首页 时政热点 科技头条 智能AI 安全攻防 数码硬件 开发者生态 归档 标签 关于
汽车 morning

华为云发布CloudRobo具身世界模型的同时也打出了三张底牌

2026-11-16 1 阅读 约10分钟阅读 科技异端
分享:
字号:
2026年,具身世界模型成了人工智能行业最拥挤的赛道之一。 海外,谷歌、英伟达接连加码;国内,智元、星海图、智源、腾讯、阿里相继下场。各家路线略有差异,但共识已经形成:让机器人先理解世界,再做动作决策。有行业媒体梳理显示,国内公开的世界模型已有59个,全球公开入场的公司达55家。 11月16日,华为云“行业AI梦工厂”发布并开源昇腾原生的具身世界模型CloudRobo-WM1.2,采用共享世界模型骨干网络实现预测增强的世界表征,基于世界模型原生DualAct架构,实现了世界模型原生动作生成,在RoboTwin 2.0、Libero Pro 2.0两项评测中均列第一。这两项基准分别由多家国内顶级高校与科研机构推出,是行业内公认的世界模型考场,全球的顶级模型都曾在此同台竞技、并轮流登顶。按华为云的说法,这份成绩单意味着:基于国产先进算力,也可以训练出世界领先的具身世界模型。 本次发布会同时宣布:CloudRobo-WM1.2的模型开源,训练框架工程代码与WAM昇腾算力代码库则面向核心合作伙伴定向开放。前者的诚意是普惠,后者的门槛是筛选——这种深度的开放策略,在国产世界模型阵营里还没有先例。对普通开发者而言,这次能拿到的,除了最新最强的世界模型,还有从复现到二次训练的完整起点;被选中的核心伙伴,则进一步握有在国产算力上训练世界模型的完整工程方法。 “昇腾原生”四个字是本次发布会最值得关注的亮点之一。世界模型是当前最吃算力栈的AI负载,此前全球顶级世界模型的完整训练链路,只在英伟达CUDA和谷歌TPU生态上跑通过。而昇腾原生意味着从核心算子、训练框架到模型架构在国产算力上整条链路协同优化并真正跑通,等于给国产算力做了一次最高强度的公开验收。华为云同时透露,华为昇腾云在具身智能市场格局中国第一,已有80%的中国具身智能企业选择昇腾云,重点高校基本实现全覆盖。 华为云的一场发布会,摆出了三张明牌:一张是新晋登顶的开源具身世界模型,一张是高度开放的具身智能开发生态,最后一张是国产算力基座扛起最高负载的成色验证。而这三张明牌的组合,让华为云提出的“硅基黑土地”的意象有了具体的形状。 世界模型的瓶颈 过去一年多,具身智能在舆论场的热度几乎没有降过。融资、发布会、Demo视频,一轮接一轮抬高外界预期。但如果把演示画面暂停,去翻几份模型的基准测试成绩单,看到的是另一幅景象。 最直接的短板在视觉。目前主流的视觉系统擅长描述“此刻镜头里有什么”,却不擅长在信息残缺时做出判断。遮挡一来,关键目标检测的得分立刻从68%跌到28%;在中等程度的相机遮挡下,3D检测的mAP从35.6滑到20.9,超过四成精度凭空蒸发。计数任务上,视觉语言模型平均退步6.28%,个别模型的错误率冲到32.5%。 镜头位置挪动同样致命。习惯固定机位的模型遇到高位视角等变化,正确率即从62.72%坠至7.62%,与盲眼作答相差无几;即便用完全视角多样性去训练,也只有34.35%。 更深层的短板藏在对运动的理解里。有模型对物体位置的理解能力接近满分(0.97/1),但对“速度”的理解能力很弱(仅0.42/1)。这就直接导致了其物理推理正确率仅为19%。即使人为干扰其速度编码后,它的输出变化不足5%。在IntPhys 2基准上,几乎所有模型都没摸到60%的及格线,而人类受试者则普遍可以达到96.44%。 感知之外,认知与行动之间的接缝同样粗糙。让模型“想清楚”和让机器人“来得及做”,眼下是两件互相拉扯的事:深度绑定的方案保住了物理直觉,响应速度却够不上实时控制的门槛;拆开跑的方案把延迟压进几十毫秒,又得靠额外的对齐模块去填补成功率缺口;折中的分层设计两头兼顾,代价是整套系统的复杂度与协同成本同步抬升。三条技术路线,没有一条能以低成本兑现判断质量和反应速度。 模型能力瓶颈的背后,压着一块共同的基石:数据。真机数据在业内被视作无可替代的标尺,投入产出比惊人,掺入10%便能显著拉升成功率。然而其采集成本在一小时500到2,000元之间,来源五花八门,完整标注更难批量完成。训练管线若对模态齐全度卡得太死,存量的海量视频、动作轨迹和传感器记录就只能在硬盘里沉睡。谁能先把这批“不合规”的数据喂进训练,谁就握住了别人没有的弹药。 数据难题还会被硬件差异进一步放大。同一套动作指令,换一台机器人执行,含义就偏了。把不同本体的数据在数值空间里直接拼接,实测结果相当难看:成功率可以从98%直接塌方到18%,在个别极端案例中强行统一接口,成功率只剩个位数。数值层面的粗暴合并,实践中已被证伪,可行的路径是要在语义层面对齐动作。 最终,这一切都还要过算力这一关。世界模型推演未来的速度,与机器人实时响应的要求之间,差着一到两个数量级。单次决策耗时从几百毫秒到数秒不等,渲染一段未来影像要吞掉接近20 GiB显存。这已经不是工程优化能抹平的差距,而是必须在架构层面正面处理的时延断层。 把这几层串起来,卡住具身智能的,不是模型规模再上一个台阶,而是感知方式、数据效率和系统架构这三处地基。 CloudRobo-WM1.2的解法 如果说前文那些基准测试成绩描述的是整个行业的共同困境,那么CloudRobo-WM1.2端出来的五项技术能力,几乎可以逐条对号入座。 在视觉感知方面,PPA(Perceive-Predict-Act)多模态世界表征架构将RGB视频、语义特征、深度信息与点云揉进同一框架,并引入面向未来状态的多模态预测监督。实际效果上,模型识别出一个杯子的同时,还要回答“推它一把会往哪边动、会不会倒”这类尚未发生的问题。感知系统被迫从“描述此刻”升级为“推演下一秒”。而预判物理交互结果,正是真正理解物理规则而非只是记住物理状态的重要标志。 在动作生成方面,DualAct(Dual-path Unified Expert Training)世界原生双路径动作架构,在同一个理解世界的大脑下构建起两条动作生成路径:World generator世界骨干负责高精度的动作预测,Action expert动作专家负责高效直接的动作生成——好比人既有需要斟酌的精细控制,也有不假思索的膝跳反射。两条路径采用统一的动作监督目标,让世界模型的认知能力与机器人的动作生成,在同一个学习体系里结合。 在数据利用方面,CloudRobo-WM1.2的多粒度监督数据自适应预训练框架不再要求每条样本模态齐全,而是按手头数据实际具备的有效信息来组织监督。动作标注缺失、部分维度无效、深度信息或相机视角不完整的数据均可被兼容,不必丢弃。对行业里来源五花八门的海量存量数据来说,这种“有什么用什么”的训练姿态,直接决定了异构数据能否跑出规模效应。 在跨本体泛化方面,CloudRobo-WM1.2保留了机器人96维与人类168维运动的原生物理语义,没有把它们压进一个统一数值空间;转而通过Embodiment条件化,让同一个共享模型学会分辨不同形态机器人各自的“运动方言”。单臂、双臂、轮式底盘的数据由此可以放进同一个训练池,既共用知识,又不互相污染。 在算力优化方面,四模式按需激活的弹性推理,像点菜一样匹配不同的算力预算与时延容忍度:研发调试阶段用全面高精度模式(Joint+World Action),换取可解释性;在线执行
这篇文章对您有帮助吗?

订阅66必读

每日精选科技资讯,直达你的邮箱