盡管當前學術界和產業界對人形機器人與具身智能投入巨大，但一個嚴峻的挑戰也隨之浮現：為何當前的機器人AI，在語言能力上表現出色，但在物理行動上卻步履維艱？

▍人形機器人的局限性與理解缺失

人類真實世界是連續、高維且充滿動態變化的復雜系統。當人形機器人的任務復雜度提升——例如，讓它從“在桌上抓取蘋果”變為“在雜亂廚房里找到容器并倒一杯牛奶”這類長序列任務，機器人的模型需要處理的變量和邏輯（如判斷瓶蓋是否需要擰開、杯子是否需要扶正）急劇增加。這導致所需的數據量呈指數級增長，而系統的成功率則大幅下降。

這種困境的根源在于，大多模型跳過了對世界本質的理解，直接在數據層面進行模仿。從指令“請幫我切開這個蘋果”到機器人完成動作，中間缺失了對幾何、物理、因果關系等關鍵“中間知識”的理解。沒有這些知識，模型的泛化能力便無從談起，只能在高度受控的環境中運行，一旦進入真實、復雜的場景便會失效。

▍技術的迭代與全新度量衡

如何讓機器人在復雜的物理世界中進行有效交互，一直是具身智能領域的核心挑戰。

圖靈獎得主Yann LeCun提出了“世界模型”（World Model）的概念，他認為真正的智能必須建立在對世界運作方式的理解之上。這個模型的核心思想是讓智能體在行動前，能通過內部模擬來預見“如果我這樣做，世界會發生什么？”，從而做出更優的決策。今年，這一理念也獲得了業界的廣泛回響，涌現出眾多相關研究。

與此同時，以 Sora 為代表的視頻生成模型的驚人進展，似乎為構建世界模型帶來了曙光。如果AI能夠“看見”并“想象”出行動的視覺后果，它是否就能夠解決上述問題？然而，我們必須認識到，預測像素層面的視覺變化，與真正理解其背后的物理規律（如因果、物體恒存、重力等）之間，存在著巨大的鴻溝

當前的視頻生成模型更像是一個視覺連貫性生成器，而非精確的世界模擬器。它生成的視頻可能在視覺上看似合理，但其中的物理過程可能是失真的：一個球的彈跳可能違反能量守恒，一次碰撞可能不遵循動量定律。模型學會了“推動”與“移動”在視覺上的關聯，卻沒有理解其背后的物理因果鏈條。這種缺失對于需要與物理世界精確交互的機器人是致命的。

如果說機器人在LLM時代，其核心是“規模定律”（Scaling Law）——更大的模型和更多數據帶來更強的能力，那么人形機器人與具身智能時代則迫切需要一個新的指導原則。

跨維在此提出了一種名為“效率法則”（Efficiency Law）的新思路。該法則的核心關注點不再是靜態的數據量，而是動態的數據生成效率。即：在給定的算力和時間預算下，一個智能體能以多快的速度，通過與環境的自主交互，自動化地生成高質量、蘊含物理知識的經驗數據，并據此提升自身解決問題的能力？

“效率法則”揭示了具身智能的核心瓶頸：我們缺的不是算力，而是將算力高效轉化為有價值物理經驗的機制。依賴人類示教或真實世界互動的方式，數據生成效率極低。要實現突破，必須構建一個能自動化、高效率生成高質量數據的“學習飛輪”。

▍跨維智能的解決方案：GS-World生成式仿真世界模型

基于以上思考，跨維智能提出了一套全新的范式：GS-World（Generative Simulation World Model，生成式仿真世界模型）。

GS-World代表了一次根本性的思想轉變：與其預測世界的外在表象（像素），不如生成世界的內在機理（物理）。它不是一個視頻生成器，而是一個可交互、懂物理、可微分的動態仿真引擎。

GS-World的核心能力，是以統一的生成式框架，直接產出驅動物理世界運轉的核心要素：

? 3D資產生成：自主生成剛體、軟體、流體等物體的幾何模型與外觀。

物理屬性生成：為資產賦予質量、摩擦系數、彈性模量等真實物理參數。

? 動力學模型生成：理解并生成物體間的作用力、約束關系和運動方程。

簡而言之，當GS-World面對一個場景，它思考的不僅僅是“畫面會如何變化”，更是“構成世界的元素是什么？它們遵循哪些物理規律？施加一個力會引發怎樣的因果傳導？”。它生成的是一個可供機器人反復實驗和驗證的“物理沙盒”，而非一段被動的視頻。

實現路徑

要實現Physical AGI，我們設想了一條清晰的技術路徑：讓VLA模型學會與物理引擎“合作”，并最終讓機器人大腦成為一個“懂物理”的引擎本身。

具體而言，不再去猜測物體運動的軌跡，而是學習調用和理解一個內置的、可微分的物理模擬器。當機器人觀察一個場景時，它會學習生成該場景的3D模型、物理屬性，并設定交互規則。這個過程是“可微分”的，意味著每一次模擬的成敗都能轉化為明確的數學信號（梯度），指導模型如何修正其內部參數。通過這種方式，模型學習生成的是由物理規律驅動的、可交互的動態世界。

更進一步，機器人最終能超越人類編寫的固定規則。通過觀察真實世界，可以自主學習并歸納出難以用公式描述的復雜物理現象（如線束穿過小孔、粘性液體流動），從物理規則的“使用者”變為“發現者”和“建模者”。這極大地彌補了理想化模擬與復雜現實之間的鴻溝（Sim-to-Real Gap）。

▍技能學習的新范式：在內部物理世界中規劃與演練

擁有GS-World后，機器人學習技能的方式將發生根本性改變。它可以在行動前，在內部世界里進行數萬次零成本、超高速的虛擬演練。

1.基于“可供性鏈”的任務分解

以“倒咖啡”為例，任務需要被分解。這個分解過程基于機器人對物體物理用途的理解，我們稱之為“可供性鏈”（Chain of Affordance）推理。

? 物體可供性 (Object Affordance)：機器人從內部模型中知道杯子的位置、重量、材質以及如何抓握。

? 操作可供性 (Manipulation Affordance)：在模擬中驗證“按下”按鈕的可行性，“傾倒”咖啡所需的姿態和力度。

? 空間可供性 (Spatial Affordance)：理解杯子應被放置的區域，以及移動路徑上是否有障礙。

通過這種推理，機器人能將復雜任務自主分解為一系列物理上可行、邏輯上連貫的子任務。

2.閉環的“演練-評分-反思”

對于每個子任務，機器人在GS-World中通過強化學習或運動規劃進行優化。同時，它具“具身反思推理”（Reflective Embodied Reasoning）能力。如果在模擬中發現某一步反復失敗（例如“拿起杯子”），它會回溯并探索其他任務分解或技能執行策略，而不是盲目重試。這個“分解-演練-評分-反思”的閉環，構成了一個強大的“技能生成引擎”。

▍從虛擬到現實：通往真正可用的機器人智能

GS-World的最終價值在于解決“從模擬到現實”（Sim-to-Real）的遷移難題。

跨維智能提出的新一代VLA模型架構，其高層規劃腦（System 2）與低層執行腦（System 1）共享同一個源自GS-World的物理世界觀，確保了“思考”與“行動”在物理層面的統一。

最關鍵的是，GS-World通過學習物理本質而非視覺表象，解決了當前生成視頻類世界模型距離落地應用的核心難題。當機器人進入現實世界，與物體的運動學參數、動力學參數相關的物理法則是不變的。GS-World學習的正是這些超越視覺、連接虛擬與現實的“領域不變”知識。因此，在GS-World中學成的技能，能夠以極少調整甚至“零樣本”的方式，直接遷移到真實機器人上。

這引領我們走向一種全新的“引擎驅動學習”（Engine-driven Learning）范式。具身智能體擁有了一個永不枯竭的數據源——GS-World，可按需生成無窮無盡的訓練場景，可以在持續的自主探索中實現自我進化。我們甚至可以利用這套框架，在模擬中評估并優化機器人的硬件形態（如臂長、關節數量），實現軟硬件的一體化協同進化。

▍結語

我們正處在人形機器人與AI發展的關鍵路口：一條是繼續在數據與像素表象上進行模型訓練，追求在特定場景下的成功；另一條則是選擇更具挑戰但更穩固的道路，教會AI真正理解并掌握世界運行的根本法則——物理。

GS-World所倡導的正是第二條道路。它構想的未來是，AI不再是僅僅模仿人類行為的系統，而是能通過內部世界的物理推演來理解、預測并與世界進行創造性互動的理性行動者。我們堅信，這條路將為通往真正穩固、可解釋、可擴展的通用人工智能奠定堅實的基礎。