【新智元导读】具身智能如何突破「遥操作」的数据桎梏？商汤联合创始人王晓刚领衔的大晓机器人，交出颠覆性答卷——发布全球首个开源商业落地世界模型「开悟3.0」。
在通往AGI的狂欢中，图灵奖得主Yann LeCun却一直像个执着的「反叛者」。
他不止一次给大语言模型（LLM）泼冷水，直言靠预测下一个字符的概率游戏，永远无法触及真正的智能。
他眼中的未来，属于「世界模型」。
直到李飞飞团队World Labs发布的Marble，当大家亲眼看到那个可以生成、互动且符合逻辑的3D虚拟世界时，LeCun描绘的图景才终于具象化了。
为什么实现AGI需要世界模型
为什么我们如此迫切地需要世界模型？
因为基于大语言模型的AI在物理世界里，是个严重的「偏科生」。
现实数据的采集太苦、太慢了！
教会机器人认识一件红衣服，换成绿色的它可能就「懵」了；
更别提那些极端场景——我们总不能为了训练自动驾驶，真去撞毁一千辆车吧？（还有更多低概率的corner case）
于是，一场围绕物理世界的「数字重构」悄然打响，并分化出三大战场：
游戏VR虚拟世界生成：以李飞飞的Marble为代表；自动驾驶：以特斯拉FSD为代表；具身智能：这是当下最火的方向，也是下个十年的AI的重心。
而第三个战场——具身智能，则是目前最难啃的「硬骨头」。
这个领域正撞上一堵看似不可逾越的「数据墙」。
长期以来，行业被迫依赖「遥操作」——让人类穿戴设备手把手教机器人。
这种方式不仅效率低、成本高，更致命的是泛化性极差。
而在尝试用AI生成数据时，又会掉进另一个深坑：物理因果一致性。
以往的模型生成的视频，往往只是「看起来像」。
但在机器人眼里，杯子凭空悬浮、水流违背重力，这些缺乏物理常识的画面不仅无用，甚至是毒药。
如何让AI生成的世界既逼真又符合物理定律？
这成了阻挡AGI降临现实的最大路障。
而一家刚刚成立的公司大晓机器人，率先突围，交出了一份颠覆性的答卷——开悟世界模型3.0。
开悟3.0是一种全新范式的确立：多模态理解-生成-预测一体化。
与传统大模型「看图说话」的浅层逻辑不同，开悟3.0拥有极强的物理感知力。
它不仅能输入文字、图片、视频，更能直接输入力学信息与3D轨迹。
大晓的破局
我们有幸直接采访到了商汤联合创始人、执行董事，大晓机器人董事长王晓刚先生。
他毕业于中科大少年班，接着取得香港中文大学的硕士学位和MIT的计算机博士学位。
大晓机器人董事长 王晓刚
他的论文被引数已超过14万，也是中国的AI学术领军人物之一。
能力越大，责任越大。目前，王晓刚同时担任香港中文大学教授、商汤科技联合创始人、执行董事，以及最新也是最重要的身份：大晓机器人董事长。
具身智能不能依赖「遥操作」
在我们与王晓刚的深度对谈中，他抛出了一个令行业深思的观点：
如果具身智能继续依赖「遥操作」，那我们实际上是倒退回了AI 1.0时代。
目前的机器人训练场上，最常见的画面是：一个穿戴着VR设备和动作捕捉服的人类，「附身」在机器人身上，笨拙地教它叠衣服、拿苹果。
这种被称为「遥操作」的方法，本质上还是「有多少人工，就有多少智能」。
它是线性的、昂贵的，且极度缺乏泛化能力。
王晓刚在采访中一针见血地指出：
你不可能为了教机器人做饭，让几百万人都穿上动捕服去炒菜。
大晓的核心竞争力，在于它率先试图终结这种「提线木偶」式的训练逻辑。
他们提出了一套名为「环境式数据采集」的新范式。
大晓不强求「手把手」教机器人，而是让AI像人类婴儿一样，通过「观察」来学习。
利用第一视角（如AR眼镜）和第三视角（环境摄像头）采集的数据同时生成海量的运动轨迹，配合他们引以为傲的视觉算法，直接从人类的日常行为中提取「操作逻辑」。
这意味着，当AI看了一万遍人类厨师颠勺的各个角度视频后，它学到的不再只是像素的移动，而是手腕发力的角度、锅铲与锅底摩擦的力反馈，以及火焰与食材互动的物理节奏。
开悟3.0：世界第一梯队的世界模型
如果说环境式数采解决了「看」的问题，那么大晓即将发布的开悟3.0，则解决了「想」的问题。
在采访中，王晓刚并没有使用晦涩的术语堆砌，而是用一种近乎哲学的视角，拆解了这个被其称为「全球首个开源且商业落地的世界模型」背后的技术野心。
Puffin：当AI学会「与相机共思」
「传统的视频生成模型，其实是“盲”的。」王晓刚拿起桌上的矿泉水瓶，向我们演示，「AI看到这个瓶子，但它不知道自己是站着看、蹲着看，还是倒立着看。它只是在机械地预测下一帧的像素。」
这种视角的缺失，导致了一个致命问题：空间感的崩塌。
为了解决这个痛点，大晓联合南洋理工大学等机构，祭出了一项名为Puffin的杀手锏技术。
这项技术的核心理念极其浪漫——「与相机共思」。
论文地址：https://arxiv.org/abs/2510.08673
Puffin把「相机的位姿」变成了一种语言。
在它的眼里，光圈、焦距、拍摄角度，和「一只猫」、「一个苹果」一样，都是可以被理解和生成的Token。
「当你给Puffin一张照片，它不仅能看懂照片里有什么，还能像福尔摩斯一样，反推出拍摄者当时站在哪里、相机是怎么运动的。」王晓刚解释道，「这意味着，机器人不再是被动地接收画面，而是能主动“脑补”出——如果我往左走一步，我会看到什么。」
这种能力让具身智能第一次拥有了「预演」的能力。
在真正伸出机械臂去抓那个易碎的玻璃杯之前，机器人已经在脑海中不仅模拟了抓取的动作，还模拟了摄像头在移动过程中看到的光影变化。
WorldMEM：打破「金鱼记忆」的魔咒
除了空间感，具身智能面临的另一大梦魇是「时间」。
现有的视频生成模型，往往有着严重的「健忘症」。
生成的视频超过几秒钟，画面就会开始崩坏：背景里的房子突然消失，或是人物的衣服颜色变来变去。
「想象一下，机器人要帮你整理房间。」王晓刚举了一个非常生活化的例子，「它把一本书放进书架的第二层，然后转身去收拾桌子。十分钟后，当它再转回来时，那本书必须还在那里，不能凭空消失，也不能变成一只猫。」
这看似简单的「物体恒常性」，对AI来说却是巨大的挑战。
因为随着时间的推移，计算量会呈指数级爆炸，AI只能被迫「遗忘」。
为了打破这个魔咒，大晓引入了WorldMEM架构，并采用了创新的线性注意力机制。
论文地址：https://arxiv.org/abs/2504.12369
这就像是给机器人装上了一个「无限容量」的记事本。
通过线性复杂度算法，大晓将计算成本从Transformer架构的指数级降到了线性级。
「我们不仅让机器人“记得住”，还让它知道“记什么”。」王晓刚补充道，这种基于任务导向的长时记忆，让开悟3.0能够生成长达数分钟、甚至更长时间的连贯交互视频。
这一能力被具象化为一组震撼的参数：支持生成1080P高清视频、支持长时交互、甚至可以在动/静态场景下实现精细可控的自由编辑。
大晓生成的不仅仅是视频，而是一个可以被反复推演、试错的平行时空。
对标全球：除了造景，更需要交互
当被问及与李飞飞团队的World Labs有何不同时，王晓刚展现出了技术派特有的自信。
「World Labs发布的Marble，更多是在生成一个静态的、唯美的3D场景，像是一个精美的游戏建模。」王晓刚分析道，「但世界是动态的。你推一下椅子，椅子会倒；你打开冰箱，灯会亮。这种动态的物理交互，才是具身智能的刚需。」
开悟3.0采用了一种独特的「多模态理解-生成-预测」一体化架构。
它不仅把静态的物体（如桌子）和动态的物体（如行人）分离开来，还能直接输入力学信息。
「未来的机器人，要有直觉。」王晓刚说道，「它看到一个玻璃杯，不需要摸就知道它是滑的、易碎的；看到一个哑铃，就知道它是重的。这种物理常识的涌现，只能来自于对真实物理世界的深度模拟。」
在这个意义上，开悟3.0不仅是一个造梦机器，更是一个严谨的物理模拟器。
它让机器人在虚拟世界中经历了成千上万次的「摔打」，从而换来现实世界中的一次精准操作。
软硬一体的「阳谋」
为什么王晓刚要做「大晓机器人」这样一家独立的实体？
这背后藏着王晓刚对AI未来的终极判断：当互联网数据枯竭时，物理世界是唯一的矿藏。
纯粹的软件公司（如OpenAI）就像「缸中之脑」，虽然智商超群，但没有触觉，不懂轻重；
纯粹的硬件公司虽然四肢发达，但缺乏通用的认知能力，往往沦为昂贵的玩具。
大晓的成立，就是为了打破这层次元壁。
他们不仅仅是在做算法，更是在通过自研的「具身超级大脑模组」和四足/通用机器人，去亲自丈量物理世界的摩擦力、重力和反作用力。
这种「软硬一体」并非简单的堆砌，而是一种深度的数据闭环：
环境数据引擎：负责「看」（采集）；开悟3.0：负责「想」（模拟）；机器人本体：负责「做」（验证）。
这一闭环一旦跑通，大晓就拥有了类似特斯拉那样的「飞轮效应」——机器人用得越多，物理常识越丰富；物理常识越丰富，机器人越好用。
正如王晓刚所言：
未来的机器人，不仅要有聪明的大脑，还要有有趣的灵魂。
而这个灵魂，只能诞生于真实世界泥泞的道路上，而不是凉爽的机房里。
世界模型的「DeepSeek」
在通往具身智能终极形态的征途上，大晓选择了一条更为艰难、但也更为宽广的道路。
当全球科技巨头倾向于构筑技术壁垒时，大晓坚定地高举起开源的旗帜，做出了最具魄力的回应。
开悟3.0的开源，不仅仅是大晓技术自信的体现，更是一场构筑全球具身智能生态的「阳谋」。
正如DeepSeek在大语言模型领域掀起的开源风暴，大晓正立志成为世界模型领域的DeepSeek，打破闭源神话，将最顶尖的物理智能能力赋予全球开发者。
在这场物理世界的智慧革命中，大晓不仅是破局者，更是连接者，与全行业共创具身智能落地的辉煌未来。
大千世界，晓识万象。
股配资平台提示：文章来自网络，不代表本站观点。
