WRC 2026｜生数科技发布最新研究成果，提出通用世界模型五级发展路线
内容提要
生数科技朱军提出通用世界模型五级发展路线，强调理解、预测、行动三能力闭环。模型需数据、架构、算力支撑，已发布Vidu、Motus、Motubrain等产品，覆盖前三层级，未来需突破六项挑战，迈向自主决策与多智能体协作。
延伸解读
五级路线：从生成到自主决策的递进逻辑
生数科技提出的通用世界模型五级路线，从L1视频生成到L5多智能体协作，并非简单产品堆叠，而是模型自主性逐步提升的过程。L1至L3已有具体实践（Vidu、Motus、Motubrain），而L4、L5则需突破六项挑战。这一分级为行业提供了评估世界模型成熟度的参考框架，但需注意，路线图是理想化路径，实际演进可能非线性，且各层级能力需相互支撑。
数据金字塔：不完美数据的价值
文章强调构建通用世界模型需要多层数据金字塔，从网络视频到机器人交互数据，且合成数据贯穿各层。特别指出“不完美数据”（如失败尝试）同样包含有效学习信号，有助于机器人学习恢复策略。这提示读者，数据质量并非唯一标准，多样性和覆盖度同样关键。但需注意，不完美数据的利用需配合合适的训练方法，否则可能引入噪声。
Motubrain的实测表现与局限
Motubrain在RoboTwin 2.0基准测试中得分96.1，推理速度较Motus提升约10倍，且仅需50-100条人类示范即可适配新本体。这些数据展示了其在特定场景下的高效性，但基准测试成绩与实际复杂环境表现可能存在差距。文章也承认，世界动作模型仍需在更开放环境中提升稳定性与泛化能力，因此读者应理性看待当前指标。
Q&A
生数科技提出的通用世界模型五级发展路线是什么？
生数科技将通用世界模型划分为五个逐级演进的层级：L1是生成连贯的世界演化过程（如视频生成），L2是实时交互生成，L3是物理世界中的行动（如机器人动作生成），L4是自主决策，L5是多智能体协作。
通用世界模型需要哪三项核心能力？
通用世界模型需要理解、预测和行动三项能力，它们不是割裂的，而是耦合在一起的闭环反馈系统。行动会改变环境并产生新信息，进入下一轮理解、预测和决策。
构建通用世界模型需要哪些基本要素？
构建通用世界模型需要数据、架构和算力三个基本要素。数据方面需要从网络视频到真实机器人交互的多层数据金字塔；架构方面需要统一处理多模态信息，如MoT架构；算力方面需要支持大规模预训练和实时部署。
生数科技在通用世界模型方面发布了哪些产品？分别对应哪个层级？
生数科技发布了视频生成模型Vidu（对应L1）、实时交互模型Vidu S1（对应L2）、动作模型Motus和世界动作模型Motubrain（对应L3）。这些产品覆盖了前三个层级。
Motubrain相比Motus有哪些提升？
Motubrain的推理速度比Motus提升约10倍，适配新机器人本体时仅需50至100条人类示范数据，在RoboTwin 2.0基准测试中得分96.1分，位居榜首，并已在近十种机器人本体上验证。
迈向L4和L5需要突破哪些关键挑战？
迈向L4和L5需要突破六项关键挑战，包括目标形成、主动探索、持续学习和长期记忆等能力，以及提升模型在复杂开放环境中的稳定性、泛化能力和执行效率。
通用世界模型的数据金字塔是如何构成的？
数据金字塔从底层到顶层依次为：海量网络视频、特定领域视频、第一视角人类视频、带动作记录的人类示范、真实机器人交互数据。底层数据规模大、覆盖面广，顶层数据稀缺但能直接建立任务、动作与物理结果的联系。合成数据可贯穿各层，不完美数据也有价值。
生数科技在通用世界模型方面的长远目标是什么？
生数科技的长远目标是构建一个能够持续理解世界、预测不同行动后果、在明确约束下自主行动，并从真实反馈中不断学习和进化的通用基座，连接数字世界与物理世界，迈向通用具身智能。
