世界模型黑马横空出世！就在刚刚，生数科技的MotuBrain零宣发登顶双榜，直接打通「看懂世界+执行行动」，而且不同的是，他们把World Action Model适配多个头部机器人本体，完成多个长程任务，这是国产AI的硬核突围！从此，具身智能彻底迈入新纪元。

  它出现得极其反常：没有Logo、没有发布会、没有融资稿，连X账号都是新注册的。

  更离谱的是，这两个榜单彼此根本不挨着——一个考「你能不可以真正看懂世界」，一个考「你能不能在世界里稳定干活」。

  过去几年，行业把它们叫作「两个极点」：做世界模型的看得懂、动不了；做VLA的能动手、想不远。

  具身圈猜测刷屏：这是阿里「快乐生蚝」翻版？字节憋的大招？或者华为的暗手？还是李飞飞World Labs的中国分舵？

  而且他们没止步与此，现在已经把world action model适配多个头部机器人本体，应对多种任务、建模多个长程任务。

  因为它在架构上把五种本来彼此割裂的具身智能范式，拧成了一个「看-想-动」的闭环：

  VLA(视觉-语言-动作)、世界模型、视频生成、逆动力学、视频-动作联合预测。

  这种统一世界-动作建模，通过一个模型统一建模视频「video」与动作「action」，使之前彼此割裂的5种方法都成为同一建模框架下的不同推理模式。

  与以往方法不同，Motus联合建模「视频」和「动作」，学到的不再是机械反应，而是任务目标、环境变化、以及动作会带来什么后果这三者之间的深层世界知识。这让它更能适应新环境和新任务。

  Motus引入「潜动作」机制，能从无标签的互联网视频、人类操作视频中提取通用的「运动规律」。

  潜动作变分自编码器 (Latent Action VAE)。这是一种基于光流的表征方式，通过变分自编码器架构将视觉动力学（visual dynamics）与控制信号相衔接

  具身数据金字塔。展示了从互联网数据（第一层）到目标机器人演示数据（第六层）的六级数据层级结构，其任务相关性和数据质量随层级逐级提升。

  基于「专家混合」，Motus引入了混合Transformer (Mixture-of-Transformer, MoT) 架构，巧妙融合了视频生成、语义理解、动作生成三个已有的高性能基座模型。

  Motus表现出了正向的规模效应，即学习的任务越多、数据越丰富，模型掌握的可迁移世界知识就越多，在新任务上的平均成功率反而越高。

  在50项通用任务测试中，Motus的平均成功率高达88%，在当时的RoboTwin2.0上直接霸榜。

  一个面向真实世界的通用世界行动模型(World Action Model，WAM)，具备多本体、多任务、长程执行能力。

  长程执行：自回归＋扩散与语言-动作-视频三流MoT，直接用超过10个原子动作的长序列达成目标，摆脱对上层任务拆解的完全依赖。

  简单说：Motus证明了「路走得通」，MotuBrain证明了「我已经在这条路上跑出了世界第一」。

  在Motus的基础上，MotuBrain作为商用模型版本，进一步面向真实机器人场景完成系统升级，将World Action Models从技术验证推向更通用、更可落地的具身智能大脑。

  为什么这件事让具身圈如此震动？因为在过去一年里，这条赛道挤满了顶级玩家。

  下面的demo，详细展示了全球第一的世界模型已经进化到了多么强大的地步，全部任务一镜到底。

  装上MotuBrain的机器人给我们演示了一把这个操作：把花插入花瓶中，然后开始用喷壶喷洒清水。

  传统机器人方案常常要一个昂贵的「上层大脑（VLM）」负责拆解指令，再由底层驱动去执行，这种「拼凑感」往往导致动作断档。

  而MotuBrain实现了一脑贯通：它无需额外视觉语言模型的辅助，仅凭自身即可直接建模复杂的长程任务，让「从插花到浇水」的逻辑转换如同人类本能般丝滑。

  它先将沙发上的衣物放入洗衣篮，然后将靠枕摆回原位，过程中还要弯腰捡东西，这都体现了全身动作的协调性。

  对人类而言，勺子没捞到东西就再试一次是常识；但对机器人，这涉及极其复杂的闭环感知。

  比如，它需要理解当前勺子的空的，通过物理推演意识到「目标未达成」，然后还要预测个人需要重新执行捞取动作。

  这种「一脑预见」能力，本质上是机器人对真实物理世界的深度建模——它不仅在看，更在预测物理世界的走向，并以此驱动行动。

  下面这个调酒机器人，使用了基酒和牛奶调制了一杯鸡尾酒，然后娴熟地放在了托盘上，这是一个极其复杂的长程任务。

  另外，机器人还能整理洗漱台。只见它将牙刷准确地放入杯中，还把肥皂放回原位。

  液体流变、精细抓取，包括叠衣服过程中的织物形变……每一个动作背后的物理反馈逻辑迥然不同。

  以往，业内需要为每个场景单独训练模型，但MotuBrain却展示出了卓越的「一脑多能」能力，只要一个模型，就可以应对多种任务。

  更令人惊喜的是，MotuBrain还能做到一脑多型，一个模型就能适配不同的机器人。

  同一个模型，可以瞬间适配各种形态、各种自由度的机器人硬件，让AGI真正走入现实物理世界。

  MotuBrain在这里拿下63.77的EWM Score，排名第一，超过了国内外的同类模型。

  Motion Quality第一——动作真的「在动」，绝非看起来像动的视觉特效

  Flow Score第一——前一秒和后一秒能丝滑衔接，而非逐帧拼接的PPT

  Motion Smoothness第一——动作符合真实物理规律，不会突然抖一下、突然加速

  对一个未来要服务机器人的世界模型来说，这才是真本事——画面再美，机器人执行时一抖手汤就洒了，等于零。

  在Clean(干净)和Randomized(随机扰动)两个场景下，MotuBrain分别拿到95.8和96.1——是榜单上唯一一个在随机环境下平均分超过95的模型。

  跟谁比？JEPA-VLA、Pi-0.5——这些都是行业内大家熟悉的硬茬。

  结果，MotuBrain在RoboTwin上的表现，用一个词形容就是「碾压」。

  把两份成绩放在一起看，意思就很清楚了：MotuBrain既看得懂世界，又能在世界里稳定干活。

  「边推演边行动」：同步生成未来状态与当前动作（如Motus和英伟达DreamZero）。

  VLA学动作模式，世界模型学预测能力，彼此拼接、对齐，终究是五个专科医生会诊。

  它基于自研UniDiffuser架构，将视频和动作两个连续模态从底层统一建模。

  一次训练，同时学会五种能力：VLA、世界模型、视频生成、逆动力学、视频-动作联合预测。

  正因为大一统，MotuBrain能吸收多模态异构数据——课本、视频、生活观察、跨学科交流。而VLA只能从特定机器人的纯任务轨迹里学习。长期看，差距是数量级的。

  MotuBrain还能预判：「如果我推它一下，它会怎么倒、汤会怎么洒。」

  比如抓取、移动、放置、组合、连续操作，看起来是不同任务。但背后都有共同规律：物体会受力，动作有先后，而且环境会变化，错误需要调整。

  实验证明：随着任务数量增加，Pi-0.5成功率持续下降（过拟合任务轨迹），而MotuBrain成功率持续上升——这说明它学到了跨任务的通用世界知识。而且上升的曲线越陡峭，说明模型泛化性越高，这是 MotuBrain 相比Motus的进一步跨越。

  现实世界里，机器人有很多形态，比如双臂机器人、移动机器人、人形机器人、机械臂。

  然而，传统方法常常是「一个机器人，一个模型」。换了本体，就要重新适配；换了硬件，又要重新训练。

  它通过统一action表征，把不同机器人本体的动作数据放进同一个框架里学习。

  生态里的机器人种类越多，场景越丰富，数据越多，模型能力还能够继续提升。反过来，模型能力提升后，又能帮助更多机器人提升表现。这会形成一个正循环。

  机器人要做的不单单是「拿起杯子」，它可能要先找到杯子—再避开障碍—再抓起杯子—再移动到指定位置—最后放稳。

  传统方法往往需要上层规划器先拆任务，再让不同模型分别执行，但任务越长，中间出错的概率越高。

  它不完全依赖上层规划、快慢双系统或多个模型拼接，可完成超过10个原子动作级别的复杂长程任务，远超于在2到3个原子动作的Demo展示。

  因为真实机器人要服务真实世界，就必须能持续推进任务，不能做一步，停一下。

  人类拿杯子时，会自然预判：手碰到杯子后，杯子会不会滑？桌面有没有水？杯子会不会被推倒？旁边有没有障碍物？

  它不只是执行指令，还要理解世界。它会预测环境变化，再根据预测结果调整动作路径。

  理解MotuBrain，光看技术参数还不够。它背后是生数科技整个通用世界模型战略的一块重要拼图。

  去年三月，生数科技创始人朱军教授，抛出了一个大判断：「通用世界模型是连接数字世界与物理世界的桥梁。」

  它对应的是生数科技正在搭建的一个完整体系——以通用世界模型(Foundation World Model)为核心底层，基于全球首创的U-ViT架构(早于Sora的DiT架构)，不间断地积累视觉、听觉、触觉等多模态信息，形成对世界的统一认知。

  基于世界生成模型(WGM)，生数科技打造了视频大模型产品Vidu，服务全球200多个国家地区的数千万用户，合作方包括好莱坞工作室Aura Productions(用Vidu制作50集动画短剧)。

  基于世界行动模型(WAM)，生数科技构建了Motus和MotuBrain，目标是给真实世界的机器人安上一个统一的大脑，解决传统具身智能链路割裂、数据稀缺、泛化能力弱的痛点，实现真实世界下的零样本泛化与跨本体适配。

  两条线一加，生数科技形成了一个完整的闭环——预测世界、生成世界、行动于世界。

  MotuBrain双榜第一，只是这个战略图谱里的一次「亮剑」，证明物理空间这条线已经走通了。

  最近，生数科技在产业侧也动作不断。先后与无界动力、深朴智能、星尘智能达成战略合作，把MotuBrain从「实验室SOTA」推进到「机器人本体适配+真实场景落地」。

  总之，MotuBrain回答的是「通用机器人大脑能不能成立」，而生态合作回答的是「这个大脑怎么真正进入工厂、家庭、商业场景」。

  过去几年，机器人产业一直在比拼「身体」——电机更精准、传感器更丰富、整机成本更低。

  资本已经率先用真金白银投出了答案：近一年具身智能的大额融资，几乎都砸向了「做大脑」的公司。

  这是一场关于下一代「机器人操作系统」入口的卡位战，谁先建立起world+action的统一架构，谁就拿到了未来十年的船票。

  MotuBrain的双榜第一，更像是给整个行业递交了一份证据：通用机器人大脑这件事，中国团队已经走在了第一梯队。

  更让人感慨的是这股力量的来源——生数科技，在没有动用什么「营销大招」的情况下，用代码和数据正面把硅谷标杆Pi-0.5撂倒了40个百分点。

  当「预测世界」和「驱动行动」被装进同一颗大脑，机器人才真正配得上「具身智能」四个字。