人形机器人能力跃迁：从硬件比拼到隐式世界动作模型

人形机器人正跨越能力临界点 过去两年，人形机器人赛道的竞争重心已悄然转移——不再仅比拼关节精度、电机响应或翻跟头的流畅度，而是聚焦于模型能否真正理解物理世界、预测环境演化，并协调全身完成复杂任务。整机性能是基础，但决定其通用上限的，是背后的世界建模与动作生成能力。 三大瓶颈制约发展 行业共识正在形成：当前人形机器人面临三重结构性难题。第一，真机演示数据采集成本极高——需同步记录第一人称视频、本体感知信号与可执行全身指令，受限于遥操作难度、安全风险、硬件稀缺及环境多样性，难以规模化积累高质量数据。第二，主流世界动作模型多依赖像素级视频预测，算力消耗大，且大量资源被无关画面细节占用；而人形机器人高速运动带来的视角抖动，进一步加剧视觉预测噪声。第三，多数方案仍将上肢操作与移动控制割裂建模，上下半身协同不足，无法支撑自然、连贯的全身作业。 Being-M0.7：首个全身移动操作隐式世界动作模型 在此背景下，具身智能公司智在无界发布Being-M0.7——全球首个面向人形机器人全身移动操作（loco-manipulation）的隐式世界动作模型（Latent World-Action Model）。它首次将隐式世界模型能力，从桌面级灵巧操作扩展至包含行走、转向、负重、避障在内的全身体态协同场景。 技术路线一脉相承 Being-M0.7并非孤立突破，而是其长期技术路径的延续。早在2023年，团队即提出“从人类行为中学习世界”的核心判断：机器人真机数据昂贵且增长缓慢，而人类每天以第一人称视角与物理世界交互所产生的海量行为数据，天然蕴含场景演化、物体动力学与身体协调的丰富先验。与其等待机器人数据自然积累，不如让模型先学会‘世界如何运行’，再迁移适配到具体本体。 今年4月发布的Being-H0.7已验证该路径在灵巧操作侧的有效性——基于20万小时人类视频训练，在6项国际评测中综合排名第一，覆盖跨本体、跨场景、连续动态、流体、柔性物体、物理规律与上下文推理七大维度，成为首个原生具身隐式世界模型。 Being-M0.7则将这一能力推向更深层：它回答的不再是‘手如何操作’，而是‘整个身体如何在世界中协调移动与作业’。这涉及‘去哪里、朝向如何、手脚如何配合、姿态如何稳定’等高度耦合的时间与空间决策问题，正是通用人形机器人必须跨越的能力关口。 隐空间建模：轻量、鲁棒、语义聚焦 Being-M0.7采用隐式建模而非像素级预测。它在隐空间中联合预测未来环境状态与紧凑的全身运动表征，将建模焦点集中在语义状态、物体布局与场景演化等真正影响控制的关键结构上。此举既保留世界模型预判未来的核心能力，又显著降低计算开销，规避了第一人称视角下剧烈运动引发的视觉噪声干扰。 真机验证：四类高难任务落地 模型能力最终回归真实场景。团队围绕Being-M0.7完成四项真机Demo，覆盖液体交互、镜像推理、长程任务与遮挡避障四大挑战性场景： 鱼缸捞鱼：机器人需理解水体折射、浮力阻力与工具动力学，在视觉扭曲条件下协调手持网具完成动态捕捞。5次测试成功3次，优于对比模型。 镜像取物：面对仅背面/侧面开口的盒子，机器人须通过前方镜面反射推断隐藏物体三维位置，再接近抓取。在0.5米与1米两种距离下共测试10次，成功4次，显著领先同类方案。 移动置物取物：连续完成行走、抓取、转移、转身等多阶段动作，全程保持场景理解与物体空间推理，检验长程任务中的状态一致性与全身协同。 搬箱避障：怀抱箱子行进中实时识别障碍，不中断运动，通过侧身调整姿态穿越狭窄间隙，同步维持负载平衡与物体稳定——将多向移动、避障与负重控制统一于同一闭环行为。 这些任务共同表明：机器人不再依赖预设轨迹开环执行，而是持续融合当前观测、实时反馈与未来预测，动态生成并修正全身动作。 Mixture-of-Transformers架构：破解数据稀缺困局 支撑上述能力的，是Vision-Motion MoT（混合Transformer多模态架构）。该架构为视觉与运动分别设置专属编码模块，同时通过共享注意力实现跨模态交互——既尊重二者数据分布差异，又允许在存在配对数据时充分协同。 由此，模型可统一利用三类数据：视频-运动配对数据（联合学习环境演化与动作轨迹）、纯视频数据（仅优化视觉分支）、纯人体运动数据（仅优化运动分支）。不同模态数据共同约束同一联合分布，无需构建多个割裂系统。 统一运动表征：弥合人类与机器人的形态鸿沟 团队构建了一套人类与机器人共享的统一运动表征：以头部为根节点，标准化坐标系与初始朝向，消除数据源间分布差异；进一步精简为仅保留头部、双手、双脚的关键位姿，既保留交互与接触信息，又有效适配人形机器人29自由度本体。该表征不仅为后训练提供强监督信号，也在推理阶段支持运动层面的实时反馈校正。 轻量后训练：从人类先验到机器人执行 预训练阶段，模型通过流匹配（Flow Matching）目标，基于短时视觉-运动历史与任务指令，联合预测未来状态变化与运动轨迹。真机适配则通过轻量级‘动作专家’完成：它读取Latent WAM的中间隐藏状态作为高层规划上下文，结合实时视觉观测、本体感知与执行进度，生成机器人可直接执行的动作块。整个过程无需海量真机数据，仅需少量遥操轨迹即可完成本体落地。 可扩展范式：通向通用具身智能的新基建 Vision-Motion MoT不仅是Being-M0.7的技术底座，更确立了一种可持续扩展的多模态融合范式。它将模型训练的数据来源，从稀缺的真机演示，拓展至超10000小时混合模态人类行为数据——包括Ego4D、Xperience、HumanML3D等公开数据集及内部采集数据。 更重要的是，它重构了学习顺序：模型先建立对世界动态与人形运动学的通用理解，再将这种理解转化为特定本体的控制策略。这区别于传统模仿学习‘见什么、出什么动作’的映射模式，引入了‘预测未来状态—生成匹配动作’的联合建模层，使行动真正成为理解的延伸。 竞争逻辑正在重塑 Being-M0.7的发布，标志着人形机器人竞争逻辑的实质性转变。当硬件性能趋于收敛，拉开差距的关键，正转向模型是否具备物理世界理解力、能否生成协调的全身动作，以及背后是否拥有可持续扩大的数据体系与训练飞轮。具身智能已站在临界点：真机数据无法指数增长，而人类行为数据，正成为机器人持续进化的新型‘经验基础设施’。 从Being-H到Being-M，智在无界所践行的，是一条让机器人先学会‘看懂世界’，再学会‘走进世界’的路径。当理解成为行动的前提，通用人形机器人，才真正开始走出实验室，走向真实的物理世界。