2025 年秋的具身智能賽道正被巨頭動(dòng)態(tài)點(diǎn)燃：特斯拉上海超級(jí)工廠宣布 Optimus 2.0 量產(chǎn)下線，同步開放開發(fā)者平臺(tái)提供運(yùn)動(dòng)控制與環(huán)境感知 SDK，試圖通過(guò)生態(tài)共建破解數(shù)據(jù)孤島難題；英偉達(dá)則在 SIGGRAPH 大會(huì)拋出物理 AI 全棧方案，其 Omniverse 平臺(tái)結(jié)合 Cosmos 世界模型可生成高質(zhì)量合成數(shù)據(jù)，直指真機(jī)數(shù)據(jù)短缺痛點(diǎn)。

這些熱點(diǎn)事件共同指向行業(yè)共識(shí)：曾被算法創(chuàng)新掩蓋的數(shù)據(jù)問(wèn)題，才是具身智能落地的根本癥結(jié)。

針對(duì)這個(gè)問(wèn)題，近日，我們與跨維智能創(chuàng)始人、香港中文大學(xué)（深圳）教授賈奎，香港中文大學(xué)（深圳）助理教授、具身決策實(shí)驗(yàn)室主任劉桂良進(jìn)行了一場(chǎng)深度對(duì)話與探討，試圖找到突破具身智能學(xué)習(xí)枷鎖的密鑰。

什么是 Efficiency law ？

其與 Scaling law 有何區(qū)別？

1. Scaling law 在具身智能領(lǐng)域碰到了什么挑戰(zhàn)呢？

賈奎：Scaling law 是大語(yǔ)言模型發(fā)展過(guò)程中所觀察到的經(jīng)驗(yàn)定律，即模型的性能與數(shù)據(jù)量、模型容量/參數(shù)量、算力之間分別存在一個(gè)冪函數(shù)關(guān)系^{【1，2】}，此經(jīng)驗(yàn)定律有助于在給定的資源條件下，指導(dǎo)如何以最優(yōu)模型性能為目標(biāo)的數(shù)據(jù)、模型與算力分配。

定律的有效性是建立在訓(xùn)練大語(yǔ)言模型所需要的海量文本數(shù)據(jù)存在的前提，但對(duì)于訓(xùn)練具身智能模型，如上所說(shuō)，領(lǐng)域還沒(méi)有建立能夠支撐scaling law的數(shù)據(jù)范式，那么定律本身也無(wú)法發(fā)揮指導(dǎo)作用。

具身智能的發(fā)展需要能夠?qū)ζ洚?dāng)前階段有更好指導(dǎo)意義的新定律，因此在^【3】中，我們基于scaling law推導(dǎo)出新的適用當(dāng)前具身智能發(fā)展的新定律，命名為 Efficiency Law。

具體來(lái)說(shuō)，我們首先定義一個(gè)叫做“數(shù)據(jù)生成速率”的量 r_D，在最大允許的模型生產(chǎn)時(shí)長(zhǎng)的條件下，模型性能與 r_D 存在一個(gè)冪函數(shù)關(guān)系，并受控于一個(gè)模型容量的冪函數(shù)與一個(gè) r_D 的冪函數(shù)的加和，進(jìn)一步推出，在有限時(shí)間內(nèi)，更高的 r_D 能顯著提升學(xué)習(xí)效率，從而通過(guò)訓(xùn)練大容量模型提升實(shí)際性能，而過(guò)低的 r_D 會(huì)導(dǎo)致模型進(jìn)入“數(shù)據(jù)稀缺區(qū)”，使規(guī)律失效。

通俗解釋，Efficiency Law的核心觀點(diǎn)是：在有限的時(shí)間內(nèi)，決定具身模型性能上限的，是生成高質(zhì)量數(shù)據(jù)的速率（我們稱之為r_D）。數(shù)據(jù)生成速率越快，就能越快地“喂飽”一個(gè)大模型，從而突破性能瓶頸。如果速率太慢，模型就會(huì)一直處于‘吃不飽’的‘?dāng)?shù)據(jù)稀缺區(qū)’，再大的潛力也發(fā)揮不出來(lái)。所以，具身智能的重點(diǎn)必須從‘堆數(shù)據(jù)’轉(zhuǎn)向‘高效造數(shù)據(jù)’。

因此，具身智能的發(fā)展必須從“采數(shù)據(jù)”和“堆數(shù)據(jù)”轉(zhuǎn)向“高效地造數(shù)據(jù)”；通過(guò)提高高質(zhì)量數(shù)據(jù)的生成與利用效率，建立起支撐具身智能發(fā)展的新學(xué)習(xí)范式。

為什么世界模型需要絕對(duì)的物理精確性？

2. 當(dāng)前基于視頻生成的世界模型，有什么不足之處？

賈奎：當(dāng)前基于視頻生成的世界模型^{【4，5】}雖然能夠生成視覺(jué)上連貫、動(dòng)態(tài)一致的視頻序列，但它們主要在像素層面進(jìn)行統(tǒng)計(jì)學(xué)習(xí)，追求的是“視覺(jué)逼真”而非“物理正確”^【6】。

這類模型往往缺乏對(duì)真實(shí)物理規(guī)律的理解，無(wú)法準(zhǔn)確模擬如摩擦、質(zhì)量、受力、流體等底層動(dòng)力學(xué)機(jī)制，其生成結(jié)果更多依賴訓(xùn)練數(shù)據(jù)的分布而非因果計(jì)算，因此在面對(duì)分布外情境時(shí)容易產(chǎn)生違反物理常識(shí)的反事實(shí)場(chǎng)景。

對(duì)于具身智能而言，學(xué)習(xí)的核心在于建立真實(shí)世界中的感知、行動(dòng)、反饋循環(huán)，智能體必須遵循牛頓力學(xué)等物理法則來(lái)實(shí)現(xiàn)可執(zhí)行的行為。因此，具身智能所依賴的世界模型^{【7，8】}必須具備物理精確性，能夠針對(duì)剛體、軟體、流體等顯式三維表征，根據(jù)動(dòng)力學(xué)、運(yùn)動(dòng)學(xué)原理預(yù)測(cè)世界狀態(tài)變化計(jì)算系統(tǒng)的內(nèi)部狀態(tài)，推理被遮擋或未觀測(cè)到的元素變化，保持運(yùn)行過(guò)程中的時(shí)序一致性，并支持世界狀態(tài)的存儲(chǔ)與恢復(fù)，以實(shí)現(xiàn)精確的仿真與規(guī)劃。唯有如此，世界模型才能為具身智能提供符合真實(shí)物理約束的環(huán)境基礎(chǔ)，支撐其在現(xiàn)實(shí)世界中的可執(zhí)行學(xué)習(xí)與決策。

3. 您能展開闡述一下“基于生成式仿真的世界模型”的內(nèi)涵，原理，和基本屬性么，它能如何解決視頻世界模型的不足之處？

劉桂良：我們?cè)?/span>^【3】提出了基于生成式仿真的世界模型，即 World Models of Generative Simulation (GS-World)。它是一種將生成模型與物理仿真引擎深度融合的新型世界模型，它從根本上改變了“世界生成”的機(jī)制^。

傳統(tǒng)基于視頻生成的世界模型主要在像素層學(xué)習(xí)數(shù)據(jù)分布，追求視覺(jué)上的逼真，卻無(wú)法保證物理規(guī)律的正確性；而 GS-World 則在生成過(guò)程中顯式或隱式地引入物理仿真，將生成模型與可微分的物理仿真結(jié)合，使世界的動(dòng)態(tài)演化遵循真實(shí)的力學(xué)等方程。

它不僅生成場(chǎng)景的視覺(jué)外觀，還同時(shí)生成三維資產(chǎn)、物體材質(zhì)、物理參數(shù)與交互規(guī)則，從源頭上保證運(yùn)動(dòng)、碰撞、受力等現(xiàn)象的因果合理性。由于內(nèi)部狀態(tài)可被顯式計(jì)算與反向傳播，GS-World 能支持智能體在仿真環(huán)境中真實(shí)地行動(dòng)、學(xué)習(xí)與驗(yàn)證，既具備可控性又具備物理精度，從而擺脫了視頻模型依賴數(shù)據(jù)分布記憶、無(wú)法泛化和反事實(shí)失真的局限。

簡(jiǎn)而言之，GS-World 把“看起來(lái)像真的世界”真正變成了“遵循物理規(guī)律可計(jì)算的世界”，為具身智能提供了可信賴的學(xué)習(xí)與推理基礎(chǔ)。

4. “基于生成式仿真的世界模型”，有什么潛在的用途？

賈奎：我們所提出的GS-World具有極高的潛在應(yīng)用價(jià)值，它不僅是一種新的技術(shù)形態(tài)，更代表著“世界模型”的終極方向。

首先，GS-World 能夠在物理上精確建模和預(yù)測(cè)世界動(dòng)態(tài)，真實(shí)地生成三維環(huán)境、物體屬性及其物理交互規(guī)律，從而解決了 Sora2 等視頻生成模型僅具視覺(jué)擬真、缺乏物理一致性的問(wèn)題。在這種框架下，視頻生成僅是一個(gè)“自然副產(chǎn)物”，系統(tǒng)可通過(guò)任意視角的可微渲染輸出視頻，而其本質(zhì)是一個(gè)能夠內(nèi)蘊(yùn)計(jì)算完整物理因果過(guò)程的引擎。

其次，GS-World 也是強(qiáng)化學(xué)習(xí)領(lǐng)域中長(zhǎng)期追求的“model-based RL 的終極模型”，它能夠在仿真空間內(nèi)構(gòu)建世界動(dòng)力學(xué)并進(jìn)行高保真策略驗(yàn)證，實(shí)現(xiàn)虛擬試錯(cuò)與策略優(yōu)化的閉環(huán)學(xué)習(xí)。

與此同時(shí)，有了 GS-World，VLA模型的學(xué)習(xí)將變得極為便利：系統(tǒng)無(wú)需依賴昂貴的真實(shí)機(jī)器人數(shù)據(jù)采集即可通過(guò)仿真世界自動(dòng)生成多模態(tài)訓(xùn)練數(shù)據(jù)，并在物理精確的環(huán)境中實(shí)現(xiàn)策略驗(yàn)證與微調(diào)。

最根本地，GS-World 能作為一個(gè)通用智能引擎（Engine），驅(qū)動(dòng)持續(xù)、流式的具身智能學(xué)習(xí)，使得它能自動(dòng)生成、仿真、評(píng)估和反向優(yōu)化整個(gè)學(xué)習(xí)過(guò)程，使智能體在不斷變化的虛擬物理世界中自主學(xué)習(xí)與進(jìn)化，從而開辟“引擎驅(qū)動(dòng)的具身智能”這一全新的學(xué)習(xí)范式。

世界模型作為引擎，具身智能學(xué)習(xí)新范式

5. 您能介紹一下“基于生成式仿真的世界模型”作為引擎，如何形成新的具身智能學(xué)習(xí)范式？

賈奎：GS-World推動(dòng)了一個(gè)全新的“引擎驅(qū)動(dòng)的具身智能學(xué)習(xí)范式”。

相比當(dāng)前基于任務(wù)開發(fā)的Sim2Real路徑或Real2Sim2Real等變種，GS-World 能主動(dòng)生成并仿真物理精確的三維世界，使智能體在其中感知、行動(dòng)、試錯(cuò)與學(xué)習(xí)，形成“生成—交互—反饋—優(yōu)化”的閉環(huán)。

它不僅讓世界具備因果可計(jì)算性與自演化能力，還使智能體的策略學(xué)習(xí)、任務(wù)構(gòu)建與環(huán)境生成融為一體，從而實(shí)現(xiàn)流式、自我進(jìn)化的具身智能訓(xùn)練體系。

這種引擎驅(qū)動(dòng)（engine-driven）的 Sim2Real VLA 范式，使智能體真正能在生成并物理自洽的世界中持續(xù)成長(zhǎng)，為通用具身智能的自主學(xué)習(xí)奠定了核心引擎基礎(chǔ)。

6. 這種范式如何實(shí)現(xiàn)efficiency law, 它還有什么其他好的屬性？

劉桂良：GS-World是實(shí)現(xiàn)efficiency law的核心機(jī)制。

首先，GS-World 將“世界生成、物理仿真、任務(wù)構(gòu)建、反饋優(yōu)化”整合為一個(gè)可微分、可自進(jìn)化的統(tǒng)一引擎，使智能體的訓(xùn)練過(guò)程由被動(dòng)的數(shù)據(jù)驅(qū)動(dòng)轉(zhuǎn)向主動(dòng)的任務(wù)生成與環(huán)境演化。這樣，世界與智能體共同構(gòu)成一個(gè)自激勵(lì)、自循環(huán)的學(xué)習(xí)系統(tǒng)，智能增長(zhǎng)速度將與生成仿真能力成正比，體現(xiàn)出學(xué)習(xí)效率隨數(shù)據(jù)生成速率（r_D）的 efficiency law。

其次，GS-World 通過(guò)可控生成能力構(gòu)建無(wú)限多樣的物理環(huán)境與任務(wù)空間，使智能體能夠在統(tǒng)一的世界模型框架下同時(shí)學(xué)習(xí)多任務(wù)、多模態(tài)、多物理規(guī)律的行為，從而實(shí)現(xiàn)“通才化（generalist）”的認(rèn)知擴(kuò)展。同時(shí)，引擎還具備精細(xì)化的分布調(diào)節(jié)能力，可針對(duì)特定任務(wù)、技能或物理機(jī)制自動(dòng)收縮學(xué)習(xí)空間、聚焦優(yōu)化，形成“專才化（specialist）”的高效學(xué)習(xí)結(jié)構(gòu)^【9】。

也就是說(shuō)，GS-World 提供了一個(gè)既能橫向擴(kuò)展智能廣度、又能縱向精化智能深度的動(dòng)態(tài)引擎，使具身智能得以在高效率、強(qiáng)自適應(yīng)和持續(xù)演化的閉環(huán)中不斷生長(zhǎng)。

這種具備自動(dòng)化、可擴(kuò)展與彈性特征的引擎機(jī)制，為未來(lái)的具身智能建立了一種真正可自組織、自演化的學(xué)習(xí)生態(tài)。

7. 您能展開描述一下“數(shù)據(jù)驅(qū)動(dòng)”與“引擎驅(qū)動(dòng)”的具身智能學(xué)習(xí)，范式上有什么本質(zhì)不同？

劉桂良：數(shù)據(jù)驅(qū)動(dòng)的具身智能學(xué)習(xí)以外部數(shù)據(jù)為中心，智能體被動(dòng)地從過(guò)去的經(jīng)驗(yàn)分布中提取規(guī)律，缺乏對(duì)物理世界的顯式建模，因此學(xué)習(xí)受限、擴(kuò)展性差、缺乏因果一致性。

而引擎驅(qū)動(dòng)的具身智能學(xué)習(xí)則以生成式仿真引擎（GS-World）為核心，讓智能體在一個(gè)可生成、可演化、可驗(yàn)證的世界中自主學(xué)習(xí)，通過(guò)閉環(huán)交互持續(xù)生成數(shù)據(jù)、構(gòu)建因果模型并優(yōu)化策略。它不依賴外部數(shù)據(jù)供給，而依靠自身生成能力驅(qū)動(dòng)智能持續(xù)增長(zhǎng)，實(shí)現(xiàn)學(xué)習(xí)效率、泛化能力與可解釋性的全面躍升。

簡(jiǎn)而言之，從數(shù)據(jù)驅(qū)動(dòng)到引擎驅(qū)動(dòng)，是具身智能從“模仿現(xiàn)實(shí)”走向“生成現(xiàn)實(shí)”的根本范式轉(zhuǎn)變。

8. 為什么要實(shí)現(xiàn)產(chǎn)品級(jí)成功率和魯棒抗干擾性的具身智能，世界模型引擎驅(qū)動(dòng)的學(xué)習(xí)范式是必然選項(xiàng)？

賈奎：在家庭、商業(yè)和工業(yè)等復(fù)雜真實(shí)場(chǎng)景中，機(jī)器人只有在具備物理精確性、抗環(huán)境擾動(dòng)能力及泛化安全性的前提下，才能實(shí)現(xiàn)產(chǎn)品級(jí)的穩(wěn)定性與成功率。

傳統(tǒng)數(shù)據(jù)驅(qū)動(dòng)方法只能從表象數(shù)據(jù)中學(xué)習(xí)統(tǒng)計(jì)相關(guān)性，缺乏與現(xiàn)實(shí)物理一致的因果約束，因而在遇到擾動(dòng)或未見場(chǎng)景時(shí)性能崩潰。

而基于 GS-World 的引擎驅(qū)動(dòng)學(xué)習(xí)范式，能夠從根本上構(gòu)建物理一致的可生成世界，讓智能體在仿真中經(jīng)歷無(wú)限真實(shí)的交互與試錯(cuò)過(guò)程，自主習(xí)得對(duì)復(fù)雜力學(xué)、噪聲和變化的補(bǔ)償策略，從而自然獲得魯棒性、泛化力與安全性。

這意味著：要實(shí)現(xiàn)真正可部署、可靠且可信賴的具身智能產(chǎn)品，引擎驅(qū)動(dòng)的世界模型學(xué)習(xí)已不是一個(gè)可選方向，而是必然的技術(shù)路徑。

世界模型引擎：具身智能機(jī)器人的終極訓(xùn)練場(chǎng)和演化場(chǎng)

9. 機(jī)器人的技能是如何在“基于生成式仿真的世界模型”中產(chǎn)生和訓(xùn)練的？

劉桂良：在 GS-World 中，機(jī)器人技能不再是人類手工設(shè)計(jì)的任務(wù)腳本，而是通過(guò)引擎生成的物理世界中自然“挖掘”出來(lái)的。

該模型通過(guò)生成真實(shí)物理交互的世界，使技能在仿真中經(jīng)由交互、優(yōu)化與驗(yàn)證逐步形成；通過(guò)多模態(tài)表示與動(dòng)作語(yǔ)法機(jī)制，這些技能又能抽象、組合與遷移，形成具可擴(kuò)展性的技能生態(tài)。最終，憑借世界模型的物理準(zhǔn)確性與仿真魯棒性，以及引擎的連續(xù)域隨機(jī)和域適應(yīng)能力，這些在虛擬世界中學(xué)習(xí)的技能能夠安全而高保真地遷移至現(xiàn)實(shí)環(huán)境，實(shí)現(xiàn)從生成世界到學(xué)習(xí)行為再到遷移現(xiàn)實(shí)的閉環(huán)。

這意味著，在 GS-World 引擎中，技能成為具身智能內(nèi)生的、可解釋、可擴(kuò)展、可復(fù)用的智能基元，是未來(lái)通用機(jī)器人能力的核心生成機(jī)制。

10. 如何理解“基于生成式仿真的世界模型”是具身智能機(jī)器人的演化場(chǎng)？

賈奎：GS-World 之所以是具身智能機(jī)器人的演化場(chǎng)，在于它讓智能體的身體結(jié)構(gòu)、控制策略與環(huán)境動(dòng)力學(xué)在同一物理生成機(jī)制下共同演化^【10】。

GS?World?通過(guò)可微分的物理仿真、圖結(jié)構(gòu)的形態(tài)表示及仿生搜索機(jī)制，使機(jī)器人能夠在虛擬但物理一致的世界中不斷重塑自身形態(tài)、優(yōu)化行為并積累演化經(jīng)驗(yàn)。

它提供的不只是訓(xùn)練環(huán)境，而是一個(gè)能促使機(jī)器人實(shí)現(xiàn)身體與智能協(xié)同生長(zhǎng)、自組織、自適應(yīng)的物理?認(rèn)知生態(tài)場(chǎng)；在這個(gè)意義上，GS?World?成為具身智能機(jī)器人從“人工設(shè)計(jì)產(chǎn)物”走向“自演化生命體”的關(guān)鍵躍遷平臺(tái)，從而實(shí)現(xiàn)讓人工智能定義機(jī)器人本體。

結(jié)語(yǔ)

AGI、Physical AGI 與具身智能正處在高速發(fā)展的階段，行業(yè)迫切期待一種基于第一性原理、能與具體任務(wù)場(chǎng)景深度匹配且具備高性價(jià)比的新技術(shù)范式。

而跨維智能聯(lián)合香港中文大學(xué)（深圳）提出的GS-World 世界模型引擎，以及基于該引擎的具身智能學(xué)習(xí)新范式，正是這一范式的典型代表。

據(jù)悉，GS-World 引擎原型以及基于其自動(dòng)訓(xùn)練的VLA 模型也將于近期開源。期待更多產(chǎn)業(yè)及學(xué)術(shù)研究人員投入到這一極具潛力的新方向，共同推進(jìn)具身智能產(chǎn)業(yè)的快速發(fā)展與廣泛落地。