PG试玩

◎本报记者 崔 爽

面对一堆杂乱摆放的汽车零部件，机器人需要抓起其中一个。但如果夹爪的位置偏了几毫米，或者动作速度、接触角度发生变化，就可能影响最终结果。对机器人来说，困难的不只是“下一步该怎么做”，还包括：如果换一种动作，接下来会发生什么？

近日，光象科技联合清华大学李升波教授课题组发布第一代物理原生世界模型Phi－WM 1.0 ActEffect。该模型的一项核心思路，是让世界模型进入机器人训练环节，充当“动作后果反馈器”，帮助机器人学习不同动作可能带来的结果。

“对世界模型的评价常常聚焦‘能不能预测下一帧’，但我们更关心另一个问题——下一帧的变化，究竟是谁造成的？”光象实验室首席科学家吕尧说。在传统的机器人模仿学习中，机器人更多是从人类示范中学习动作。例如，人怎么抓取物体，机器人就学习类似动作。视觉语言动作模型（VLA）进一步将视觉、语言与动作结合起来，使机器人能够根据任务生成动作。但事实上，现实环境并不会完全按照训练数据重复。物体位置随时可能变化，抓取角度可能不同，动作执行也可能出现误差。这意味着，机器人不仅需要知道“应该怎么做”，还需要具备对动作后果的判断能力。

世界模型提供了另一种思路：对于同一个当前状态，机器人策略模块可以提出多个不同动作方案，再由世界模型分别预测执行后果；通过比较不同动作对应的结果，模型再反过来优化策略。

这也是ActEffect与单纯预测未来的一大区别。其关注的不是一个孤立的未来画面，而是建立“动作—状态—结果”之间的联系。具体而言，ActEffect能够一次性生成3个精细程度不同的动作方案，分别预测每个方案可能带来的结果，并通过比较筛选出最优方案。同时，它可以依次优化动作方案，避免虚假改进。

此外，结果的预测过程仅引入物理世界的客观观测和动作方案，不引入以语言描述为代表的任务目标信息。在吕尧看来，机器人面对的任务可以不断变化，但物理世界的基本规律不会因为任务目标或描述变化而改变。机器人需要学习的，是更底层的环境状态转移规律。

因此，光象科技将这一路线称为“物理原生智能”，强调模型不仅要从视觉等高维观测中认识环境，还要进一步理解位置、速度、接触等物理状态，并受到系统方程、对称守恒性等规律约束。

但是，一个工程问题随之出现：如果机器人每次行动都需要调用世界模型预测未来，会不会带来巨大的计算“开销”？

ActEffect的思路恰恰是让世界模型主要发挥“训练老师”的作用。在训练阶段，世界模型不断帮助策略模块比较不同动作的后果，将这种能力反馈给策略模块；到了实际执行阶段，世界模型可以退出推理链路，由策略模块直接生成动作。这也就是说，世界模型负责教机器人理解动作后果，但不需要在机器人每次行动时都重新进行一遍完整的未来推演。对于具身智能走向真实场景来说，这一点具有重要意义。

在真实生产线上，机器人面对的并不是标准化测试集，而是零部件姿态变化、环境扰动以及严格的生产节拍。机器人能否根据现场变化调整动作，是衡量其泛化能力的重要标准。

目前，光象科技公布的测试数据显示，ActEffect在LIBERO基准测试中（具身智能和机器人操作领域的一套标准化评测基准），任务成功率达到98.8％。同时，其正将相关技术路线用于工业机器人，并在汽车制造等场景开展实际验证。