11 月 16 日,华为云在"行业 AI 梦工厂"发布会上发布并开源了昇腾原生的具身世界模型 CloudRobo-WM1.2。据官方口径,它在 RoboTwin 2.0 和 Libero Pro 2.0 两个具身智能评测基准上都排在第一;模型权重、推理与后训练代码计划在 11 月 30 日开放。

这里有个容易被通稿一笔带过的细节:据钛媒体报道,真正全公开的是模型权重、后训练与推理代码、基础设施最佳实践;训练框架工程代码和 WAM 昇腾算力代码库,是"面向核心合作伙伴定向开放"。这两个词的差别不小,后面再讲。

世界模型到底在解决什么问题

大模型处理的是文字和图像,世界模型处理的是"物理世界的下一秒"。

它要把摄像头画面、深度、点云这些输入揉在一起,先回答"我推一下这个杯子它会往哪边倒、会不会掉下去",再把预测结果翻译成机械臂的关节角度和底盘速度。前者叫世界表征,后者叫动作生成。过去这两件事通常是分开做的:一个模型负责看懂,另一个模型负责动手,中间靠对齐模块缝起来。

缝得不好,问题就出在真实场景里。据钛媒体梳理的多组第三方基准数据:遮挡一来,关键目标检测得分从 68% 掉到 28%;相机机位从固定视角换成高位视角,正确率从 62.72% 跌到 7.62%;有的模型对物体位置理解接近满分(0.97/1),对"速度"只有 0.42/1,物理推理正确率随之掉到 19%。在 IntPhys 2 上,几乎没几个模型摸到 60%,而人类受试者普遍在 96% 左右。

所以今年具身智能的 Demo 视频很多,能进产线的很少。卡住的不是模型参数量,是感知、数据、架构这三块地基。

五项技术,基本逐条对上麻烦

发布会讲的是"五大突破",把技术名词拆开看,其实就是对着上面那几类问题各开一个方子:

1. PPA 多模态世界表征:把 RGB 视频、语义特征、深度、点云放进同一个框架,并且加了面向未来状态的预测监督。用大白话说,模型看到杯子不只要说出"这是杯子",还要回答"推它一下会怎样"。感知从"描述此刻"变成"推演下一秒"。

2. DualAct 双路径动作架构:同一个理解世界的大脑下面挂两条路——World generator 世界骨干负责高精度动作预测,Action expert 动作专家负责快速直接生成动作,两条路用统一的动作监督目标训练。这个设计的意义在于,它试着把"想得准"和"反应快"这对矛盾放进一个模型里,而不是靠外挂对齐模块补。

3. 多粒度监督数据自适应预训练:不再要求每条训练样本模态齐全。动作标注缺了、深度缺了、相机视角不全,都能进训练池。这一条对行业意义最大——真机数据采集据称一小时 500 到 2000 元,大多数团队手里躺着的是"标不全"的数据,能不能把废料用起来,直接决定规模。

4. Embodiment 条件化跨本体泛化:保留机器人 96 维、人类 168 维运动的原生物理语义,不硬压进一个统一数值空间,而是让共享模型学会区分不同本体的"运动方言"。背景是:把不同机器人的动作数据在数值空间直接拼接,实测成功率可能从 98% 塌到 18%。

5. 四模式弹性推理:按场景切换精度档位。研发调试用全精度模式换可解释性,在线执行用快速模式换时延。

第五条给了具体数字,值得单独看一下:

# 单次推理计算量区间(单位:TFLOPS),据华为云发布会口径
fast     = 3.99    # Action-only + Expert Action,在线执行
accurate = 43.71   # Joint + World Action,研发调试

print(f"高低相差 {accurate / fast:.1f} 倍")

# 按 1Hz 决策、一天跑 8 小时估一下
calls = 1 * 3600 * 8
print(f"一天决策次数: {calls}")
print(f"高精度模式: {accurate * calls:,.0f} TFLOPS·次")
print(f"快速模式:   {fast * calls:,.0f} TFLOPS·次")

跑出来是高低差约 11 倍。这个数字解释了一件事:为什么世界模型进不了产线。推演未来本来就贵,如果每台机器人都按实验室的精度跑,成本没人付得起。按场景换挡不是优雅,是没办法的办法。

对普通开发者意味着什么

能拿到什么。 模型权重、后训练代码、推理代码,这三样凑齐了,至少"下载下来能跑、能改、能微调"。这在国产世界模型里确实少见——多数厂商连权重都不放,放出来的也常常只有推理脚本。

拿不到什么。 训练框架工程代码和算力代码库是定向开放。翻译一下:你能推理、能后训练,但"从零在昇腾上训一个世界模型"的完整工程方法,得先进生态。对绝大多数团队来说这不算致命,毕竟自己从头训一个 6B 级的 WAM 本来也不现实。

几个实际的坑,建议提前算清楚:

  • 昇腾栈不是 CUDA 栈。 算子、框架、编译链路都要重新适配。原文提到 AI 框架层 RLinf v0.4 对昇腾 NPU 的支持做了增强,这属于"能跑通"的层面,不等于"你的老代码改两行就能跑"。
    • 显存是真门槛。 渲染一段未来影像据称要吃掉接近 20 GiB 显存。想在单卡上玩完整的世界模型推理,先看卡。
    • 榜单第一 ≠ 你产线好用。 RoboTwin 2.0、Libero Pro 2.0 是仿真基准,考的是标准任务下的成功率。真实车间里的光照、反光、遮挡、非标件,榜单测不出来。
    • 跨本体泛化不会自动生效。 你手上的机械臂自由度、控制频率、相机标定如果和训练数据差得远,"运动方言"照样听不懂,得自己补数据做对齐。
      一个务实的判断路径:如果你的场景是固定工位、固定品类、光照可控(比如分拣、上下料),现成的 VLA 方案可能比世界模型更划算;如果是长时序、需要预判物理后果的任务(堆叠、柔性物体、动态避障),世界模型这条线的收益才开始显现。别为了"世界模型"四个字上项目。

最后

据华为云披露,昇腾云在具身智能市场已是中国第一,80% 的中国具身智能企业选择了昇腾云。这个数字是厂商口径,但至少说明生态不是空的——对开发者来说,选不选这套栈,本质是在赌"国产算力能不能扛住最重的 AI 负载"这件事。

模型能力会继续涨,这个不用怀疑。真正难的是数据、是时延、是跨本体那点脏活。这三样,开源解决不了,得靠一个个场景磨。

你怎么看,评论区聊聊。

Logo

作为“人工智能6S店”的官方数字引擎,为AI开发者与企业提供一个覆盖软硬件全栈、一站式门户。

更多推荐