王曉剛和他的“世界模型”：一人管十狗，先讓四足機(jī)器人上街干活｜智能涌現(xiàn)專訪

文｜富充

編輯｜蘇建勛

四天前，“大曉機(jī)器人”的小紅書發(fā)了一條視頻，標(biāo)題是：曉剛老師養(yǎng)了十只狗。

視頻中，大曉機(jī)器人董事長，也是商湯科技的聯(lián)合創(chuàng)始人王曉剛，站在十個不同形態(tài)的機(jī)器狗后面，他沒有拿遙控器，手一揮，說著“任務(wù)已下發(fā)，出發(fā)”。

機(jī)器狗們聞聲而動：有的去路面尋找車輛違停，拍照并回傳；有的去城市禁飛區(qū)域排查違規(guī)無人機(jī)信號，且在找到操作者后發(fā)出語音警告。

“過去的一條狗，可能要兩三個人工作人員‘伺候’。未來，一個人在遠(yuǎn)端控制室，就能管理一支隊(duì)伍。” 王曉剛描述到。

在12月18日“大曉機(jī)器人”的發(fā)布會上，王曉剛也給出了大曉機(jī)器狗的落地場景：可以作為機(jī)器狗“城管”進(jìn)行街面巡查，目前就正在與徐匯公安探討這份城市治理的新方案。

△出發(fā)執(zhí)行任務(wù)的四足狗“汪汪隊(duì)”，來自不同本體品牌，背上統(tǒng)一搭載大曉具身超級大腦模組A1，圖源：企業(yè)提供

王曉剛把“讓狗突然能干活”的功勞，指向此次兩項(xiàng)新發(fā)布：

一是具身超級大腦模組A1，相當(dāng)于一個聰明的AI大腦，可以搭載于宇樹、智元、云深處等不同品牌的本體。裝入A1模組之后，原本只有運(yùn)動能力的機(jī)器狗，也具備了“空間智能”和“自主決策”能力。

而驅(qū)動這個大腦的核心，是本次的另一個發(fā)布——“開悟”世界模型3.0。簡單來說，世界模型就是在AI模型中建立了物理世界的運(yùn)行規(guī)律。有了它，就像是把與世界交互的能力放進(jìn)機(jī)器人大腦。

這樣一來，機(jī)器人可以更快學(xué)會物理世界中的不同任務(wù)，還能適應(yīng)未去過的新環(huán)境。就像是學(xué)會了“開門”這件事后，無論是家中的入戶門，還是初次探店的餐廳大門，都可以打開。

除此之外，世界模型還能應(yīng)用在不同機(jī)器人身上。四足狗、雙足人形等等多樣構(gòu)型的本體，都可以通過世界模型，具備理解世界、對后續(xù)狀態(tài)進(jìn)行預(yù)測的能力。

不過，世界模型并非一個憑空而來的概念。它的興起，直指過去一年具身智能主流技術(shù)VLA模型所遇到的本質(zhì)瓶頸：

VLA更像一個“超級模仿者”，靠海量“畫面—指令—動作”配對數(shù)據(jù)，讓機(jī)器人學(xué)習(xí)特定技能；但它很難真正理解物理規(guī)律，所以換個環(huán)境、換個對象，成功率就會下降。

因此，VLA需要堆大量數(shù)據(jù)，讓模型“看過”不同的案例，才能完成越來越多的任務(wù)。但當(dāng)前的數(shù)據(jù)量卻難以為繼：自動駕駛可輕易積累數(shù)百萬小時行車數(shù)據(jù)，而具身智能還需要工作人員遙控機(jī)器人采集數(shù)據(jù)，至今仍困在10萬小時的量級。

世界模型則讓機(jī)器人的大腦可以從“死記硬背例題”轉(zhuǎn)向“掌握通用公式”，從而大幅降低對特定場景、海量真機(jī)數(shù)據(jù)的依賴。

發(fā)布會現(xiàn)場，《智能涌現(xiàn)》試用了“開悟”世界模型3.0：只需要輸入一段文字描述，然后選擇相機(jī)機(jī)位、不同機(jī)器人本體等信息，世界模型就會生成以這款機(jī)器人為第一視角的動作畫面。

這些生成的畫面與動作決策，可以教會機(jī)器人大腦與物理世界交互的方法，在背后指揮機(jī)器人完成每一次行動。

△現(xiàn)場試用中，“開悟”世界模型3.0可以根據(jù)使用者在右側(cè)輸入的空間、動作文字描述，生成畫面，圖源：作者拍攝

正因如此，世界模型成為近期大熱的技術(shù)趨勢。包括特斯拉在內(nèi)，近期的技術(shù)分享中，越來越多智能駕駛和具身智能公司展示了世界模型的布局進(jìn)展。

但王曉剛也強(qiáng)調(diào)，世界模型真要做到有效，必須有下游驗(yàn)證的閉環(huán)。

他回憶起，2024年11月，自己就曾主導(dǎo)發(fā)布過智能駕駛世界模型，但彼時行業(yè)對這項(xiàng)技術(shù)的態(tài)度是“不太信”。

原因是，包括英偉達(dá)Cosmos世界模型在內(nèi)，當(dāng)時不少公司把世界模型當(dāng)“數(shù)據(jù)生成器”。雖然可以在實(shí)驗(yàn)室里生成一堆看起來成立的場景畫面，但缺少下游真實(shí)落地驗(yàn)證，沒人能回答“這些數(shù)據(jù)到底好不好用”，很難建立信任。

王曉剛的解法，是把推出的智能駕駛世界模型放進(jìn)自身的止駕算法業(yè)務(wù)里。例如與上汽智己的合作中，這項(xiàng)能力被用于攻克“過環(huán)島”、“大車加塞”等高風(fēng)險(xiǎn)博弈場景。

過去采集這類數(shù)據(jù)危險(xiǎn)又貴，甚至得協(xié)調(diào)“演員車”上路復(fù)現(xiàn)。商湯則可以先在世界模型里規(guī)模化生成大量場景畫面與解決策略后，再用上汽智己的實(shí)車對世界模型的決策進(jìn)行檢驗(yàn)、校準(zhǔn)，讓模型能力在真實(shí)反饋里越練越準(zhǔn)。

同樣的方法論搬到具身智能上，大曉選擇用“機(jī)器狗上街”做商業(yè)化第一站：四足狗硬件更成熟、進(jìn)入場景的商業(yè)化路徑更短，能在任務(wù)執(zhí)行中驗(yàn)證世界模型的能力，在真實(shí)場景里持續(xù)迭代。

王曉剛也給出了大曉的商業(yè)化路線圖：先用四足在道路世界跑起來，探索四足還未充分開拓的增量市場；2—3年后，通過輪式雙臂機(jī)器人將業(yè)務(wù)延展到無人物流倉；再往后，則考慮雙足人形與更復(fù)雜的家庭場景。

在這個過程中，大曉并非從頭開始。商湯過去11年的積累，給大曉機(jī)器人的商業(yè)落地帶來可復(fù)用的資源。

比如商湯旗下“方舟”視覺平臺已在城市中落地大量事件檢測應(yīng)用，這讓大曉有可能快速切入安防、巡檢等場景；此外，商湯在海外市場的布局，也為大曉機(jī)器人未來賣到其他國家提供了現(xiàn)成的通道。

近期，《智能涌現(xiàn)》對王曉剛進(jìn)行了專訪，聊了聊他對世界模型的判斷，以及大曉的技術(shù)細(xì)節(jié)。以下對話經(jīng)作者整理。

△大曉機(jī)器人董事長王曉剛，圖片：企業(yè)提供

賽道升級：VLA到世界模型

智能涌現(xiàn)：從VLA到世界模型的“升級”，你認(rèn)為這是同一個技術(shù)方向的逐漸演變，還是一個很大的轉(zhuǎn)折？

王曉剛：這條線是一脈相承的。我把世界模型、端到端、強(qiáng)化學(xué)習(xí)看成同一條技術(shù)鏈路在不同階段的延伸。

從自動駕駛到具身智能，核心都是讓模型理解并預(yù)測真實(shí)世界的演化，再把這種能力用于決策與控制。

行業(yè)的變化在于，大家開始把“模型能不能在物理世界里閉環(huán)生效”當(dāng)成第一性問題，而不只是做幾個演示動作。

你也能看到像特斯拉近期披露的一些細(xì)節(jié)里，世界模型被用作仿真器，這就是技術(shù)發(fā)展一路走到今天的結(jié)果。

智能涌現(xiàn)：你說去年11月就主導(dǎo)發(fā)布過世界模型，但當(dāng)時大家“不相信”世界模型。后來商湯用上汽智己的智駕業(yè)務(wù)做了驗(yàn)證，具體驗(yàn)證了什么？

王曉剛：上汽智己會挑高風(fēng)險(xiǎn)、高復(fù)雜度場景來驗(yàn)證我們世界模型的能力，比如過環(huán)島、大車加塞這類博弈問題。

過去在這些危險(xiǎn)場景要采集真實(shí)數(shù)據(jù)，危險(xiǎn)、成本高，甚至需要找演員去制造場景。但用了世界模型后，能生成更多這類場景的數(shù)據(jù)與策略，幫助智能駕駛提升相應(yīng)任務(wù)的處理能力。

智能涌現(xiàn)：世界模型解決了哪些VLA的短板問題？

王曉剛：VLA更偏短序動作、技能的學(xué)習(xí)，通常不承載復(fù)雜的物理規(guī)律注入與長鏈推理。因缺少對物理世界的結(jié)構(gòu)化理解，也容易“會做一些看起來對但無效的動作”。

世界模型的目標(biāo)更大，它學(xué)會了環(huán)境與交互的規(guī)律，支持預(yù)測、推理、規(guī)劃，并能在不同任務(wù)、場景中形成泛化。

比如VLA學(xué)會開一個白色的冰箱門以后，換成了黑色的冰箱它可能就不認(rèn)識了。世界模型可以理解冰箱門是怎么被打開的，那換了一個房間、換了一臺外觀很不同的冰箱，它依然知道這里面的物理規(guī)律。

我們還希望把世界模型盡可能放端側(cè)，這樣也可以提升機(jī)器人從思考到執(zhí)行的同步效率。

智能涌現(xiàn)：你為什么強(qiáng)調(diào)“世界模型要與強(qiáng)化學(xué)習(xí)結(jié)合”？

王曉剛：強(qiáng)化學(xué)習(xí)擅長在可反復(fù)試錯的環(huán)境里找策略，但現(xiàn)實(shí)世界試錯成本太高，所以可以把一部分試錯與推演搬到世界模型里做，再把策略遷回真機(jī)。

智能涌現(xiàn)：Sora這種生成式世界模型，和大曉推出的具身世界模型，之間的區(qū)別是什么？

王曉剛：Sora是一個出色的視頻生成器，但它本質(zhì)上是一個“黑盒”。它生成的視頻可能看起來很真實(shí)、酷炫，但模型內(nèi)部并不理解視頻里物體之間的物理關(guān)系和因果規(guī)律。

Sora沒法把場景里的物體拆成可交互、可替換的對象去編輯。比如畫面里瓶子、桌子和周圍環(huán)境粘在一起，都是一整塊“背景”，你不能把瓶子單獨(dú)拿出來、換位置，再讓它和其他動態(tài)對象發(fā)生真實(shí)交互。

具身世界模型要解決的是另一類問題：它不是為了生成一段好看的視頻，而是為了讓機(jī)器人能在真實(shí)世界里推理、規(guī)劃、做決策。

比如桌子上有一堆積木，你讓世界模型控制機(jī)器人把它們以最快速度搭成“ACE” 三個字母的形狀。這個任務(wù)里，機(jī)器人得先理解每塊積木的位置、形狀、可移動性，推演出一個最優(yōu)的移動序列：先動哪塊、后動哪塊，用什么抓取方式，才能用最少步驟完成。

智能涌現(xiàn)：所以大曉推出的世界模型，有哪些能力可以幫助具身智能更好地執(zhí)行任務(wù)？

王曉剛：所以我們做的具身世界模型要包括三塊多模塊能力：

第一是多模態(tài)理解，去理解世界本身，不僅是視頻的內(nèi)容，還包括相機(jī)位姿、3D 軌跡、力學(xué)屬性等更深層的東西；

第二是多模態(tài)生成，要能生成可訓(xùn)練的數(shù)據(jù)和場景，比如在一個生成的世界畫面里換背景、換本體、換機(jī)械臂；

第三是多模態(tài)預(yù)測，比如我下達(dá)指令是“拿起手機(jī)”，但它要能預(yù)測用左手和右手會有不一樣的動作軌跡。

而且，我們的平臺允許用戶選擇不同機(jī)器人本體。因?yàn)槟阕罱K是要讓機(jī)器人“去干活”的——你在生成仿真數(shù)據(jù)、構(gòu)建訓(xùn)練場景時，要對應(yīng)到具體本體，才能把世界模型真正接進(jìn)下游訓(xùn)練閉環(huán)里。

智能涌現(xiàn)：你如何判斷一個世界模型好不好？

王曉剛：行業(yè)有一些Benchmark，但我更看重影響力和應(yīng)用解決問題的能力。

單看榜單不夠，要看能不能跟機(jī)器人系統(tǒng)結(jié)合、在真實(shí)問題里被大量使用、持續(xù)迭代。我們也會把世界模型開源，讓大家用起來。用得多、能解決問題，本身就是一種更硬的評價(jià)體系。

△搭載大曉模組的機(jī)器狗可以識別路口紅燈，實(shí)現(xiàn)自主導(dǎo)航、避障，圖片：企業(yè)提供

世界模型的數(shù)據(jù)方法論

智能涌現(xiàn)：“開悟”世界模型3.0包含一個怎樣的架構(gòu)？訓(xùn)練數(shù)據(jù)從哪里來？

王曉剛：我們把架構(gòu)拆成三個層次，不同的層次采集不同的數(shù)據(jù)

1）最底層是對這個世界的描述。比如為什么是蘋果熟了會掉下來，這里面它的物理規(guī)律是什么。這些關(guān)于世界物理規(guī)律的描述都是文本的。

2）第二個層次是人類行為，即人如何與這個物理世界交互。要讓模型理解機(jī)器人跟物理世界交互的時候，位姿是怎么變的；施加的力是什么樣的；觸覺是怎樣的等等。

這是以人為主體進(jìn)行的數(shù)據(jù)采集，比如讓人頭戴攝像機(jī)，拍攝第一視角的視頻；或者人戴上數(shù)采手套去捕捉手部動作；周圍也有攝像頭進(jìn)行第三視角的拍攝。從不同的視角把人與世界交互的動作記錄下來。

3）第三個層次真機(jī)動作。具體而言，有些本體是十幾個自由度，也有幾十個自由度的本體，它們所看到的世界是不一樣因此。因此，也要再配合采集不同本體的真機(jī)數(shù)據(jù)。

智能涌現(xiàn)：為什么你們強(qiáng)調(diào)主要的數(shù)據(jù)要“以人為中心”采集，而不是“以機(jī)器為中心”？

王曉剛：以機(jī)器人為中心會帶來一個問題：不同構(gòu)型本體的數(shù)據(jù)難以跨本體復(fù)用，而且人操作機(jī)器人做動作、采數(shù)據(jù)效率非常低。

但人自己做動作的數(shù)據(jù)更容易規(guī)模化采集。所以我們先采人的數(shù)據(jù)，訓(xùn)練一個有物理常識的大腦，再遷到不同機(jī)器人上。

智能涌現(xiàn)：有了世界模型以后，對真機(jī)數(shù)據(jù)的需求似乎可以減少？到底還需要多少真機(jī)數(shù)據(jù)？

王曉剛：截止到現(xiàn)在，自動駕駛里真實(shí)數(shù)據(jù)精挑數(shù)據(jù)能做到數(shù)百萬小時，而機(jī)器人真機(jī)采集數(shù)據(jù)往往只有1萬到10萬小時。

但如果先用人體和環(huán)境數(shù)據(jù)做大盤，再用少量真機(jī)數(shù)據(jù)校準(zhǔn)，真機(jī)部分可以從萬小時級別進(jìn)一步往下壓。很多情況下不必額外大規(guī)模采，只要把現(xiàn)有真機(jī)數(shù)據(jù)放進(jìn)去即可。

智能涌現(xiàn)：物理規(guī)律那么多，世界模型中如何全部覆蓋這么多的知識？

王曉剛：物理規(guī)律不可能無條件窮盡，所以世界模型一定有場景邊界。比如做自動駕駛不關(guān)心家庭內(nèi)的場景，做家庭場景的不關(guān)心海里蘋果怎么漂。

大曉的做法是先從身邊道路開始做起，中期做無人物流倉，未來再擴(kuò)到家庭，逐步擴(kuò)大邊界。

△大曉機(jī)器狗在識別違停車輛，圖片：企業(yè)提供

從街上的四足狗先跑通商業(yè)化

智能涌現(xiàn)：大曉這次發(fā)布的“大腦模組”是什么？包含什么？

王曉剛：模組可以理解為一個盒子：集成傳感器、通信、計(jì)算等能力，用來把世界模型能力裝到本體上。

模組也包括全景相機(jī)，這可以提升視野，檢測很多周圍世界里的事件。

智能涌現(xiàn)：為什么先選機(jī)器狗的形態(tài)承載這個模組，而不是直接研發(fā)人形？

王曉剛：機(jī)器狗的技術(shù)更成熟，穩(wěn)定性更高，我們希望用它先進(jìn)入真實(shí)場景跑起來。

智能涌現(xiàn)：大曉要做像蘋果的軟硬一體，還是更開放的生態(tài)？

王曉剛：我們會做軟硬一體。但和蘋果不同之處在于，蘋果的軟件和硬件都只給自己用，我們會選擇性自研關(guān)鍵部分，也需要生態(tài)合作伙伴。

具體而言，自己能做好的就做，借助生態(tài)更快的部分就去合作。關(guān)鍵是最終交付的是可用的產(chǎn)品方案，把成本降下來，把穩(wěn)定性和安全性提上去。

智能涌現(xiàn)：大曉未來的商業(yè)計(jì)劃，更偏向把世界模型賣給本體廠商，還是直接面對場景客戶？

王曉剛：我們會希望直接進(jìn)入場景。

一來，場景客戶這邊我們更熟，商湯在城市、文旅等場景做了多年，知道客戶需求是什么樣的。二來，很多本體廠商時間短，也不一定愿意投入資源進(jìn)場景。

所以我們更有條件直接打場景，并利用既有資源把進(jìn)入場景的成本攤薄。

△通過輪式雙臂機(jī)器人將業(yè)務(wù)延展到無人物流倉是大曉的未來商業(yè)規(guī)劃，目前正與合作本體廠商進(jìn)行該場景訓(xùn)練，圖片：企業(yè)提供

智能涌現(xiàn)：大曉和具身本體公司之間，既可以合作又可能存在競爭，怎么協(xié)調(diào)？

王曉剛：當(dāng)下最大的問題還不是競爭，因?yàn)閳鼍斑€沒完全打開。

我們在策略上以場景為導(dǎo)向，優(yōu)先找增量：不去搶別人已經(jīng)穩(wěn)定跑通的存量，比如電力巡檢等。找到場景后，本體廠商反而愿意配合，因?yàn)樗麄冞^去不敢投入產(chǎn)能，本質(zhì)也是不確定場景與訂單量。

智能涌現(xiàn)：大曉主要To B還是To C？

王曉剛：先做to B。

To C市場的量確實(shí)巨大，但正因如此，它對產(chǎn)品的可靠性、安全性和耐久性有著極其苛刻的要求。

這不是說技術(shù)原理上做不到，而是整個產(chǎn)業(yè)鏈在沒有明確的大規(guī)模應(yīng)用場景驅(qū)動前，不愿意也沒有動力去投入巨大的成本來攻克這些工程和質(zhì)量難關(guān)。

所以，我們的策略是先通過To B場景，來驅(qū)動整個產(chǎn)業(yè)鏈的成熟。在智慧城市、園區(qū)管理、文旅導(dǎo)覽等這些對自主移動能力有迫切需求的領(lǐng)域，機(jī)器狗作為一個可管理的“數(shù)字員工”，它的價(jià)值是明確的，并且能夠容忍一個逐步迭代和優(yōu)化的過程。

智能涌現(xiàn)：會考慮做出海嗎？

王曉剛：會。更像跟著體系走，我們在東南亞、中東等有海外資源和團(tuán)隊(duì)，可以順勢推進(jìn)。