚：先把智能做出来。在具身方向，探索技术上限的分量，明显重过马上规模化商业部署。

这条规模效应的曲线走到哪了？其实，还在非常早期。

要够到大语言模型今天的程度，王泽远认为至少要千万乃至上亿小时的视频——一亿小时，相当于一万多年不间断的画面。

这么大的数据需求，能不能靠仿真补上？他的态度更干脆：“sim2real gap确实还没解决，所以我不用仿真数据。”

4、定价

具身还需要时间，生数却并非在零收入的状态下等待。视频业务已经为这场长期探索提供了现实支撑。

这里得先说清楚Vidu是什么。它是2024年5月生数科技发布的视频生成大模型，也是中国第一个公开发布、对标Sora的同类产品，用的正是前面那套U-ViT架构。

全球上线后，它二十天用户破百万、百天破千万，平台累计生成的视频早已过亿；对中文提示词的理解、多主体一致性、性价比是它的长板。

这门已经跑通的生意，让生数向物理世界延伸时，手里既有技术积累，也有商业基础。视频与具身的联系，由此从数据和架构延伸到了公司的长期投入能力。

在这个底子上，今年2月，生数完成超过6亿元的A+轮；两个月后，近20亿元的B轮由阿里云领投。这样密集的节奏本身，就是资本对它技术路线的连续定价。

（图 / 摄图网，基于VRF协议）

不过，资本给的是远期定价，而技术负责人给出的时间表并不激进：两三年内，零样本泛化的趋势会变得非常明显，真正谈具身落地，大约还要五年。一头是当下的重金下注，一头是五年的耐心——这落差本身，就是这条赛道最真实的写照。

5、结语

生数把视频当成通往物理世界的主要可规模化入口，用统一架构连接数字世界的生成与物理世界的行动，并抢先把这条路写成从L1到L5的刻度。它正在做的，是把行业还在争论的问题，先做成可被检验的事实。

当然，这条路上生数并不孤独——英伟达、李飞飞、杨立昆都在做，国内也有若干家路线相近的公司。区别不在于有没有人同行，而在于走到了哪一步，以及有多少东西经得起第三方验证

采访快结束时，我给王泽远讲了个流传很广的故事。

一家香皂厂的流水线偶尔漏装，盒子出来是空的。企业招来博士后带十几个人，上摄像头、计算机、机械臂，搭了整套视觉分拣系统；另一家乡镇企业，只在出口放了一台大功率风扇——盒子里没香皂、太轻，直接被吹走。

这故事通常用来嘲笑前者用高射炮打蚊子。但我们这里讲的是更深的一层：风扇只解决了那一个场景，什么也没沉淀；那套看似笨重的视觉系统，留下的是一整套可复用的经验。

做基础设施、追求技术上限，本质是选择做重的、难的、苦的事。前提是，这些投入最终能够沉淀为核心竞争力。对这一点生数毫不含糊：不获得核心竞争力，巨头很容易取代你。

取巧没有护城河：取巧谁都会，而巨头取巧的成本比你低得多。

我请王泽远用三四句话概括生数最核心的竞争力。他想都没想：“生数就是一家信奉规模效应的公司，我们不是为了短期利益，是为了长期，这句话就够了。

备注：本文数据主要取材于生数科技提供的相关网页报道，以及采访和提纲沟通中的数据，其余第三方数据很少。