0
作者丨高景輝
編輯丨馬曉寧
“機(jī)器人都能做后空翻、跑馬拉松了，怎么還是干不了活？”
在有關(guān)具身機(jī)器人的視頻評論區(qū)，我們總能看到這樣的疑問。
的確，縱觀行業(yè)當(dāng)前的大部分具身機(jī)器人，在嘗試“干活”的時(shí)候總會遇到尷尬場面：要么一次只能干一件事，一點(diǎn)都不“通用”；要么經(jīng)?？D，需要人為干預(yù)；要么換了個機(jī)型，就動不了了。
這不禁令人疑惑：具身智能離真正幫我們干活，到底還有多遠(yuǎn)？
01
很多人把具身機(jī)器人干不了活，歸咎為模型能力不足，無法勝任各種場景的干活需求。但事實(shí)果真如此嗎？
人們想交給具身智能來干的活千千萬萬，既包含復(fù)雜的操作，也有相對簡單的動作，能切入的方向理論上很多，按照目前行業(yè)頂尖模型的能力，未必不能駕馭。
所以，不能將具身智能干活難的問題，全算在“能力”頭上。在能力之外，一個被忽視的問題是，大家對于“干活”的定義沒有統(tǒng)一，究竟做到什么程度才算“能干活”？評價(jià)一個機(jī)器人干活的綜合能力，又要看哪些方面的表現(xiàn)？
換句話說，如果不能用一張“試卷”考核機(jī)器人的干活能力，那么評判機(jī)器人的“干活”水平就將失去意義。
這種背景下，國際權(quán)威 Benchmark 榜單的參考價(jià)值被進(jìn)一步放大。尤其是覆蓋不同核心能力維度的多個榜單，綜合來看能更全面地驗(yàn)證模型的商用潛力。
以最近的例子來說，不久前通用世界行動模型 Motubrain，就同時(shí)登頂 WorldArena 與 RoboTwin2.0 兩大國際具身智能權(quán)威榜單。Motubrain 背后的生數(shù)科技，也漸漸浮出水面。
具體來看，WorldArena 榜單聚焦模型對真實(shí)世界的理解與預(yù)測能力，核心衡量模型對物理規(guī)律、運(yùn)動變化、環(huán)境狀態(tài)的認(rèn)知水平。在該榜單中，Motubrain 總體 EWM Score 達(dá)到 63.77，位列總榜第一，同時(shí)在 Motion Quality、Flow Score、Motion Smoothness 等多個核心運(yùn)動維度均拿下榜首。
RoboTwin2.0 榜單則聚焦機(jī)器人的任務(wù)執(zhí)行與泛化能力，衡量模型在多任務(wù)、多環(huán)境、隨機(jī)擾動下的穩(wěn)定執(zhí)行表現(xiàn)。在該榜單中，Motubrain 在 Clean 與 Randomized 兩個場景下分別取得 95.8 與 96.1 的成績，位列總榜第一，也是榜單上唯一一個在隨機(jī)環(huán)境下平均分超過 95 的模型。
雷峰網(wǎng)(公眾號：雷峰網(wǎng))觀察到，過去行業(yè)內(nèi)的技術(shù)探索大多存在能力偏科。部分模型在世界建模維度表現(xiàn)突出，但無法轉(zhuǎn)化為穩(wěn)定的執(zhí)行能力；部分模型能完成固定動作，卻無法適配環(huán)境的隨機(jī)變化。極少有模型能同時(shí)在世界理解與動作執(zhí)行兩個核心維度，做到行業(yè)頂尖水平。
更多地，Motubrain展現(xiàn)出遠(yuǎn)高于VLA的多任務(wù)泛化性曲線和數(shù)據(jù)scaling曲線。從左圖可以看出，隨著任務(wù)數(shù)量增加，Pi-0.5成功率持續(xù)下降，而MotuBrain成功率持續(xù)上升——這說明它學(xué)到了跨任務(wù)的通用世界知識，這是 VLA 不具有的能力。
從右圖可以看出，Motubrain 的在數(shù)據(jù)量上的 Scaling Law 曲線相比其他模型更陡峭，說明其數(shù)據(jù)效率非常高，僅用少量數(shù)據(jù)就可以取得很好的結(jié)果。
此外，任務(wù)數(shù)量的 scaling law 曲線比數(shù)據(jù)量更為陡峭，說明對于 Motubrain 這種數(shù)據(jù)效率極高的模型來說，相比于增加數(shù)據(jù)量，增加任務(wù)的多樣性對成功率的提升效果更為顯著。
所以，Motubrain 雙榜同時(shí)登頂?shù)暮诵膬r(jià)值，在于它確立了通用機(jī)器人大腦干活能力的參照系。兩大榜單的核心維度，共同構(gòu)成了通用機(jī)器人大腦“能干活”的合格線，也為未來具身智能在場景落地，注入了更強(qiáng)的確定性。
02
既然有了參照系，就不可避免地要回答一個問題：機(jī)器人落地“干活”，到底需要哪些模型能力？
這個問題其實(shí)不難回答，看看我們「人」在干活的時(shí)候需要哪些能力就知道了。
比如餐館的工作人員，一個人可能要身兼數(shù)職，包括點(diǎn)餐、送餐、收臺、巡場甚至后廚協(xié)助，他們所需要的，是一種“通用”能力，放在具身模型上，就是一個“大腦”接管所有崗位，這就要求機(jī)器人的大腦能實(shí)現(xiàn)“一腦多能”。
這對于當(dāng)下的頂尖大模型來說并非難事。比如 Motubrain 在多任務(wù)場景中能夠保持穩(wěn)定表現(xiàn)，而且隨著任務(wù)數(shù)量持續(xù)增加，模型共享到的世界知識越多，平均任務(wù)成功率反而同步提升，且任務(wù)之間不再爭奪模型容量，反而相互促進(jìn)。
從生數(shù)科技發(fā)布的真機(jī)演示 Demo 可以看到，Motubrain 在“調(diào)酒”任務(wù)中，能抓取不同大小、材質(zhì)的容器，并將酒一滴不撒地倒入酒杯中，也能抓取薄荷葉這類柔性物品。至少要具備這種程度的通用性，機(jī)器人才真正上得了崗。
還有，人在做家務(wù)活時(shí)需要足夠“連貫”，一次性完成所有瑣碎的動作。但很反直覺的是，家務(wù)活中對人來說簡單不過的部分，對機(jī)器人很可能是相當(dāng)復(fù)雜的。
比如“倒杯水”這個簡單指令背后其實(shí)是一長串任務(wù)，包括抓取杯子、從廚房取一杯水、避開地上雜物、識別臥室門口、放在床頭柜上并且不打翻藥瓶……這中間涉及移動、抓取、避障、放置等多個動作，還夾雜環(huán)境變化。傳統(tǒng)做法依賴上層任務(wù)拆解、狀態(tài)機(jī)或快慢系統(tǒng)拼接，每一步都可能引入額外延遲和失敗風(fēng)險(xiǎn)。
但如果像 Motubrain 一樣有了“一腦貫通”能力，就能夠直接學(xué)習(xí)完整任務(wù)鏈路，無需上層規(guī)劃拼接，而且人類無需在中間反復(fù)干預(yù)，用戶體驗(yàn)直線上升。畢竟，Motubrain 可以完成超過 10 個原子動作的復(fù)雜長程任務(wù)，而不是僅停留在兩三個動作的演示階段。
在生數(shù)科技發(fā)布的 Demo 中，Motubrain 演示了“插花”這一長程任務(wù)，包含多次撿花、插花的動作，以及多次拿起水壺噴水的動作，整個過程十分絲滑，像一個整體而非“分解動作”，似乎預(yù)示著“干家務(wù)”已難不倒具身模型了。
雷峰網(wǎng)觀察到，社交媒體上有不少人說，希望能有一個機(jī)器人“球搭子”，在約不到人的時(shí)候陪自己打打球，這種語境下打球也可以視為一種“干活”，但對機(jī)器人模型的“預(yù)測”能力有很高要求。因?yàn)橄窬W(wǎng)球這類運(yùn)動，其球速往往在每小時(shí)100km以上，已超過了當(dāng)前機(jī)器人的硬件能力的上限，等感知到球再揮拍已來不及，必須在人擊球時(shí)做出預(yù)測，這就依賴于世界模型的能力。
Motubrain 也確實(shí)是為數(shù)不多能實(shí)現(xiàn)“一腦預(yù)見”，將理解世界、預(yù)測世界和執(zhí)行動作統(tǒng)一建模的模型。它不只是執(zhí)行一步指令，而是能推演環(huán)境變化，并據(jù)此生成更合理的動作路徑，而且預(yù)測球路和驅(qū)動身體揮拍會成為同一模型下的兩種推理模式，延遲更低，決策更連貫。
當(dāng)然，也有些問題是人不會遇到的，比如令無數(shù)模型廠商頭疼的“泛化”問題。人都是同一個物種，身體結(jié)構(gòu)都是一樣的，基本不會出現(xiàn)多一個關(guān)節(jié)、少一個器官的情況。但機(jī)器人形態(tài)各異，構(gòu)造無法保持一致，這就需要一種“一腦多型”的能力，讓模型能夠吸收生態(tài)內(nèi)越來越豐富的異構(gòu)數(shù)據(jù)。
Motubrain 的解決思路，是從一開始就面向多機(jī)器人本體。它不是為某一臺機(jī)器量身定制，而是用統(tǒng)一的 action 表征打通不同本體，從而適配輪式、臂式、復(fù)合式等多種形態(tài)。隨著機(jī)器人種類和場景不斷增長，模型通用性持續(xù)提升，又會進(jìn)一步反哺每一類機(jī)器人的實(shí)際表現(xiàn)。
那么，為什么 Motubrain 可以同時(shí)具備這四種能力？
最根本的原因在于，Motubrain 是一個通用世界行動模型（WAM），其核心差異在于模型的訓(xùn)練范式——通過 UniDiffuser 統(tǒng)一建模和調(diào)度 video 與 action 兩個連續(xù)模態(tài)。一次訓(xùn)練，即可推理出五類分布：視覺-語言-動作（VLA）、世界模型、視頻生成、逆動力學(xué)、視頻-動作聯(lián)合預(yù)測。
這種大一統(tǒng)建模帶來的直接結(jié)果是數(shù)據(jù)吸收能力的質(zhì)變。傳統(tǒng) VLA 只能從特定機(jī)器人本體的完整任務(wù)軌跡數(shù)據(jù)中學(xué)習(xí)。Motubrain 可以同時(shí)利用缺少 action 模態(tài)的純視頻數(shù)據(jù)、缺少語言任務(wù)標(biāo)簽的任務(wù)無關(guān)數(shù)據(jù)，以及包含 video、action、language 的完整軌跡數(shù)據(jù)。模型學(xué)到的，是任務(wù)、環(huán)境變化和動作后果之間的共享世界知識。
這也是多任務(wù)正向 scaling 的根基：任務(wù)越多，共享的世界知識越豐富，模型平均成功率隨之提升。
不過，Motubrain 并非“橫空出世”的大模型，在此之前已有深厚的鋪墊。
其實(shí)但凡對模型領(lǐng)域有了解的人，都能從名字猜出 Motubrain 和 Motus 之間的聯(lián)系。早在2025年12月，生數(shù)科技就開源了 Motus，比行業(yè)早兩個月提出并驗(yàn)證了 World Action Models 的核心思想。
在Motus的基礎(chǔ)上，Motubrain完成了一次躍遷：用任意視角數(shù)量的統(tǒng)一建模打通不同相機(jī)配置，讓模型不再依賴固定的視覺輸入形態(tài)；用統(tǒng)一的 action 表征打通不同機(jī)器人本體；通過自回歸+diffusion 和語言-動作-視頻三流 MoT，讓模型可以直接完成超過 10 個原子動作的長序列任務(wù)；并且讓超大規(guī)模具身模型能夠在機(jī)器人上實(shí)現(xiàn)云邊端協(xié)同的實(shí)時(shí)閉環(huán)控制。
這五步跳躍，讓 Motubrain 從一個學(xué)術(shù)驗(yàn)證型框架，直接切入了“干活”相關(guān)的高要求場景。
Motubrain詳細(xì)內(nèi)容請見：https://www.shengshu.com/zh/motubrain
03
做出一個能干活的模型，只是具身智能落地的第一步。下一步是把這種干活能力升級為一種產(chǎn)品力，它的難度往往不亞于技術(shù)研發(fā)本身。
以生數(shù)科技在多模態(tài)領(lǐng)域的另一款產(chǎn)品 Vidu 為例，其全自動一鍵成片、高質(zhì)量批量生產(chǎn)視頻的能力，廣受創(chuàng)作型青睞，尤其是“AI解說劇”細(xì)分賽道，Vidu 已成為不少團(tuán)隊(duì)的首選。
這說明，技術(shù)上的領(lǐng)先優(yōu)勢固然重要，但能夠把技術(shù)轉(zhuǎn)化為客戶愿意付費(fèi)的產(chǎn)品，考驗(yàn)的是公司對真實(shí)場景需求的理解、對用戶體驗(yàn)的打磨，以及對商業(yè)化路徑的持續(xù)探索。而生數(shù)科技在多模態(tài)模型產(chǎn)品化的實(shí)操經(jīng)驗(yàn)，對于具身智能方向的落地具有直接的遷移價(jià)值。
從 Motubrain 的模型發(fā)布到產(chǎn)品落地，生數(shù)科技已經(jīng)開始了前置布局。今年3月，生數(shù)科技在2026中關(guān)村論壇年會上正式發(fā)布通用世界模型戰(zhàn)略。公司以基座世界模型為核心底層，向上延伸出兩條清晰的業(yè)務(wù)軌道：一條基于世界生成模型，在數(shù)字空間構(gòu)建視頻大模型產(chǎn)品 Vidu，推動數(shù)字內(nèi)容的智能化生產(chǎn)；另一條基于世界行動模型，在物理空間構(gòu)建世界模型產(chǎn)品 Motus，也就是 Motubrain 背后的統(tǒng)一平臺。兩條軌道共享同一個底層技術(shù)架構(gòu)，形成數(shù)字世界與物理世界的雙向貫通。
在物理空間的產(chǎn)業(yè)化推進(jìn)上，生數(shù)科技也已經(jīng)與無界動力、星塵智能、深樸智能等具身智能企業(yè)達(dá)成戰(zhàn)略合作。這兩次合作讓 Motubrain 走出了“技術(shù)驗(yàn)證”的范疇，形成了“模型能力—本體適配—場景落地”的完整閉環(huán)。
總之，技術(shù)突破決定有沒有，產(chǎn)業(yè)合作決定能不能用起來。兩者結(jié)合，才能支撐具身智能從實(shí)驗(yàn)室走向真實(shí)場景的完整敘事。
最后回到本文的主題，具身智能離真正“能干活”還有多遠(yuǎn)？
答案或許比許多人想象的要近，但也比一些人期待的更遠(yuǎn)。
說“近”，是因?yàn)橄?Motubrain 這樣能夠在世界建模和執(zhí)行能力上同時(shí)站上行業(yè)最頂端的模型正在出現(xiàn)。雙榜第一的意義不僅僅是技術(shù)指標(biāo)的領(lǐng)先，而是它第一次為通用機(jī)器人大腦在落地之前豎起了一把標(biāo)尺——我們知道了什么樣的模型能力，至少具備了在真實(shí)場景中干活的潛力。
說“遠(yuǎn)”，是因?yàn)閺哪Ｐ屯黄频酱笠?guī)模部署之間，還有大量的工程化問題和產(chǎn)品化工作要做。機(jī)器人不只是模型，還要適配不同本體的硬件，要適應(yīng)千差萬別的物理環(huán)境，要在用戶端形成真正好用的產(chǎn)品體驗(yàn)。這些都不是一蹴而就的事。
但至少有一點(diǎn)是確定的：過去幾年困擾行業(yè)的最大瓶頸——機(jī)器人大腦缺乏統(tǒng)一、通用的智能能力——正在被一步步突破。當(dāng)行業(yè)的上限在不斷被刷新，距離機(jī)器人在物理世界幫我們干活，就不會太遠(yuǎn)了。
2026年的具身智能行業(yè)，正在從“技術(shù)驗(yàn)證”走向“規(guī)模落地”的關(guān)鍵節(jié)點(diǎn)上，等待那個“ChatGPT時(shí)刻”的到來。而Motubrain 的出現(xiàn)，可能是其中最值得關(guān)注的一個信號。
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
