生数科技直播Motubrain具身AI训练全流程

大模型的训练过程正进一步向公众敞开。

在语言模型领域，已有部分团队公开过强化学习等阶段的训练进展。如今，这股“开箱”风气延伸到了具身智能与物理人工智能（Physical AI）领域。10月21日，生数科技世界模型团队正式开启了 Motubrain 2.0 训练全流程的公开直播，计划持续半个月，全程展示具身模型的训练过程及最新研究进展。

具身模型为何需要“打开黑盒”？

所谓 Physical AI，旨在让 AI 理解物理世界的规律，并通过机器人等物理实体执行具体任务。相较于仅处理文本的语言模型，Physical AI 面临动作决策、动态执行与跨场景泛化等多重挑战。

Motubrain 系列是生数科技打造的具身大模型，核心目标是为机器人构建通用的“大脑”，探索在不同任务、场景以及各类机械本体之间的能力泛化。在 Motubrain 2.0 正式开源前，团队选择以全程直播的形式，对外公开其从训练、评测到能力迭代的完整路径。

过去，外界了解具身智能的进展通常依赖录制好的机器人演示（Demo）、评测榜单或学术论文。外界很难观察到模型在不同阶段究竟经历了怎样的参数变化与逻辑演进。通过公开全流程，外界不仅能看到能力的逐步成型，也能直观目睹训练中的失败、试错与参数调整。

四大核心训练环节

本次公开训练重点覆盖四个阶段：

1. 预训练阶段：观察不同数据和算力规模对模型基础性能及零样本泛化能力的影响。
2. 后训练阶段：针对具体机械控制与操作任务展开微调，提升精准执行能力。
3. Agent 任务执行：验证模型是否具备跨任务迁移能力，能否将学到的物理先验应用至新场景。
4. RSI（递归自我改进）探索：测试模型能否根据现实环境执行的反馈结果，自主评估并改进自身的后续行动策略。

对于整个具身智能行业而言，这种全透明的研究呈现方式，为开发者和同行提供了极具参考价值的工程样本。研究人员不仅能直击规模化训练与泛化难题，还能共同探讨 Physical AI 的落地技术范式。

生数科技团队表示，相关探索仍在演进中，具体表现仍待后续各项基准测试检验。但相比单向展示完美运行的演示视频，将训练中的不确定性与解决过程公之于众，对技术生态本身具有长远的推动价值。感兴趣的开发者可通过 Motubrain 官网 或其专用直播页面观看训练实况。