美梦空间联合索辰科技发布首个物理世界动作模型

具身智能的商业化探索正在遭遇瓶颈。近期学术界的多项研究揭示了现有架构的软肋：前沿的视觉-语言-动作（VLA）模型在固定环境中表现稳定，但一旦遭遇空间布局变化或物理参数扰动，任务成功率便出现断崖式下跌。

根本原因在于，传统 VLA 驱动的机器人多依赖统计学模仿，只知道“看到杯子便去抓”，却无法感知“杯壁有多薄、摩擦力是否足够、注水后重心是否改变”。为破解这一难题，“世界模型”正在成为具身智能实现跨越的关键路径。

在第五届全球数字贸易博览会上，由北京大学信息技术高等研究院高文院士团队孵化、获索辰科技战略投资的杭州美梦空间科技（Memo），正式发布了物理-世界动作模型基模 Physical-WAM 以及业内首个物理漂移评测基准 RoboTwin-Phys。

破解数据瓶颈：引入“物理 Token”中间层

相比大语言模型与计算机视觉，机器人领域的数据采集成本极高。有效的物理交互必须依赖真机运动或高保真物理仿真，真实物理交互样本目前仅维持在百万级，与互联网数十亿级的图文数据相比存在数万倍差距。

针对数据瓶颈与物理感知缺失，Physical-WAM 在感知输入与动作输出之间插入了一层显式的**“物理 Token”表征**。

以往世界模型多采用像素或隐空间向量作为中间态，仅能预测“下一帧图像如何变化”，却无法解释“变化的动力学机理”。Physical-WAM 通过融合可观测数据与深层物理参数，使模型在真实交互中具备了实时预判与纠偏能力。

该模型由三个关键模块构成，形成闭环链路：

1. PhysLens（物理翻译器）：从多模态感知输入中提炼摩擦力、重量、重心及接触状态等隐式物理信息，输出统一的物理 Token。
2. PhysDream（物理预言家）：结合当前物理表征、环境状态与候选动作推演未来的物理走向，评估打滑、脱手等风险与不确定性。
3. PhysAct（物理动作生成器）：在动作生成阶段引入物理约束，当环境出现物理漂移时自动微调动作策略。

例如在抓握纸杯注水的场景中，PhysLens 识别纸杯的低刚度特性，PhysDream 预判注水负载可能导致杯体形变滑脱，PhysAct 则动态调整抓握力与接触位姿，使机器人表现出类似人类的“物理直觉”。

RoboTwin-Phys：量化物理漂移的开源标尺

除了模型研发，具身智能领域长期缺乏针对物理适应度的量化标准。传统基准大多只考察“任务是否完成”，模型往往通过在固定物理参数下死记硬背来刷榜，现实场景中稍有摩擦或质量改变便告失效。

美梦空间推出的 RoboTwin-Phys 是业内首个以物理扰动为核心的评测基准。该基准在物体属性、接触属性、阻尼、环境及相机配置 5 大维度引入了 13 类真实物理扰动因素，把现实中模糊的物理变量转化为可控、可复现的评测指标。

该基准的设计具备三项核心特性：

• 提供物理真值：记录接触力日志、运动学数据与失效时间线，精确定位模型是从感知阶段误判，还是在动作生成阶段失误。
• 固定种子配对测试：确保不同模型面对完全相同的扰动实例，降低随机偶然性。
• 分层评估：从推断准确度、扰动下任务完成率到性能上限逐级测量。

目前，RoboTwin-Phys 的代码、数据集及榜单已全面开源，供全球研究者复现与评测。

具身智能的世界模型演进路径

世界模型在不同学术领域定义各异。毕马威此前发布的产业报告指出，世界模型正从表征式、生成式、交互式向“理解-生成-预测一体化”演进。

物理 AI 的工程化落地仍面临多项前沿挑战：物理 Token 在面对非线性弹性变形或微观粗糙度时的表征粒度、不同形态末端执行器（如双指夹爪与多指灵巧手）之间的物理迁移效率，以及仿真环境与真实物理之间 Sim-to-Real 的保真度界限。

美梦空间团队表示，未来将沿“视觉先行，力触声递进”的技术路线，持续扩大物理交互数据体量，并携手索辰科技推进世界模型在工业级场景中的深度落地。