2026年,具身世界模型成了人工智能行业最拥挤的赛道之一。
海外,谷歌、英伟达接连加码;国内,智元、星海图、智源、腾讯、阿里相继下场。各家路线略有差异,但共识已经形成:让机器人先理解世界,再做动作决策。有行业媒体梳理显示,国内公开的世界模型已有59个,全球公开入场的公司达55家。
11月16日,华为云“行业AI梦工厂”发布并开源昇腾原生的具身世界模型CloudRobo-WM1.2,采用共享世界模型骨干网络实现预测增强的世界表征,基于世界模型原生DualAct架构,实现了世界模型原生动作生成,在RoboTwin 2.0、Libero Pro 2.0两项评测中均列第一。这两项基准分别由多家国内顶级高校与科研机构推出,是行业内公认的世界模型考场,全球的顶级模型都曾在此同台竞技、并轮流登顶。按华为云的说法,这份成绩单意味着:基于国产先进算力,也可以训练出世界领先的具身世界模型。
本次发布会同时宣布:CloudRobo-WM1.2的模型开源,训练框架工程代码与WAM昇腾算力代码库则面向核心合作伙伴定向开放。前者的诚意是普惠,后者的门槛是筛选——这种深度的开放策略,在国产世界模型阵营里还没有先例。对普通开发者而言,这次能拿到的,除了最新最强的世界模型,还有从复现到二次训练的完整起点;被选中的核心伙伴,则进一步握有在国产算力上训练世界模型的完整工程方法。
“昇腾原生”四个字是本次发布会最值得关注的亮点之一。世界模型是当前最吃算力栈的AI负载,此前全球顶级世界模型的完整训练链路,只在英伟达CUDA和谷歌TPU生态上跑通过。而昇腾原生意味着从核心算子、训练框架到模型架构在国产算力上整条链路协同优化并真正跑通,等于给国产算力做了一次最高强度的公开验收。华为云同时透露,华为昇腾云在具身智能市场格局中国第一,已有80%的中国具身智能企业选择昇腾云,重点高校基本实现全覆盖。
华为云的一场发布会,摆出了三张明牌:一张是新晋登顶的开源具身世界模型,一张是高度开放的具身智能开发生态,最后一张是国产算力基座扛起最高负载的成色验证。而这三张明牌的组合,让华为云提出的“硅基黑土地”的意象有了具体的形状。
世界模型的瓶颈
过去一年多,具身智能在舆论场的热度几乎没有降过。融资、发布会、Demo视频,一轮接一轮抬高外界预期。但如果把演示画面暂停,去翻几份模型的基准测试成绩单,看到的是另一幅景象。
最直接的短板在视觉。目前主流的视觉系统擅长描述“此刻镜头里有什么”,却不擅长在信息残缺时做出判断。遮挡一来,关键目标检测的得分立刻从68%跌到28%;在中等程度的相机遮挡下,3D检测的mAP从35.6滑到20.9,超过四成精度凭空蒸发。计数任务上,视觉语言模型平均退步6.28%,个别模型的错误率冲到32.5%。
镜头位置挪动同样致命。习惯固定机位的模型遇到高位视角等变化,正确率即从62.72%坠至7.62%,与盲眼作答相差无几;即便用完全视角多样性去训练,也只有34.35%。
更深层的短板藏在对运动的理解里。有模型对物体位置的理解能力接近满分(0.97/1),但对“速度”的理解能力很弱(仅0.42/1)。这就直接导致了其物理推理正确率仅为19%。即使人为干扰其速度编码后,它的输出变化不足5%。在IntPhys 2基准上,几乎所有模型都没摸到60%的及格线,而人类受试者则普遍可以达到96.44%。
感知之外,认知与行动之间的接缝同样粗糙。让模型“想清楚”和让机器人“来得及做”,眼下是两件互相拉扯的事:深度绑定的方案保住了物理直觉,响应速度却够不上实时控制的门槛;拆开跑的方案把延迟压进几十毫秒,又得靠额外的对齐模块去填补成功率缺口;折中的分层设计两头兼顾,代价是整套系统的复杂度与协同成本同步抬升。三条技术路线,没有一条能以低成本兑现判断质量和反应速度。
模型能力瓶颈的背后,压着一块共同的基石:数据。真机数据在业内被视作无可替代的标尺,投入产出比惊人,掺入10%便能显著拉升成功率。然而其采集成本在一小时500到2,000元之间,来源五花八门,完整标注更难批量完成。训练管线若对模态齐全度卡得太死,存量的海量视频、动作轨迹和传感器记录就只能在硬盘里沉睡。谁能先把这批“不合规”的数据喂进训练,谁就握住了别人没有的弹药。
数据难题还会被硬件差异进一步放大。同一套动作指令,换一台机器人执行,含义就偏了。把不同本体的数据在数值空间里直接拼接,实测结果相当难看:成功率可以从98%直接塌方到18%,在个别极端案例中强行统一接口,成功率只剩个位数。数值层面的粗暴合并,实践中已被证伪,可行的路径是要在语义层面对齐动作。
最终,这一切都还要过算力这一关。世界模型推演未来的速度,与机器人实时响应的要求之间,差着一到两个数量级。单次决策耗时从几百毫秒到数秒不等,渲染一段未来影像要吞掉接近20 GiB显存。这已经不是工程优化能抹平的差距,而是必须在架构层面正面处理的时延断层。
把这几层串起来,卡住具身智能的,不是模型规模再上一个台阶,而是感知方式、数据效率和系统架构这三处地基。
CloudRobo-WM1.2的解法
如果说前文那些基准测试成绩描述的是整个行业的共同困境,那么CloudRobo-WM1.2端出来的五项技术能力,几乎可以逐条对号入座。
在视觉感知方面,PPA(Perceive-Predict-Act)多模态世界表征架构将RGB视频、语义特征、深度信息与点云揉进同一框架,并引入面向未来状态的多模态预测监督。实际效果上,模型识别出一个杯子的同时,还要回答“推它一把会往哪边动、会不会倒”这类尚未发生的问题。感知系统被迫从“描述此刻”升级为“推演下一秒”。而预判物理交互结果,正是真正理解物理规则而非只是记住物理状态的重要标志。
在动作生成方面,DualAct(Dual-path Unified Expert Training)世界原生双路径动作架构,在同一个理解世界的大脑下构建起两条动作生成路径:World generator世界骨干负责高精度的动作预测,Action expert动作专家负责高效直接的动作生成——好比人既有需要斟酌的精细控制,也有不假思索的膝跳反射。两条路径采用统一的动作监督目标,让世界模型的认知能力与机器人的动作生成,在同一个学习体系里结合。
在数据利用方面,CloudRobo-WM1.2的多粒度监督数据自适应预训练框架不再要求每条样本模态齐全,而是按手头数据实际具备的有效信息来组织监督。动作标注缺失、部分维度无效、深度信息或相机视角不完整的数据均可被兼容,不必丢弃。对行业里来源五花八门的海量存量数据来说,这种“有什么用什么”的训练姿态,直接决定了异构数据能否跑出规模效应。
在跨本体泛化方面,CloudRobo-WM1.2保留了机器人96维与人类168维运动的原生物理语义,没有把它们压进一个统一数值空间;转而通过Embodiment条件化,让同一个共享模型学会分辨不同形态机器人各自的“运动方言”。单臂、双臂、轮式底盘的数据由此可以放进同一个训练池,既共用知识,又不互相污染。
在算力优化方面,四模式按需激活的弹性推理,像点菜一样匹配不同的算力预算与时延容忍度:研发调试阶段用全面高精度模式(Joint+World Action),换取可解释性;在线执行阶段切到快速高效模式(Action-only+Expert Action),换取部署效率。这个弹性有量化的注脚:四种模式的单次推理计算量介于3.99到43.71 TFLOPS之间(华为云口径),高低相差近十一倍——同一套模型,为实验室的精度可以花43 TFLOPS,为产线的时效可以只花3.99。时延断层未必能一次填平,但至少可以先按场景换挡,不必让每一台机器人都为最贵的方案买单。
这五项核心技术共同支撑CloudRobo-WM1.2在世界建模、动作生成、数据规模化学习和工程部署方面的持续演进,为具身智能从模型研究走向复杂物理场景应用提供技术基础。
最深度的一次开放
国产世界模型普遍不开源,多数厂商连权重都不放,开发者拿不到可复现、可二次训练的起点。多项第三方报告也把开源生态缺失列为国产赛道与海外之间最大的差距。
开源生态的缺失,根子上是生意结构的问题。海外的开源先锋,Meta、英伟达这类公司,其商业化基础都不是模型本身:前者靠算力和服务,后者靠芯片和仿真栈,模型免费是为底层业务引流的手段。
而国内的世界模型公司则恰恰相反:模型本身就是产品,就是融资叙事的核心,开源等于亲手拆护城河。整个赛道处在能力快速爬坡期,训练配方和数据配方是最敏感的商业机密,谁先开源,谁就先被同行拿来打榜对标。
同时,开源生态还需要有人长期投入基础设施运营。国内少部分开源厂商,放出来的也大多只有权重和推理代码,训练数据不随附、工具链不配套、算力适配要开发者自己啃,模型下载下来跑不通、改不动、训不起,开源成了发布会的噱头,没能长成生态。
再加上这批模型厂商里此前缺少能从生态里赚到钱的平台型角色,动力就更弱,于是形成一个负向循环:不开源,开发者无从参与;开源不深,社区反馈少,迭代慢;迭代慢,又更需要靠闭源叙事维持估值。
CloudRobo-WM1.2这一次的发布,把开放生态做到行业之前从未有过的深度。
它的开放分三层。第一层,模型开源:评测第一的WAM核心模型,权重、后训练代码、推理代码及基础设施最佳实践全部公开。第二层,平台开放:CloudRobo开发平台开放API、SDK、CLI与插件扩展机制,第三方模型、数据工具、训练框架都可以接入,这是一套整体开发环境的开放。
而第三层的开放最值得关注,也最值得琢磨:源码定向开放,即面向核心合作伙伴定向开放训练框架工程代码与WAM昇腾算力代码库。这一层目前没有同行做过——把模型架构、计算框架、核心算子与国产算力的协同优化方法,交给了被选中的少数人,它是整个开放策略里最锋利的一笔。
开放之外,华为云还给出了三个承诺。坚定投入:持续深耕具身智能模型核心技术,不断推出具有行业竞争力的具身智能模型。全面开放:持续开放模型、工具链及技术实践,依托昇腾云算力与云原生基础设施,助力产业伙伴高效率地开发与训练具身智能模型。共建共享:以平台连接模型厂商、本体厂商与行业伙伴,共建行业解决方案,加速具身智能在千行百业的规模化落地。三个承诺回应的是同一个疑问——世界模型的竞争是一场长跑,华为云把自己放进了跑道,而不是只办一场发布会。
对开发者而言,三层开放改变的是角色任务,只是起点不同:普通开发者从前两层拿到的,是从下载权重到接入工具链的完整起点,复现、改造、二次训练都有据可依;核心合作伙伴则多一条路——把“怎么在昇腾上训出世界模型”用在自家机器人与场景上。
对整个具身行业而言,创新的重心发生了转移。当世界模型的生产资料变成公共品,竞争就从“谁有资源训大模型”转移到“谁更懂场景、谁的本体和数据更好”,本体厂商、行业方案商都能在公开基座上做上层创新,不必再各家重复造轮子。同时,开发者每在昇腾上完成一次训练,国产算力生态就厚一分。三层开放实际上是在替整个行业修一条从想法到落地的最短路径,而第三层的门槛,让这条路径同时是一道筛选:最深的开放留给最紧密的伙伴,生态的半径由华为云亲手圈定。
昇腾原生的含金量
现行顶级世界模型的训练与推理负载,几乎全部压在谷歌TPU与英伟达CUDA生态上,国产算力至今没有一套能完整跑通世界模型的栈。
我们为什么急需一套建在国产算力基建上的顶级世界模型?
刚过去的这一周恰好给了答案。11月9日,英伟达在机器人学习大会上发布GR00T 2,全球具身智能开发者刚刚确认,自己的模型、数据和工具链都长在同一套生态上。两天后,这家公司的创始人辞任CEO,所有以英伟达路线为基座的架构,都不得不随之重估自己的排期。没有谁做错了什么,单一算力底座的固有属性本就如此:政策、人事乃至叙事的风吹草动,都会原样传导给地上的人。
而具身智能的集中还在加速,模型、数据、仿真、部署正收拢进同一个生态,开发者的训练管线、数据格式与工具链每多运行一天,与这套生态的咬合就深一分,日后想换轨,代价只会更大。对中国的机器人产业来说,把最高强度的训练需求留在自己的算力基建上,意义就落在“确定性”三个字里,也正是“昇腾原生”的含金量。
这套基座并非凭空而来。华为云在AI与智能驾驶领域积累了多年工程化实践,CloudRobo的底座延续的是同一条路线。世界模型被普遍视为AI负载的金字塔尖:多模态、长序列,训练与推理双向吃紧,跑通它,是对一套算力栈最苛刻的检验。
CloudRobo-WM1.2的基座分三层。算力层,异构计算架构与超节点互联支撑多模态与物理仿真,以6B参数的WAM为例,用上下文并行、参数分片、激活重计算的组合应对视频长序列训练。算网数存层,PB级多模态数据统一存储与检索,面向具身强化学习做计算与通信的联合调度。AI框架层,RLinf v0.4对昇腾NPU的支持大幅增强,实现最高2.78倍的吞吐提升。
基座之上,华为云还补上了从模型到产线的那段路。六大工程能力各管一段:高保真物理仿真、极端工况合成与Real2Sim2Real迁移负责行业冷启动,把对真机数据的依赖降下来;云原生训练提供WAM/VLA/VLN统一工具链;星闪鸿蒙生态集成通过高并发R2C网关支持1000台以上本体并发保活,GB级模型可以分钟级热更新;R2C跨本体快适配做到小时级接入;持续学习RSI架构打通作业数据回流、奖励评估与真机强化学习的循环;安全可靠运行覆盖风险感知、自主恢复与端边云协同。
三层基座和六大工程能力是从具身智能的负载倒推着造出来的。算力层的超节点与并行策略解决长序列训练,算网数存层接住PB级数据洪流,AI框架层为具身强化学习提速。而训完之后,仿真冷启动、统一工具链、星闪鸿蒙接入、跨本体适配、持续学习与安全运行,把从模型到产线的路全部铺完。具身智能全周期最难啃的工程问题,都被预先做进了云里。所谓“昇腾最亲和”,就是别家的算力可能是捎带支持具身,而昇腾这套体系是为具身而生。
改写行业的基础
本次华为云打出的三张牌,给具身智能行业带来了一些新的可能性。华为云这次发布的是首个对外开放的、CUDA生态之外的完整开发栈,假如开发者迁移成立,具身智能会成为国产算力与英伟达正面交锋的新战场,而开发者的选择,正是模型能力、开放生态和基座平台要真正争夺的东西。(本文首发于钛媒体APP)








