剛剛，國產AI雙冠王！黑馬世界模型打破全球紀錄，一鏡到底封神

新智元報道

編輯：KingHZ Aeneas

【新智元導讀】世界模型黑馬橫空出世！就在剛剛，生數科技的MotuBrain零宣發登頂雙榜，直接打通「看懂世界+執行行動」，而且不同的是，他們把World Action Model適配多個頭部機器人本體，完成多個長程任務，這是國產AI的硬核突圍！從此，具身智能徹底邁入新紀元。

就在剛剛，世界模型圈又闖出一匹黑馬！

悄無聲息地，它就拿下了兩個世界第一。

在WorldArena中，總體EWM Score達到63.77，排名第一（截至本月中旬左右）。

在RoboTwin2.0的Clean和Randomized兩個場景下，它分別拿下了95.8和96.1，同樣排名第一。

而且，它是百分百的零宣發。

這些榮譽，屬于同一個模型——MotuBrain。

它出現得極其反常：沒有Logo、沒有發布會、沒有融資稿，連X賬號都是新注冊的。

就這么一聲不響地，同時爬上了兩個國際權威榜單的頂端。

更離譜的是，這兩個榜單彼此根本不挨著——一個考「你能不能真正看懂世界」，一個考「你能不能在世界里穩定干活」。

過去幾年，行業把它們叫作「兩個極點」：做世界模型的看得懂、動不了；做VLA的能動手、想不遠。

同時拿下兩個第一，業內前所未有。

具身圈猜測刷屏：這是阿里「快樂生蠔」翻版？字節憋的大招？或者華為的暗手？還是李飛飛World Labs的中國分舵？

直到謎底揭開，所有人都沒想到——國產生成式AI公司生數科技。

而且他們沒有止步與此，現在已經把world action model適配多個頭部機器人本體，應對多種任務、建模多個長程任務。

這是工業級的demo，和其他的刷榜模型絕對不一樣。

神秘面紗揭開

國產AI領先硅谷巨頭

事情得從去年12月說起。

那時候，生數科技聯合清華大學開源了一款叫Motus的大一統世界模型。

論文鏈接：https://arxiv.org/abs/2512.13030

項目主頁：https://motus-robotics.github.io/motus

Motubrain官網：https://www.shengshu.com/zh/motubrain

才剛剛發布，Motus就已經在圈內小小震動了一下。

因為它在架構上把五種本來彼此割裂的具身智能范式，擰成了一個「看-想-動」的閉環：

VLA(視覺-語言-動作)、世界模型、視頻生成、逆動力學、視頻-動作聯合預測。

這種統一世界-動作建模，通過一個模型統一建模視頻「video」與動作「action」，使之前彼此割裂的5種方法都成為同一建模框架下的不同推理模式。

與以往方法不同，Motus聯合建�！敢曨l」和「動作」，學到的不再是機械反應，而是任務目標、環境變化、以及動作會帶來什么后果這三者之間的深層世界知識。這讓它更能適應新環境和新任務。

Motus引入「潛動作」機制，能從無標簽的互聯網視頻、人類操作視頻中提取通用的「運動規律」。

潛動作變分自編碼器 (Latent Action VAE)。這是一種基于光流的表征方式，通過變分自編碼器架構將視覺動力學（visual dynamics）與控制信號相銜接

這讓它可以利用近乎無限的海量數據來預訓練，極大豐富了先驗知識。

具身數據金字塔。展示了從互聯網數據（第一層）到目標機器人演示數據（第六層）的六級數據層級結構，其任務相關性和數據質量隨層級逐級提升。

基于「專家混合」，Motus引入了混合Transformer (Mixture-of-Transformer, MoT) 架構，巧妙融合了視頻生成、語義理解、動作生成三個已有的高性能基座模型。

這相當于讓模型同時擁有了「想象力」、「理解力」和「執行力」。

Motus表現出了正向的規模效應，即學習的任務越多、數據越豐富，模型掌握的可遷移世界知識就越多，在新任務上的平均成功率反而越高。

這是它學到了通用規律而非死記硬背的有力證據。

在50項通用任務測試中，Motus的平均成功率高達88%，在當時的RoboTwin2.0上直接霸榜。

但Motus還是起點，MotuBrain才是它進化后的「完全體」——

一個面向真實世界的通用世界行動模型(World Action Model，WAM)，具備多本體、多任務、長程執行能力。

在Motus的基礎上，MotuBrain更上了一層樓。

• 視覺統一：支持任意數量/任意視角的視覺建模，不再依賴固定的相機配置。

• 語言融合：獨立的語言理解通路直達底層控制，讓指令遵循直接融入動作生成。

• 本體泛化：統一的動作表征打通不同機器人本體，學到的是可遷移的行動規律。

• 長程執行：自回歸＋擴散與語言-動作-視頻三流MoT，直接用超過10個原子動作的長序列完成任務，擺脫對上層任務拆解的完全依賴。

• 實時推理：超大參數規模的具身基座模型通過云邊端協同實現實時閉環控制。

簡單說：Motus證明了「路走得通」，MotuBrain證明了「我已經在這條路上跑出了世界第一」。

在Motus的基礎上，MotuBrain作為商用模型版本，進一步面向真實機器人場景完成系統升級，將World Action Models從技術驗證推向更通用、更可落地的具身智能大腦。

為什么這件事讓具身圈如此震動？因為在過去一年里，這條賽道擠滿了頂級玩家。

大家都在搶同一個高地：怎么把「預測世界」和「驅動行動」放進同一個大腦。

結果，生數科技搶先做到了。

MotuBrain

理解世界，預測世界，行動于世界

下面的demo，詳細展示了全球第一的世界模型已經進化到了多么強大的地步，全部任務一鏡到底。

裝上MotuBrain的機器人給我們演示了一把這個操作：把花插入花瓶中，然后開始用噴壺噴灑清水。

這個操作難度在哪里？

傳統機器人方案通常需要一個昂貴的「上層大腦（VLM）」負責拆解指令，再由底層驅動去執行，這種「拼湊感」往往導致動作斷檔。

而MotuBrain實現了一腦貫通：它無需額外視覺語言模型的輔助，僅憑自身即可直接建模復雜的長程任務，讓「從插花到澆水」的邏輯轉換如同人類本能般絲滑。

另一位機器人，則在插花機器人的身后整理沙發。

它先將沙發上的衣物放入洗衣籃，然后將靠枕擺回原位，過程中還要彎腰撿東西，這都體現了全身動作的協調性。

接下來，還有更上難度的操作！

只見機器人大廚從鍋中舀出了一份丸子放入碗中，同時還倒了一杯果汁。

這個過程人做起來很容易，但對機器人來說，要克服一系列難關。

對人類而言，勺子沒撈到東西就再試一次是常識；但對機器人，這涉及極其復雜的閉環感知。

比如，它需要理解當前勺子的空的，通過物理推演意識到「目標未達成」，然后還要預測自己需要重新執行撈取動作。

甚至，機器人的左右手還要同時執行不同的任務。

這種「一腦預見」能力，本質上是機器人對真實物理世界的深度建�！粌H在看，更在預測物理世界的走向，并以此驅動行動。

下面這個調酒機器人，使用了基酒和牛奶調制了一杯雞尾酒，然后嫻熟地放在了托盤上，這是一個極其復雜的長程任務。

另外，機器人還能整理洗漱臺。只見它將牙刷準確地放入杯中，還把肥皂放回原位。

這些操作對于很多機器人來說，都難度很大。

液體流變、精細抓取，包括疊衣服過程中的織物形變……每一個動作背后的物理反饋邏輯迥然不同。

以往，業內需要為每個場景單獨訓練模型，但MotuBrain卻展示出了卓越的「一腦多能」能力，只要一個模型，就可以應對多種任務。

更令人驚喜的是，MotuBrain還能做到一腦多型，一個模型就能適配不同的機器人。

這意味著它不是某個特定硬件的專屬，而是一個通用的「數字靈魂」。

同一個模型，可以瞬間適配各種形態、各種自由度的機器人硬件，讓AGI真正走入現實物理世界。

雙榜第一，到底意味著什么？

讓我們認真看看這兩個榜單的含金量。

WorldArena：機器人看得懂世界嗎？

這個榜單測的是「機器人對真實物理世界的理解到不到位」。

MotuBrain在這里拿下63.77的EWM Score，排名第一，超過了國內外的同類模型。

更值得玩味的是它領跑的幾個細分維度：

• Motion Quality第一——動作真的「在動」，絕非看起來像動的視覺特效

• Flow Score第一——前一秒和后一秒能絲滑銜接，而非逐幀拼接的PPT

• Motion Smoothness第一——動作符合真實物理規律，不會突然抖一下、突然加速

這三個指標都和「運動」直接相關。

對一個未來要服務機器人的世界模型來說，這才是真本事——畫面再美，機器人執行時一抖手湯就灑了，等于零。

RoboTwin2.0：機器人能在世界里干活嗎？

如果說WorldArena考「理論」，RoboTwin2.0就是考「實操」。

在Clean(干凈)和Randomized(隨機擾動)兩個場景下，MotuBrain分別拿到95.8和96.1——是榜單上唯一一個在隨機環境下平均分超過95的模型。

在接近一半的具體任務里，它都達到了100或接近100的成績。

跟誰比？JEPA-VLA、Pi-0.5——這些都是行業內大家熟悉的硬茬。

結果，MotuBrain在RoboTwin上的表現，用一個詞形容就是「碾壓」。

把兩份成績放在一起看，意思就很清楚了：MotuBrain既看得懂世界，又能在世界里穩定干活。

這不是單點強，而是一種系統級的、接近「通用機器人大腦」的能力特征。

MotuBrain：為行動而生

過去兩年，具身智能走了幾條不同的路：

• VLA路線：把視覺、語言、動作塞進一個模型（如Pi系列）。

• 「先想象，再行動」：用視頻模型預測未來，再指導動作。

• 「邊推演邊行動」：同步生成未來狀態與當前動作（如Motus和英偉達DreamZero）。

各有亮點，但都有同一個天花板——局部統一。

VLA學動作模式，世界模型學預測能力，彼此拼接、對齊，終究是五個�？漆t生會診。

MotuBrain走的是另一條路：真正的大一統。

它基于自研UniDiffuser架構，將視頻和動作兩個連續模態從底層統一建模。

一次訓練，同時學會五種能力：VLA、世界模型、視頻生成、逆動力學、視頻-動作聯合預測。

正因為大一統，MotuBrain能吸收多模態異構數據——課本、視頻、生活觀察、跨學科交流。而VLA只能從特定機器人的純任務軌跡里學習。長期看，差距是數量級的。

通過MoT架構，MotuBrain融合了視覺、語言、動作三種模態。

VLA只有「靜態理解」，看到一個杯子，知道「這是杯子」。

MotuBrain還能預判：「如果我推它一下，它會怎么倒、湯會怎么灑。」

一腦多能：一個大腦，應對多種任務

很多機器人模型沒法同時做多個任務。

任務一多，成功率就容易下降。

MotuBrain 的目標是讓同一個模型處理更多任務。

更重要的是，隨著任務數量增加，模型在不同任務之間學習共享的世界知識。

比如抓取、移動、放置、組合、連續操作，看起來是不同任務。但背后都有共同規律：物體會受力，動作有先后，而且環境會變化，錯誤需要調整。

這些規律被模型學到之后，就能遷移到新任務里。

這就是多任務泛化能力。

實驗證明：隨著任務數量增加，Pi-0.5成功率持續下降（過擬合任務軌跡），而MotuBrain成功率持續上升——這說明它學到了跨任務的通用世界知識。而且上升的曲線越陡峭，說明模型泛化性越高，這是 MotuBrain 相比Motus的進一步跨越。

一腦多型：一個大腦，適配多種機器人

現實世界里，機器人有很多形態，比如雙臂機器人、移動機器人、人形機器人、機械臂。

它們的身體結構不同，動作格式也不同。

然而，傳統方法常常是「一個機器人，一個模型」。換了本體，就要重新適配；換了硬件，又要重新訓練。

MotuBrain，就是想要打破這個模式。

它通過統一action表征，把不同機器人本體的動作數據放進同一個框架里學習。

這樣，模型學到的就不只是某一臺機器人的動作格式，而是更通用的行動規律。

生態里的機器人種類越多，場景越豐富，數據越多，模型能力還可以繼續提升。反過來，模型能力提升后，又能幫助更多機器人提升表現。這會形成一個正循環。

一腦貫通：長程任務，一路到底

不過，在現實世界中，真實任務很少只有一步。

機器人要做的不僅僅是「拿起杯子」，它可能要先找到杯子—>再避開障礙—>再抓起杯子—>再移動到指定位置—>最后放穩。

這是一條完整的任務鏈。

傳統方法往往需要上層規劃器先拆任務，再讓不同模型分別執行，但任務越長，中間出錯的概率越高。

MotuBrain的特點就是，可以直接學習完整任務鏈路。

它不完全依賴上層規劃、快慢雙系統或多個模型拼接，可完成超過10個原子動作級別的復雜長程任務，遠遠超過在2到3個原子動作的Demo展示。

這一點非常關鍵。

因為真實機器人要服務真實世界，就必須能持續推進任務，不能做一步，停一下。

實驗證明：隨著數據總量增加，MotuBrain穩壓Pi-0.5一頭。

一腦預見：預測世界，驅動行動

此外，機器人執行動作，最怕的就是只看眼前。

人類拿杯子時，會自然預判：手碰到杯子后，杯子會不會滑？桌面有沒有水？杯子會不會被推倒？旁邊有沒有障礙物？

這些判斷，決定了動作是否穩定。

而MotuBrain的目標，就是讓模型具備類似的預見能力。

它不只是執行指令，還要理解世界。它會預測環境變化，再根據預測結果調整動作路徑。

所以，它的能力可以總結成一句話：預測世界，也驅動行動。

生數的世界模型大局觀

從數字世界，到物理世界

理解MotuBrain，光看技術參數還不夠。它背后是生數科技整個通用世界模型戰略的一塊重要拼圖。

去年三月，生數科技創始人朱軍教授，拋出了一個大判斷：「通用世界模型是連接數字世界與物理世界的橋梁。」

這句話不是空話。

它對應的是生數科技正在搭建的一個完整體系——以通用世界模型(Foundation World Model)為核心底層，基于全球首創的U-ViT架構(早于Sora的DiT架構)，不斷積累視覺、聽覺、觸覺等多模態信息，形成對世界的統一認知。

在這個底座之上，生數科技走出了兩條腿。

數字空間：Vidu——在屏幕里「生成世界」

基于世界生成模型(WGM)，生數科技打造了視頻大模型產品Vidu，服務全球200多個國家地區的數千萬用戶，合作方包括好萊塢工作室Aura Productions(用Vidu制作50集動畫短劇)。

這條線解決的是「數字內容怎么被高效生成」的問題。

物理空間：Motus/MotuBrain——在現實里「行動于世界」

基于世界行動模型(WAM)，生數科技構建了Motus和MotuBrain，目標是給真實世界的機器人安上一個統一的大腦，解決傳統具身智能鏈路割裂、數據稀缺、泛化能力弱的痛點，實現真實世界下的零樣本泛化與跨本體適配。

兩條線一加，生數科技形成了一個完整的閉環——預測世界、生成世界、行動于世界。

MotuBrain雙榜第一，只是這個戰略圖譜里的一次「亮劍」，證明物理空間這條線已經走通了。

最近，生數科技在產業側也動作不斷。先后與無界動力、深樸智能、星塵智能達成戰略合作，把MotuBrain從「實驗室SOTA」推進到「機器人本體適配+真實場景落地」。

總之，MotuBrain回答的是「通用機器人大腦能不能成立」，而生態合作回答的是「這個大腦怎么真正進入工廠、家庭、商業場景」。

從「造身體」到「造大腦」的產業拐點

過去幾年，機器人產業一直在比拼「身體」——電機更精準、傳感器更豐富、整機成本更低。

但真正卡住所有人的，一直是大腦。

資本已經率先用真金白銀投出了答案：近一年具身智能的大額融資，幾乎都砸向了「做大腦」的公司。

這是一場關于下一代「機器人操作系統」入口的卡位戰，誰先建立起world+action的統一架構，誰就拿到了未來十年的船票。

MotuBrain的雙榜第一，更像是給整個行業遞交了一份證據：通用機器人大腦這件事，中國團隊已經走在了第一梯隊。

更讓人感慨的是這股力量的來源——生數科技，在沒有動用什么「營銷大招」的情況下，用代碼和數據正面把硅谷標桿Pi-0.5撂倒了40個百分點。

未來的故事還很長。

當「預測世界」和「驅動行動」被裝進同一顆大腦，機器人才真正配得上「具身智能」四個字。

而這件事，中國團隊已經在領跑。