来源:MIR 睿工业
随着物理 AI 和世界模型持续发展,人工智能正从感知与生成向物理世界中的理解、推演和决策延伸。对于工业制造而言,如何让机器人理解物理环境、预测交互结果,并将虚拟训练能力迁移至真实产线,成为具身智能落地的关键课题。
围绕这一技术趋势,MIR睿工业开展专题研究,并邀请香港科技大学郭嵩院士、埃斯顿总裁吴侃及飞渡科技董事长何文武展开深度访谈,探讨世界模型驱动具身智能走进工厂的技术路径与产业实践。
三方核心观点:从世界模型到工业物理 AI,打通技术与产业的最后一公里
香港科技大学郭嵩院士:"工业场景是物理AI最优试验场。团队提出 PAL 物理对齐学习框架,主张构建 "仿真预训练 — 真机校准 — 失败案例回流仿真" 的数据闭环,走渐进式工业落地路线,优先夯实工业底座,再支撑人形等具身载体发展。"
埃斯顿总裁吴侃:"物理AI在制造现场可以提高柔性、效率与安全,这是其最终的产业价值所在。埃斯顿将依托机器人本体、控制系统和真实产线验证能力,推动仿真训练成果向真机迁移,优先解决工业场景的柔性制造需求。"
飞渡科技董事长兼 CEO何文武:"工业物理AI离不开真实数据和物理可信的仿真环境。飞渡将承接港科大世界模型的预测、训练需求,对接埃斯顿的真机工艺参数,保障仿真和真机之间动力学、接触特性的一致性,支撑 "仿真预训练、真机校准、案例回流" 的数据闭环落地。"
以上为MIR 睿工业基于整场访谈内容梳理提炼三位嘉宾核心主张,便于读者快速把握本次产学研联合体的技术定位、产业诉求与长期战略方向,完整问答实录详见后文。
深度访谈:世界模型与物理 AI 方向
Q1 世界模型如何驱动具身智能真正走进工厂?
我们了解到,本次签约由港科大牵头探索世界模型与具身智能的技术范式,埃斯顿提供工业机器人本体与真实产线验证场景,飞渡提供工业级仿真底座支撑。那我们想请教三位回答一个核心问题:世界模型如何驱动具身智能真正走进工厂。我们先把主线交给港科大郭嵩院士。郭院士,先请您给两个关键词下个定义:什么是世界模型,什么是物理 AI,为什么把它们放在一起讲?
郭嵩院士:世界模型是机器对物理世界运行规律的内部表征,它在机器人学习中有两种角色。一是作为外部模拟器,为数据生成、策略评估、模型预测控制和强化学习提供虚拟环境;二是作为机器人策略或者视觉 - 语言 - 动作(VLA)模型中的内部预测模块,帮助机器人进行动作生成、因果推理和具身决策。物理 AI 则要回答两个根本问题:世界接下来如何变化,实体做出动作之后世界会如何反应。把两者放在一起,路线就很清楚了:先构建一个可推演的虚拟世界,让机器在里面学习,再把学到的能力迁移回真实世界。
从学术脉络上看,这也是 AI 范式的一次关键跃迁:从感知、生成式 AI"看懂、生成画面与文本",升级到能够预判物理因果、承担具身决策。很多讨论容易把世界模型简化成高质量视频生成,这是一个很大的认知偏差 —— 工业场景里,可推演、可验证,远比视觉逼真更重要。
吴侃:郭院士这个定义,我在工业场景里听过最朴素的版本。工厂不关心世界模型这个词,他们关心的是机器人换型还要不要停线三天,新工件来了还要不要老师傅重新示教。如果虚拟世界里练出来的本事能直接搬到产线上,少停一天线,就是实打实的利润。物理 AI 这个词在车间里的翻译,就是柔性,就是效率,就是安全。
Q2 为什么选择三方一起搭建联合体?
郭院士,基于您提出的工业物理 AI 路线,为什么选择联合埃斯顿、飞渡一起搭建这个联合体?
郭嵩院士:工业物理 AI 不能只停留在论文和仿真演示,完整闭环需要三类能力叠加:理论框架与评测体系、真实机器人本体与产线验证、物理可信的仿真环境。我们三方的联合体,港科大负责定义整套技术范式、世界模型算法和验收标准;埃斯顿作为本土头部工业机器人厂商,具备量产本体、控制链路和海量一线工艺场景,是技术落地的载体;飞渡长期深耕工业仿真与空间数据底座,能够搭建物理对齐的虚拟训练场。三者组合,才可以打通 "算法研发→仿真预训练→真机迭代验证" 的闭环,把我们提出的工业物理 AI 路线落地验证。
何文武:我们的定位是这条技术闭环里的仿真底座支撑。港科大提出的这套工业世界模型范式,对仿真环境的物理精度、交互可推演性要求很高,这正是我们长期积累的方向。世界模型要走进工厂,光有模型算法不够,要有真实世界的数据、物理可信的仿真环境,还要有真实产线和真实机器人去检验。这三样正好分属我们三家。模型能力可以采购,但行业数据和业务闭环沉淀出来的能力,买不来。
Q3 物理AI何时迎来爆发式发展?
接郭院士这个判断,有网友追问了一个更尖锐的问题。黄仁勋在 CES 2026 上说物理 AI 的 ChatGPT 时刻已经到来,提出物理 AI 的三大技术支柱 ——Newton 物理引擎、Cosmos 世界基础模型、GPU 加 LPU 混合算力架构,并预言未来一切移动的物体都将变成机器人。郭院士,您怎么看这个时间表与判断?
郭嵩院士:我先回应这个判断。物理 AI 进入产业爆发期这个大方向,我是认同的,但我们必须区分"概念拐点"和"工业落地拐点"。ChatGPT 式的消费级爆发,依赖标准化输入、低容错、规模化 C 端用户;工业物理 AI 恰恰相反,每一条产线都是独特的约束系统,安全、工艺、合规的门槛极高。黄仁勋提出的三大支柱,是算力与仿真底座的路线;但工业世界模型的核心瓶颈不在渲染算力,而在物理对齐、不确定性量化、真机迁移这一层,这也是我们港科大团队主攻的方向。很多人期待物理 AI 在一两年内大规模普及,学术上的能力验证会很快,但稳健的工业落地注定是渐进式的。
Q4 怎么看待物理交互数据的价值、以及仿真数据与真机数据的互补关系?
部分人士讨论最多的一个话题,数据。多位作者都提到物理交互数据是这个世界最稀缺的资产,真机采集的速度和墙上钟表走的速度一比一。郭院士,从学术研究视角,您怎么看待物理交互数据的价值、以及仿真数据与真机数据的互补关系?
郭嵩院士:物理交互数据确实是稀缺资产,但我们不能陷入 "只有真机数据才有用" 的误区。真机数据成本高、危险工况难以采集、长尾样本极度匮乏;仿真数据的价值,就是低成本生成海量多样化交互样本。但仿真数据有一个致命前提:必须经过物理对齐。没有对齐的仿真数据,喂给模型只会带来分布偏移,模型在虚拟环境表现很好,一上真机就失效。这也是为什么我们把动作一致性、物理可信性作为世界模型工业化的前置约束。仿真不是替代真机,而是构建 "仿真预训练 — 真机校准 — 失败案例回流仿真" 的闭环。在这个闭环里,真机数据承担的是校准锚点,而不是全部训练素材。
吴侃:埃斯顿侧的工艺数据也是这个逻辑。现在这些参数经过脱敏和抽象,变成仿真世界的工艺基准,新工艺先和基准比,偏差大的地方直接暴露问题。数据资产化,埃斯顿才刚上路,联合体的场景库让这件事第一次变得可操作。
何文武:飞渡长期聚焦机器对真实物理世界的理解,核心是高精度可校准仿真底座,承接港科大世界模型算法需求,对接埃斯顿机器人工艺与真机数据,完成动力学、材质等物理参数对齐,支撑这套数据闭环,让仿真数据具备工业物理AI训练所需的可信度。
世界模型驱动的具身智能|核心技术应该是什么
PAL 物理对齐学习框架:连接预测、学习与决策
Q5 物理对齐技术如何支撑工业落地?
郭院士刚才提出四条要求,也提到团队首创的物理对齐技术。这套框架具体怎么运转?为什么说它是工业落地的方法论?
郭嵩院士:先交代一句背景。我是香港科技大学物理人工智能中心主任、计算机科学与工程学系讲席教授,研究方向是人工智能、边缘智能与分布式计算,也是加拿大皇家科学院院士、加拿大工程院院士、欧洲科学院院士、IEEE Fellow。港科大物理AI中心有一支跨领域跨专业的核心科研团队,包括毕业于清华大学、北京大学、南京大学、中科大和复旦大学等国内顶尖高校的在读博士、博士后。回到正题:机器人本体和训练场已经就绪,能力怎样落到真机,是今天真正的关口。横在前面有三道:第一是虚实交互偏差,接触、摩擦、形变的偏差会改变动作结果;第二是反复练习代价高,试错、复位和真机验证持续占用时间与设备;第三是多步目标难以连贯执行,当前动作需要衔接下一阶段的目标状态。针对这三道关口,我们提出 PAL 物理对齐学习框架,分三层逐级递进。

郭嵩院士:L1 是预测性物理认知,核心工作是 IRASim,发表于 ICCV 2025。它预测动作引发的物理变化,对接触、滑移、形变做细粒度预测,而不是只输出画面;把模型预测与真实录像对照,校验接触位置、滑移趋势、受力形变是否对齐。NVIDIA Cosmos 最早把 IRASim 用作动作条件预测的标准对比基线。L2 是自适应行为学习,核心工作是 WMPO,发表于 ICLR 2026。它在世界模型内部完成强化学习试错,把绝大多数试错放在仿真,真机只用于校准与检验;DreamDojo 引用 WMPO,讨论通过策略试错扩展动作覆盖。L3 是目标驱动任务决策,核心工作是 HALO,发表于 ICML 2026。它统一文字推理、子目标与连续动作,用具身思维链把长任务拆成可执行的子目标;NVIDIA Cosmos 3 在具身统一模型的相关工作中引用 HALO。
我们用工业插装作为 PAL 的典型任务案例,说明这套框架如何连接预测、学习与决策。把连接器准确插入接口,任务被拆成定位、对齐、插入、检查四步;世界模型先预测接触后果,动作碰偏受阻时识别异常,主动回退重新对齐,再对齐插入,最后通过交互与评测反馈完成闭环。这四步走完,就是 L1 预测、L2 学习、L3 决策在一条产线上串起来的全过程。
Q6 工业级世界模型的核心技术要求是什么?
第一部分我们讨论技术内核。郭院士在多次学术报告中把世界模型驱动的具身智能作为主线,您提出的判断是,真正有用的机器人世界模型不能只追求视觉上合理的生成结果。请您展开讲讲,工业级世界模型的核心技术要求是什么?
郭嵩院士:四条要求。第一是动作一致性,模型预测的世界演化要和机器人真实动作的结果一致,动作参数要从虚拟环境直接迁移到真机。第二是物理可信性,重力、摩擦、碰撞、材料这些物理规律在模型里要立得住,工业场景里这一步是进控制闭环的前提。第三是不确定性感知,模型要知道自己在哪类场景下不可信,该降权就降权,该触发重新推演就重新推演。第四是高效预测,推理成本要压下来,世界模型才能从实验室的昂贵玩具变成可部署的工业组件。我们团队首创的物理对齐技术,把生成式视频模型升级为可交互的世界模型,标志 AI 从看世界迈向动手改变世界,但这四条要求缺一条,工业现场就用不了。
这里我想补充一点:很多研究把世界模型做成独立的生成模型,单独评测生成画面质量;但面向具身智能的世界模型,评价指标不应该是观感,而是动作迁移成功率、预测误差边界、不确定度标定精度。这一套评测体系,正是港科大团队在联合体里面重点搭建的工作。没有配套评测标准,我们无法判断一个世界模型能不能下产线。
Q7 为什么 2026 年,工业具身智能开始集中落地?
在展开四条要求之前,先问一个时间问题。世界模型这个概念并不新,为什么偏偏在 2026 年,工业具身智能开始集中落地?
郭嵩院士:三个条件在今年同时成熟了。第一个条件是模型能力,生成式视频模型经过两年迭代,已经能产出视觉可信的世界画面,物理对齐技术又把它升级为可交互的世界模型,这是学术上的拐点。第二个条件是基础设施,国产算力底座完成适配,训练场的建设成本降了一个量级,中国信通院披露全国建成启用的训练场已经超过 70 家,基础设施从个案变成了产业。第三个条件是需求侧,制造业柔性化的压力到了临界点,机器人厂商需要换型不重新示教的能力,工厂需要停线时间从周压缩到天。三个条件缺一,故事都讲不成,2026 年三个条件齐了。
还有一层学术条件:VLA(视觉 - 语言 - 动作)模型的成熟,让我们找到了世界模型和机器人决策链路的融合方式。早些年,世界模型、机器人控制、视觉大模型是三条割裂的线;现在学术界已经打通了接口框架,才有工程落地的基础。
吴侃:郭院士讲宏观条件,我补充产业侧的感受。制造业柔性改造的需求越来越刚性,机器人不能一直依赖人工示教,这是产业端共同的痛点。现在下游制造业普遍走向多品种、小批量、快速迭代,新能源、汽车零部件、锂电这些我们服务最多的行业,产品改款节奏大幅加快。放到真实产线上就会遇到很现实的难题:每换一类工件,往往就要资深工程师到现场做大量示教标定,产线不得不停机等待,停机就是直接损失产能与营收。同时行业还面临熟练工艺工程师缺口的现实问题,有经验的老师傅稀缺,高度依赖人来调参的模式,很难支撑制造业大规模的柔性升级。过去本体硬件我们已经做到很高水准,但 "硬件强、智能适配弱" 是行业普遍的短板,只靠控制器本地逻辑很难应对工况偏移、工装变化带来的扰动。也正是这些一线的真实压力,倒逼我们要联合港科大、飞渡,把世界模型、虚拟训练场这套能力真正落到产线,把大量现场示教、调参工作前置到虚拟环境完成,从根源上缓解产线换型难、调试周期长、人才缺口大的现实矛盾。
Q8 工业物理AI的独立价值是什么?
很多讨论把世界模型归入通用人工智能叙事,很少单独讨论工业物理 AI 的独立价值。郭院士,您怎么看待这个观点?
郭嵩院士:这是一个很关键的区分。通用世界模型追求开放世界泛化,鼓励探索、容忍试错;工业物理 AI 是约束型智能,它的目标不是 "理解一切",而是在给定产线边界内,做到可预测、可审计、可追责。二者底层技术同源,但评价体系、安全边界、优化目标完全不一样。通用模型的评价是开放性的;工业世界模型,所有能力都必须绑定工艺指标、安全指标。这就是工业物理 AI 独立的价值。我们不反对通用路线的探索,但直接把通用世界模型套进工厂,一定会出现安全和可靠性的问题。这也是联合体的研究定位:不走通用模型的路线,优先建立工业约束下的世界模型范式。
何文武:我的看法很直接。工业场景和消费场景最大的区别是容错空间不同,消费产品可以追求惊喜,工业系统必须追求可靠。判断一个工业级空间智能系统,我们只看三条:可计算,模型里的对象知道位置、结构、材料、功能和环境的关系;可验证,输出结果能被真实数据检验;可决策,最终输出能支撑一个具体的业务选择。技术演示证明能力存在,产业底座证明业务离不开。工业物理 AI 的独立价值,就立在这三条上。
合作点一 动作一致性
Q9 港科大在动作一致性方面的核心研究任务是什么?
进入具体合作点。第一个合作点是动作一致性。郭院士,港科大在动作一致性这条线上承担的核心研究工作是什么?
郭嵩院士:动作一致性本质是表征学习和动作对齐问题。港科大的角色,是把世界模型的表征学习、动作对齐、决策融合的方法论建起来,再用评测去逼模型达标。港科大计算机科学与工程学系在具身智能方向有一支完整的研究梯队,从表征学习到策略学习,从仿真到真机迁移,每个环节都有专门的研究小组,这是我们能承担两个合作点的底气。动作一致的虚拟环境是策略训练的起点,策略在虚拟世界里练得再好,动作参数和真实世界对不上,一切都是零。
落到评测上,IRASim 就是 L1 预测性物理认知的载体。我们不对整个场景做无差别预测,只预测动作引发的物理变化:接触位置、滑移趋势、受力与形变是否与真实一致。物理对齐这条线,我们看的就是接触与滑移一致性、受力与形变一致性,这是动作一致性在物理层面的量化标尺。
吴侃:这个环节埃斯顿的角色很具体。动作参数从虚拟环境搬到真机,中间隔着伺服响应、减速器间隙、负载变化这些物理细节,我们的控制工程师和港科大的研究员正在把这些参数逐一对齐。实验室里差一个百分点没事,产线上差一个百分点就是废件。真实世界给的反馈最诚实,也最苛刻。
从埃斯顿的视角,动作一致性最终要落到控制器与执行器这一层:虚拟世界里练好的策略,必须能写成我们控制系统能直接执行的指令序列。我们和港科大合作,一部分工作就是把这套对齐写进控制器固件的接口规范,让 "仿真到真机的迁移" 从工程师逐项手调,变成固件层面可复现的流程。
何文武:飞渡提供仿真底座支撑。我们提供三维与视频融合的仿真表征,为动作对齐提供基础环境,打通虚拟空间和真实产线的物理映射,承接港科大世界模型的预测、训练需求,对接埃斯顿的真机工艺参数,保障仿真和真机之间动力学、接触特性的一致性,支撑 "仿真预训练、真机校准、案例回流" 的数据闭环落地。
Q10 世界模型和 VLA 是什么关系?
郭院士,替技术型网友补一个基础问题。现在机器人领域很热的是视觉语言动作模型,就是 VLA,世界模型和 VLA 是什么关系?
郭嵩院士:是分工关系。VLA 负责把感知和指令映射成动作,回答现在该做什么;世界模型负责预判动作之后世界怎么变化,回答做了之后会怎样。一个管决策的前半段,一个管决策的后半段。工业场景里两段都要硬:VLA 理解产线的语义,世界模型推演动作的后果,不确定性感知在中间兜底。我们的世界模型双角色框架里,作为策略内部预测模块的那一面,就是嵌在 VLA 体系里工作的。两条技术线在工业现场汇合,这是今年学术界和工业界共同的发现,殊途同归。
我再补充一个边界:VLA 擅长语义理解、任务拆解,但它本身不自带物理因果。如果没有世界模型做后果推演,VLA 输出的动作序列,很可能在物理上不可行、有碰撞风险。二者组合,才构成完整的具身决策链路。
吴侃:落到产品端,我们的控制底座AI Agent OS和专用的Juliet机器人语言,正在把VLA和世界模型整合进统一的技术栈。过去机器人行业的痛点是控制器和视觉系统各说各话,集成靠工程师手工作坊式地调。统一技术栈加上世界模型的推演能力,机器人第一次有可能像智能手机一样,应用生态建立在标准底座上。
何文武:对这套链路来说,仿真底座是物理因果的载体。VLA 生成动作指令、世界模型推演后果,都需要一个物理可信的虚拟环境来验证。我们的三维与视频融合仿真表征,能够把 VLA 输出的动作放到仿真空间里预演,提前校验动力学、接触交互是否合理,为整套决策链路提供可复现的物理试验场。
Q11这个合作要达到什么效果?
郭嵩院士:效果是训练出来的机器人大脑,从仿真到真机的迁移损耗降到工程可用。港科大实验室与飞渡的仿真环境打通,与埃斯顿的真机控制链路打通,博士生和研究人员的策略先在虚拟产线上跑通,再上埃斯顿的真机校准。实验室到工厂的循环,第一次可以按月来计算。过去学生调一个策略,从代码到真机验证动辄数月,大量时间耗在等待产线窗口和反复标定上。现在虚拟产线上跑通的策略直接到真机校准,迁移损耗降到工程可用的量级,研究迭代的速度就是产业进步的速度。
吴侃:对埃斯顿而言,这个效果等于把新策略的验证周期从 "等产线窗口" 变成 "随时可以跑"。过去做策略迭代调试,真机测试必须迁就工厂生产计划,想要跑一遍完整验证,往往要排队等待产线停产间隙,迭代效率被严重制约。我们的控制工程师可以对着训练场里已经校准过的参数直接做真机复核,大量边界工况、动作逻辑的试错全部放在虚拟训练场完成,不用再反复占用产线试错。真机只用来做最终确认校准,不再承担大量试错工作。这也是我们现有客户产线改造时最希望缩短的一段时间,最大限度减少调试对实际生产的侵扰。
何文武:我们负责筑牢虚拟训练场的物理一致性底座。依托三维与视频融合的仿真表征,持续对齐虚拟场景与真实产线的动力学、接触交互特性,保障港科大的策略、埃斯顿的控制逻辑在仿真里的试错结果具备可迁移性,支撑这套高速迭代闭环稳定运转。
合作点二 物理可信性
Q12 怎么衡量 "物理可信"?
第二个合作点是物理可信性。郭院士,物理可信为什么是工业世界模型不可退让的底线?学术界怎么衡量 "物理可信"?
郭嵩院士:物理可信,本质是要求模型遵循已知物理约束,而不是单纯拟合视频分布。很多生成式世界模型是统计拟合,看起来画面连贯,但加速度、碰撞响应、载荷传递都是错的。一旦接入机器人控制闭环,这种虚假的物理预测会直接带来安全事故。衡量可信,不能只看视觉效果,要有量化指标:动力学误差、碰撞响应误差、材料形变预测误差。这部分,需要仿真环境、机器人真机联合标定,也是三方协同的重点。
衡量物理可信,我们不看画面观感,而是看三组量化指标:接触与滑移是否一致,受力与形变是否一致,动力学误差、碰撞响应误差、材料形变预测误差是否落在可接受边界内。很多生成模型只是统计拟合,画面连贯但物理参数错误,接入控制闭环就会带来安全事故。这三组指标,需要仿真环境和机器人真机联合标定。
吴侃:仿真世界的物理规律准不准,最后要由真实产线投票。埃斯顿的机器人产线本身就是最好的试验场 —— 我们自己先用真机跑数据、用真机验证模型,再推向客户。仿真的节拍、轨迹、能耗如果和真实产线对不上,工程师第一天就会把它关掉。产线的一票否决权,就是物理可信最硬的背书。
我们手里有大量真实工况和工艺数据,从伺服响应到负载弹性变化,这些是仿真里最容易失真、又最影响可靠性的环节。物理可信不是靠仿真参数拍脑袋定的,是靠我们产线上累计的真实数据一点点校准出来的。
何文武:飞渡提供物理仿真引擎和真实世界数据,把产线的几何、工艺、物理规律建进仿真世界;埃斯顿提供本体、控制接口和真实产线,把仿真结果拉回现实检验。我们过去十几年每天都在做的事,就是挂接真实数据,预报结果让真实反馈打分。这样的世界,才有资格给机器人当训练场。
Q13 真机路线和仿真路线到底怎么循环?
真机路线和仿真路线到底怎么循环,工程细节是什么?
何文武:真机数据做最后一公里的校准,规模化的预训练在仿真的世界里完成。双向循环:仿真给出预训练策略,真机给出校准数据和失败案例,失败案例回流仿真,变成下一轮训练的靶子。循环每转一圈,仿真世界就更接近真实工厂一分。
吴侃:从整机厂的角度,真机反馈还有一个隐藏价值:暴露仿真的盲区。真机上发生的失败案例,很多是仿真里没人想到的场景 —— 机器人抓手在高负载下的微振动、产线照明变化对视觉识别的干扰。这些案例回流仿真,逼仿真世界长出原来没有的能力。我们的工艺工程师和飞渡的仿真团队,现在就在一个个补这些盲区。
合作点三 不确定性感知
Q14 不确定性感知,为什么对工厂同样关键?
第三个合作点是不确定性感知。这条听起来最学术,为什么对工厂同样关键?郭院士请您主讲。
郭嵩院士:工业现场的容错空间小,机器人把一个动作拓扑误读为安全冗余,后果是毫秒级的。不确定性感知要求模型输出置信度,对超出训练分布的情形主动降权,触发重新推演或者回退到经过验证的确定性控制。我们的目标是把推理与验证嵌入策略学习过程,让技能积累伴随可审计的可靠性边界。
很多 AI 模型只会输出一个确定预测,不告诉使用者 "这个预测靠不靠谱"。在工业场景,这是致命缺陷。不确定性感知不是锦上添花,是安全兜底机制。当模型遇到分布外工况 —— 比如工件形变、工装偏移、异物进入,置信度下降之后,机器人不继续执行高风险动作,切换到保守控制策略。这也是我们研究组重点攻关的方向:把不确定性量化模块原生集成进世界模型,而不是事后外挂一个分类器。
自适应行为学习 WMPO 在这里发挥作用。它面向 VLA,在世界模型内部做 on-policy 强化学习,通过 GRPO 按奖励信号迭代优化想象轨迹,奖励 0 代表失败、1 代表任务完成。绝大多数试错放在虚拟环境,真机只用于校准与检验,大幅提升样本效率、降低真机损耗。工业插装是一个直观的例子:普通策略遇到碰撞会继续下压导致插装失败,WMPO 训练后的策略发生碰撞会自动抬起、重新对齐,完成插装。这是碰撞后自我恢复的涌现行为。
遮挡工况还有一层关键证据,来自机器人的身体反馈。以薄毛巾抓取为例,视觉看不到接触状态,但夹爪力矩反馈能确认物理接触:当力矩持续偏离参考值超过阈值,判定发生接触;闭合夹爪后轻抬验证,只有毛巾随夹爪运动,才确认抓取成功。没有力矩反馈,同样的初始观察只会得到一个空抓,毛巾留在桌面上。用身体反馈确认抓取,是规避视觉遮挡误判的工程手段。
吴侃:这一条在产线上有非常具体的对应。工厂工况永远不会和训练数据完全一致:工件有加工公差、工装会磨损老化、物料上料位置会偏移,车间的光照条件也会随时变化,各类扰动层出不穷。很多边界情况,很难在训练数据集里全部穷尽。过去遇到这些不确定性,只能依靠车间老师傅的临场经验去调整补救,靠人来化解各类异常。但熟练工艺人员供给有限,依靠人的经验去扛风险,很难大规模复制推广。
我们和港科大合作,就是把置信度机制深度接到机器人的底层控制逻辑里。当模型判断 "这次拿不准",也就是当前工况已经偏离训练分布的时候,机器人不会硬着头皮执行高风险动作,而是主动减速、降低动作幅度,或是回退到经过验证的确定性程序,必要时告警通知人工干预。把人的经验判断转化为机器人内置的安全决策,在保障生产效率的同时,守住产线运行的安全底线。
何文武:落到产品上,这就是智能评测体系的价值。训练场按生成、理解、推演、决策组织完整能力链,评测环节给出每一类场景的可信度评级。客户采购机器人方案时,拿走的是一份带置信度的验收报告。一段演示视频证明不了可靠性,工业系统的采购决策需要这样的依据。
合作点四 高效预测
Q15 怎么解决世界模型推理开销过高的难题?
第四个合作点是高效预测。世界模型上产线,算力成本是一道硬门槛。郭院士,学术界怎么解决世界模型推理开销过高的难题?
郭嵩院士:世界模型要进入机器人策略的内部,推理时延和算力开销必须匹配控制频率。我们的方向是模型压缩、轻量化预测和边缘部署,把世界模型从云端的大模型变成产线边上跑得动的组件。
一个核心思路是解耦:不需要对整个场景做高分辨率持续生成,只对机器人交互的局部区域做高精度物理推演;无关区域用低精度表征。配合稀疏预测、时序缓存、任务驱动的动态精度调度,把推理时延压到机器人控制周期以内。纯靠堆算力没有出路,工业控制器的算力预算是刚性的。轻量化、任务感知的预测架构,才是落地路径。
吴侃:产线对算力的要求简单粗暴:够用、稳定、别掉线。训练可以放在本地或云端算力上慢慢跑,推理和控制必须在产线边上实时完成。埃斯顿的大小脑控制系统和伺服系统本身就是边缘计算的节点,世界模型推理下沉到这个层面,集成成本最低,也是让模型真正跑在产线边上的前提—— 算力不是建在云端,而是长在机器自己身上。
何文武:飞渡在国产算力一侧配合。峥嵘模型完成自主三维计算、渲染、物理仿真三引擎的国产算力适配,元尊一体机把训练评测算力放到客户本地。模型能力是一方面,算力可控是另一方面,两条都要自立。
三个认知空白之一:训练场质量标准
Q16 什么样的仿真环境才有资格成为工业机器人的训练场?
仿真工具越来越多,大家都在建虚拟环境。郭院士,什么样的仿真环境才有资格成为工业机器人的训练场?训练场质量标准该由谁定义?
郭嵩院士:这正是联合体第二阶段的任务之一。我们的主张是,训练场质量标准要同时看四条:动作一致性、物理可信性、不确定性感知、高效预测,缺一不可,再叠加工业验收。公共榜单之外,工业验收要成为独立的评价层级。
行业现在不缺仿真软件,缺统一的、面向具身智能训练效果的评测基准。传统仿真软件只校验几何、渲染;训练场是用来训练机器人策略的,评测对象是 "训练之后机器人真机表现",而不是仿真画面本身。这是完全不同的评价范式。
联合体的训练场,正式名称是WorldFoundry,是一个物理一致性具身仿真与训练工场,由香港科技大学牵头,飞渡科技和埃斯顿是战略合作伙伴。它面向机器人训练与评测,自动构建并持续校准可执行的虚拟世界,分三大模块:资产生成与验证,生成可交互数字资产并验证其物理行为;可执行任务世界,依照机器人与任务要求构建场景、生成交互数据;机器人评测与校准,评估任务表现、分析仿真与现实差异并反向校准环境。
围绕同一批真实工业任务,PAL 贯穿三层评估:L1 校验动作后果是否一致,比较预测与实测的接触、滑移和形变;L2 校验练习收益能否落到真机,同时看成功率、作业节拍和人工干预;L3 校验完整任务能否稳定完成,检验多步执行以及状态变化后的恢复。公共榜单侧重画面生成效果,WorldFoundry 的工业验收重点看仿真训练之后真机的实际表现,不看仿真画面渲染质量。
这套训练场,推动的是工业机器人从 1.0 到 2.0 的演进。1.0 阶段设备和训练能力就绪;2.0 阶段围绕同一真实工业任务持续提升:现场难点由港科大的原创算法配合飞渡的场景训练,在虚拟世界里练习,再到埃斯顿的真机本体上验证,验证后部署,把真实作业经验转化为可持续提升的产品能力。虚拟练习、真机验证、验证后部署,正是三家分工在训练场上的落地。
Q17 联合体提出的训练场质量标准,和国家标准是什么关系?
工信部具身智能标准体系已经推出 45 个子类与 100 项标准,产业联盟也成立了。联合体提出的训练场质量标准,和国家标准是什么关系?
郭嵩院士:是互补关系,也是分工关系。国家标准解决通用问题:术语、分类、安全基线、数据格式,让全行业有共同语言。联合体的训练场质量标准解决工业现场的具体问题:什么算动作一致,什么算物理可信,置信度怎么标定,验收报告怎么写。我们的计划是,把联合体在真实产线上跑出来的验收方法,提炼成标准草案,贡献给行业。标准不是谁关起门来写的,是在产线上磨出来的。谁先跑通,谁就有责任把方法写清楚,让后来的人少走弯路。中国的优势恰在于场景密度,全球 70 多家训练场大部分在中国,标准的试验田就在这里。我们争取让工业验收的方法论先在中国跑成熟,再推向国际,在世界模型评测的版图里占住一个生态位。
三家为什么优势互补?
Q18三家各自具备哪些不可替代的优势?
四个合作点走完。请三位各用一句话讲自己不可替代的部分,顺序我们从港科大开始。
郭嵩院士:港科大提供世界模型和具身智能的理论主线、评测方法与人才,回答技术应该往哪里走。
吴侃:埃斯顿提供机器人本体、控制底座、真实产线和工厂客户,回答练出来的能力在哪里接受真实检验。
何文武:飞渡提供多年积累的真实世界数据、三维仿真底座与算力适配能力,回答虚拟世界如何建到工业级精度。
Q19 世界模型的技术路线如何划分?
部分人士中有一场很有影响的争论。有作者把世界模型分成空间几何派和交互模拟派,Atlas 代表前者,谷歌 DeepMind 的 Genie 3 代表后者。郭院士怎么分这个类?
郭嵩院士:这个分类框架抓住了要害。空间几何派把世界的结构建对,交互模拟派把世界的变化演对。工业场景的答案很清楚,两者必须结合:没有几何结构,机器人不知道自己在哪里;没有动态交互,机器人不知道下一步会发生什么。Atlas 在渲染和重建上做到了出色,Genie 3 在实时交互上做到了出色,真正完整的虚拟世界需要两者结合。
这也是我们联合体选择三维 + 视频融合路线的原因:几何结构负责定位感知,物理交互引擎负责推演动态。单一路线都有短板。学术界很多团队各自深耕一派,而工业落地要求融合。港科大物理AI中心的世界模型驱动的具身智能前沿探索,埃斯顿在工业机器人本体的研发制造的深厚积累,和飞渡的仿真环境正好形成闭环,本体研究的成果需要虚拟环境加速训练,虚拟环境的成果需要本体落地验证。两条路线在工业现场功能同构,殊途同归,最后都要走到可交互、可推演、可检验上来。
与世界最先进研究的比较
Q20 怎么看 Atlas?
谈联合体优势,绕不开国际标杆李飞飞团队 Atlas。郭院士,您怎么看 Atlas?
郭嵩院士:Atlas 是了不起的工程成就。李飞飞教授把世界模型分为渲染器、模拟器、规划器三类,Atlas 在渲染和重建上已经非常出色,从几张照片重建几何可信的世界,重建精度超过专用模型。当前学术界和工业界对物理 AI 的判断高度一致,可以说是殊途同归。从几张照片重建几何可信的世界,这条路线的极限是快速泛化;从真实世界数据出发构建三维与视频融合的模型,这条路线的极限是工业精度。两条路线的存在本身说明,世界模型的技术版图远比现在看到的宽,学术上有足够的空间容纳多种探索。
何文武:我也对李飞飞教授充满敬意。世界模型的竞争,上半场是生成,下半场是理解、推演和决策。我们和 World Labs 按同一个框架拆,峥嵘对应生成,物理仿真对应模拟,决策模型对应规划,功能是同构的。差别在于路线:Atlas 从照片出发重建世界,飞渡从真实世界数据出发,三维与视频融合,物理仿真的能力装在模型体系内部。生成一个世界的画面,和理解一个正在运行的世界,是两种能力。
吴侃:站在工业机器人整机厂商的角度,Atlas展现的通用重建能力非常亮眼,是极具启发性的探索。只是工业场景的需求维度会更多元:工业场景不只需要环境外观重建,摩擦、载荷、接触形变这类物理属性更关键,单靠照片是很难直接获取的。Atlas 擅长从图像快速构建场景,而我们更强调真实工艺数据与机器人硬件闭环校验。两种路线各有所长,学术上可以百花齐放;但落到制造业产线,最终还是要看真机跑出来的稳定性、工艺适配能力和交付成本。
技术路线的优先级
Q21 怎么看待工业和人形二者的优先级?
人形机器人的声量远大于工业机器人,很多观点默认物理 AI 主战场在人形。郭院士,从学术路线上,您怎么看二者的优先级?
郭嵩院士:我认同先工业、后人形这个落地次序,但原因不止是商业化付费。从研究角度,工业机器人任务空间相对结构化、约束清晰、安全边界更容易定义,是物理 AI 最好的试验场。我们在工业场景打磨出来的世界模型、不确定性感知、评测体系,本身就是人形机器人未来所需要的基础设施。人形机器人面对的是非结构化开放环境,不确定性来源更加复杂,研究难度更高。工业场景是我们积累方法论、打磨评测体系的必经阶段,不是终点。能力底座打通之后,人形只是这个底座上的一类具身载体。
吴侃:我的答案很务实,先工业,后人形。工业机器人今天就有存量市场,有清晰的付费主体,有刚性的验收标准。人形机器人是令人兴奋的方向,埃斯顿也在关注,但人形要规模进厂,还要跨过成本、可靠性和安全规范几道坎。先把工业机器人的柔性问题解决好,把人机协作的安全问题解决好,世界模型和训练场在工业现场站稳了,人形机器人进厂时,可以直接踩在已经建好的训练设施和评测体系上。

何文武:训练场这套能力链不分机器人的形态。机械臂用得上,AGV 用得上,未来的人形机器人同样用得上。形态会变,物理规律不变,空间关系不变。我们把不变的东西建扎实,变的东西交给时间。
国产世界模型的能见度
Q22 国产团队要怎么建立自己的话语权?
国产世界模型在国际公共榜单上能见度偏弱。郭院士,我们该怎么看待榜单评测,国产团队要怎么建立自己的话语权?
郭嵩院士:公共榜单,比如 WorldRoamBench、WorldMark,有它的价值,适合横向对比通用能力。但榜单本身有局限:大多以开放世界生成、视觉重建效果为主,缺少工业约束指标。所以我们的思路是双轨并行:积极参与国际公开榜单,证明基础能力;同时自主建设面向工业场景的评测体系,也就是联合体正在推进的工业验收规范。榜单证明学术潜力,产线验收证明产业价值。话语权不是靠榜单排名单一决定,是靠可复现、可验证的工业效果建立起来的。
吴侃:从产业角度补一句,能见度最终靠客户订单兑现。榜单更多是实验室层面的横向比拼,对工业产品来说,客户实际落地、经过产线严苛验证的项目才是硬通货。联合体方案会优先在埃斯顿内部的智能化产线完成打磨迭代,把动作迁移、物理推演、不确定性处置这些能力在真机上跑通做实;成熟之后,再依托我们遍布全球 75 个服务网点、海外子公司以及波兰制造基地这套完整渠道体系,跟随机器人整机方案一同输出海外。实实在在的项目验收单、海外客户的落地案例,这比任何榜单排名都更有说服力。
何文武:榜单可以用来证明算法上限,但工业赛道比拼的是工程落地的下限。很多模型在公开评测里分数亮眼,一旦面对真实工厂五花八门的工况、复杂工艺约束就容易失效。对联合体而言,我们不排斥参与各类国际评测来展示基础能力,但我们真正的话语权,来源于沉淀下来的真实场景资产、经过产线反复校准的仿真底座,以及可复制交付的整套解决方案。榜单是名片,真正站稳脚跟还是要靠一个又一个可复制的工业项目。
战略意义
Q23 联合体会不会成为人才培养平台?
港科大在具身智能方向的研究梯队是怎么搭的?联合体会不会成为人才培养平台?
郭嵩院士:会,而且从一开始就是。港科大在具身智能方向有一支完整的研究梯队,从表征学习到策略学习,从仿真到真机迁移,每个环节都有专门的研究小组。联合体给这支梯队提供了一个过去没有的条件:真实产线的数据、工业级的仿真环境和可量产的机器人本体。学生做的研究,第一次在读书期间就能面对真实的产业问题。我们计划联合开设课程、共建实训项目,让博士生的课题直接长在联合体的攻关清单上。培养出来的人才,既懂世界模型的理论,又懂工厂的物理约束,这种人未来十年会非常稀缺。
这也是我们解决产学研的核心抓手:研究课题来自产线真实痛点,评价标准同时包含论文指标和产线验证指标。研究不再是自闭环,论文成果必须回流到训练场验证。学生从一开始就要理解物理约束、安全边界,而不是只在实验数据集上刷指标。
吴侃:对埃斯顿内部工程师团队当然大有裨益,能把老师傅宝贵的调试经验沉淀为标准化的仿真基准案例,方便青年工程师在虚拟环境中学习实践,破解行业长期存在的人才断层难题。而它更大的战略价值,在于作为开放的机器人具身智能生态平台:我们不止依托平台自研柔性场景下的 AI 垂类解决方案,更把平台能力、配套工具链开放给广大生态伙伴,支持伙伴基于底座自主开发各类场景应用,一起服务更多元的柔性制造需求。
何文武:飞渡在中间当翻译。我们既懂工程交付的语言,也懂模型能力的边界,知道哪个产线问题可以建模、哪个还不具备条件。翻译层这个角色,是三方能咬合在一起的关键。
Q24 如何打通产学研合作与产业需求?
产学研高校成果和企业需求对不上。联合体怎么破这个题?
郭嵩院士:破题的关键是让问题从产线长出来,而不是从文献里长出来。联合体的攻关清单,第一条就是埃斯顿产线上的真实痛点,我们的研究方法围绕这条清单组织,学生进组第一天就知道自己的课题要对哪一条产线负责。论文和验收单用同一套数据,这就不存在两张皮。
吴侃:企业一侧也要改习惯。过去企业找高校,习惯把成熟产品的小改良丢出去,核心技术自己捂着。联合体里我们把真实工况和工艺数据开放给研究团队,保密协议划清边界,数据用在攻关上。开放换来的是研究速度,这笔账算得过来。
Q25 合作的产业价值是什么?
技术内核已经清楚了。最后我们想请三位分别谈谈意义。
郭嵩院士:我来讲对人工智能发展的意义。过去十年是感知智能的十年,AI 学会了识别和生成,语言模型让 AI 会表达。下一个十年是物理智能的十年,AI 要学会在物理世界里行动,机器人让 AI 有身体。黄仁勋把 AI 演进整理成四段论,感知 AI、生成 AI、代理 AI、物理 AI,这个框架和学界的判断是一致的:智能的下一站一定落在物理世界。世界模型是这次跃迁的认知底座,它让 AI 不再需要在真实环境里反复试错,而是先在虚拟世界模拟推演,大幅降低硬件损耗与安全风险。世界模型驱动的具身智能,是从能用到敢用、用得稳的必经之路。
长远看,我们这套工业世界模型范式,也会为国内具身智能领域提供一套可复用的研究范式:以物理对齐、不确定性量化、真机迁移为核心,而不是单纯追逐生成画面效果。
吴侃:我讲产业意义。中国工业机器人市场是全球最大的市场,国产机器人已经完成进口替代的第一阶段,接下来是柔性制造和出海。柔性产线落地难、调试周期长、高端技工短缺,这三个痛点卡住了很多工厂。世界模型驱动的训练场,把调试从真实产线移到虚拟世界,虚拟调试让产线的布局变更、机器人的部署方案先在虚拟工厂里跑通,再落到真实产线,停线时间从周压缩到天,这是机器人产业从卖单机走向卖系统的关键一跃。埃斯顿的目标,是打造中国机器人的世界品牌,联合体正是这个目标的底气之一。
何文武:我讲对中国的意义。物理 AI 是自主可控算力最好的验证场,也是真实世界数据最好的用武之地。中国拥有全球最大的工业机器人市场、最完整的制造业场景和最丰富的工程师红利。世界模型的定义权不能只握在别人手里。联合体把世界模型、空间智能底座和机器人本体连成闭环,走的每一步都在真实产线上接受检验。五年后有人问起谁让物理世界变得可计算、可推演、可决策,我们相信答案里一定有中国公司中国团队的位置。
下载格隆汇APP
下载诊股宝App
下载汇路演APP

会员
