朱军团队给世界模型定了五级台阶：Motus2 站在 L3，用 13 万小时第一视角学「动手前先想一遍」

理解、想象、行动的三环闭环

「世界模型」是 2026 年 AI 圈最没有共识的词：连续生成的视频叫世界模型，实时变化的数字环境叫世界模型，潜空间里预测未来状态的系统、直接输出机器人动作的策略，都在用这个名字。机器之心 9 月 11 日的拆解开篇就把这个问题摆上台面——**画面可以足够逼真却违背物理规律，机器人能完成一次抓取也可能只熟悉实验室的机位和轨迹**，仅靠 Demo 无法回答一个系统学到的是视觉相关性、物理结构，还是行动与结果之间的关系。

朱军团队的论文给出了一个收敛框架：通用世界模型要形成三项核心能力的闭环——**理解**（把视觉、语言、声音、触觉或机器人传感器信息整合成对当前世界的内部判断）、**想象**（从当前状态推演多个可能未来，尤其是「如果我做动作 A 而不是 B，结果会怎样」）、**行动**（把预测变成对环境的干预，并用新观测检验修正模型）。视频生成只是这个闭环里「想象」的一部分，回答不了带行动条件的因果预测。

这个框架不是凭空来的：从 Kenneth Craik 1943 年「头脑中的小尺度模型」，到强化学习的 POMDP 建模，再到李飞飞 World Labs 的渲染器/模拟器/规划器分类与 LeCun 的 V-JEPA 潜空间路线，论文把中美两条技术脉络都纳入了坐标，然后给出自己的五级台阶。

L1 到 L5，每级都有可检验的问题

论文用一只被推到桌边的玻璃杯解释五级路线：**L1** 生成杯子滑落、撞击、碎裂的连续画面；**L2** 在用户改变视角、改变推动方向后继续演化这个世界；**L3** 判断杯子是否要掉、预测伸手是否来得及，并输出机器人真正可执行的抓取动作；**L4** 不再等人指令，主动发现风险、补充信息、失败后修正策略；**L5** 面对多主体协作——谁去抓杯子、谁去避障、谁来调配工具。

论文的判断很冷静：**现有系统已触及前三层级，L4 和 L5 仍是开放问题**，主要缺口包括因果与物理接地、持久记忆、在线学习、高效部署和安全控制。数据侧则给出金字塔结构：底层是互联网规模视频（世界知识先验），向上依次是领域视频、第一视角人类视频、带动作记录的人类示范，顶层是真实机器人交互数据——越往上越稀缺，但动作与任务的对应关系越清楚。

先心灵，再手巧

9 月 10 日下午的 2026 Inclusion·外滩大会「世界模型是 AI 走向物理世界的新大陆吗」见解论坛上，生数科技 CEO 骆怡航现场发布了面向灵巧操作的通用世界模型 **Motus2**。按机器之心的拆解，它的关键设计是**不做三套独立系统**：以一套共享参数的视频—动作模型，暴露三个控制接口——**策略**提出可执行的候选动作，**模拟器**预测这些动作在视觉世界中的后果，**评估器**判断哪种结果更接近任务目标并用于选择与改进。执行之后，成功、失败和不那么理想的结果都回流为下一轮建模与价值学习的证据。

数据路径是分层的：从单目第一视角视频扩展到同步双目第一视角数据，再用机器人数据完成本体适配——**约 13 万小时人类第一视角记录，加上超过 100 小时的机器人轨迹与人机对齐数据**。执行侧另配一个独立的**轻量触觉专家**，对即将执行的短动作做细化并预测接触后的力反馈：视觉看清物体在哪、世界怎么变，触觉补上压、碰、抓、旋的「最后一厘米」。此外引入记忆机制，应对遮挡、环境变化与连续操作中的状态保持。

架构底座是 **MoT（Mixture-of-Transformers）**：不同模态保留各自的专家参数，通过共享注意力机制交换上下文，避免海量视频数据压制稀缺的机器人信号。

分级是尺子，不是勋章

对比看，本站此前写过的光象 Phi-WM（训练完就退场的世界模型，80.3% 留在部署之外）与小米 U0（生成模型而非策略模型）分别在尺子的不同位置：Phi-WM 验证了「预测准 ≠ 部署可用」，U0 明确只做 L1 的场景生成。Motus2 的差异化在于把**评估器**和**触觉反馈**塞进闭环，向「从失败中学习」迈了一步——但它自己承认仍处在 L3 向 L4 延伸的阶段，验证集中在特定机器人与操作任务，自主目标形成、持久记忆、开放环境泛化都还是欠条。