0
作者丨高景輝
編輯丨馬曉寧
“機器人都能做后空翻、跑馬拉松了，怎么還是干不了活？”
在有關具身機器人的視頻評論區(qū)，我們總能看到這樣的疑問。
的確，縱觀行業(yè)當前的大部分具身機器人，在嘗試“干活”的時候總會遇到尷尬場面：要么一次只能干一件事，一點都不“通用”；要么經?？D，需要人為干預；要么換了個機型，就動不了了。
這不禁令人疑惑：具身智能離真正幫我們干活，到底還有多遠？
01
很多人把具身機器人干不了活，歸咎為模型能力不足，無法勝任各種場景的干活需求。但事實果真如此嗎？
人們想交給具身智能來干的活千千萬萬，既包含復雜的操作，也有相對簡單的動作，能切入的方向理論上很多，按照目前行業(yè)頂尖模型的能力，未必不能駕馭。
所以，不能將具身智能干活難的問題，全算在“能力”頭上。在能力之外，一個被忽視的問題是，大家對于“干活”的定義沒有統(tǒng)一，究竟做到什么程度才算“能干活”？評價一個機器人干活的綜合能力，又要看哪些方面的表現(xiàn)？
換句話說，如果不能用一張“試卷”考核機器人的干活能力，那么評判機器人的“干活”水平就將失去意義。
這種背景下，國際權威 Benchmark 榜單的參考價值被進一步放大。尤其是覆蓋不同核心能力維度的多個榜單，綜合來看能更全面地驗證模型的商用潛力。
以最近的例子來說，不久前通用世界行動模型 Motubrain，就同時登頂 WorldArena 與 RoboTwin2.0 兩大國際具身智能權威榜單。Motubrain 背后的生數(shù)科技，也漸漸浮出水面。
具體來看，WorldArena 榜單聚焦模型對真實世界的理解與預測能力，核心衡量模型對物理規(guī)律、運動變化、環(huán)境狀態(tài)的認知水平。在該榜單中，Motubrain 總體 EWM Score 達到 63.77，位列總榜第一，同時在 Motion Quality、Flow Score、Motion Smoothness 等多個核心運動維度均拿下榜首。
RoboTwin2.0 榜單則聚焦機器人的任務執(zhí)行與泛化能力，衡量模型在多任務、多環(huán)境、隨機擾動下的穩(wěn)定執(zhí)行表現(xiàn)。在該榜單中，Motubrain 在 Clean 與 Randomized 兩個場景下分別取得 95.8 與 96.1 的成績，位列總榜第一，也是榜單上唯一一個在隨機環(huán)境下平均分超過 95 的模型。
雷峰網觀察到，過去行業(yè)內的技術探索大多存在能力偏科。部分模型在世界建模維度表現(xiàn)突出，但無法轉化為穩(wěn)定的執(zhí)行能力；部分模型能完成固定動作，卻無法適配環(huán)境的隨機變化。極少有模型能同時在世界理解與動作執(zhí)行兩個核心維度，做到行業(yè)頂尖水平。
更多地，Motubrain展現(xiàn)出遠高于VLA的多任務泛化性曲線和數(shù)據(jù)scaling曲線。從左圖可以看出，隨著任務數(shù)量增加，Pi-0.5成功率持續(xù)下降，而MotuBrain成功率持續(xù)上升——這說明它學到了跨任務的通用世界知識，這是 VLA 不具有的能力。
從右圖可以看出，Motubrain 的在數(shù)據(jù)量上的 Scaling Law 曲線相比其他模型更陡峭，說明其數(shù)據(jù)效率非常高，僅用少量數(shù)據(jù)就可以取得很好的結果。
此外，任務數(shù)量的 scaling law 曲線比數(shù)據(jù)量更為陡峭，說明對于 Motubrain 這種數(shù)據(jù)效率極高的模型來說，相比于增加數(shù)據(jù)量，增加任務的多樣性對成功率的提升效果更為顯著。
所以，Motubrain 雙榜同時登頂?shù)暮诵膬r值，在于它確立了通用機器人大腦干活能力的參照系。兩大榜單的核心維度，共同構成了通用機器人大腦“能干活”的合格線，也為未來具身智能在場景落地，注入了更強的確定性。
02
既然有了參照系，就不可避免地要回答一個問題：機器人落地“干活”，到底需要哪些模型能力？
這個問題其實不難回答，看看我們「人」在干活的時候需要哪些能力就知道了。
比如餐館的工作人員，一個人可能要身兼數(shù)職，包括點餐、送餐、收臺、巡場甚至后廚協(xié)助，他們所需要的，是一種“通用”能力，放在具身模型上，就是一個“大腦”接管所有崗位，這就要求機器人的大腦能實現(xiàn)“一腦多能”。
這對于當下的頂尖大模型來說并非難事。比如 Motubrain 在多任務場景中能夠保持穩(wěn)定表現(xiàn)，而且隨著任務數(shù)量持續(xù)增加，模型共享到的世界知識越多，平均任務成功率反而同步提升，且任務之間不再爭奪模型容量，反而相互促進。
從生數(shù)科技發(fā)布的真機演示 Demo 可以看到，Motubrain 在“調酒”任務中，能抓取不同大小、材質的容器，并將酒一滴不撒地倒入酒杯中，也能抓取薄荷葉這類柔性物品。至少要具備這種程度的通用性，機器人才真正上得了崗。
還有，人在做家務活時需要足夠“連貫”，一次性完成所有瑣碎的動作。但很反直覺的是，家務活中對人來說簡單不過的部分，對機器人很可能是相當復雜的。
比如“倒杯水”這個簡單指令背后其實是一長串任務，包括抓取杯子、從廚房取一杯水、避開地上雜物、識別臥室門口、放在床頭柜上并且不打翻藥瓶……這中間涉及移動、抓取、避障、放置等多個動作，還夾雜環(huán)境變化。傳統(tǒng)做法依賴上層任務拆解、狀態(tài)機或快慢系統(tǒng)拼接，每一步都可能引入額外延遲和失敗風險。
但如果像 Motubrain 一樣有了“一腦貫通”能力，就能夠直接學習完整任務鏈路，無需上層規(guī)劃拼接，而且人類無需在中間反復干預，用戶體驗直線上升。畢竟，Motubrain 可以完成超過 10 個原子動作的復雜長程任務，而不是僅停留在兩三個動作的演示階段。
在生數(shù)科技發(fā)布的 Demo 中，Motubrain 演示了“插花”這一長程任務，包含多次撿花、插花的動作，以及多次拿起水壺噴水的動作，整個過程十分絲滑，像一個整體而非“分解動作”，似乎預示著“干家務”已難不倒具身模型了。
雷峰網(公眾號：雷峰網)觀察到，社交媒體上有不少人說，希望能有一個機器人“球搭子”，在約不到人的時候陪自己打打球，這種語境下打球也可以視為一種“干活”，但對機器人模型的“預測”能力有很高要求。因為像網球這類運動，其球速往往在每小時100km以上，已超過了當前機器人的硬件能力的上限，等感知到球再揮拍已來不及，必須在人擊球時做出預測，這就依賴于世界模型的能力。
Motubrain 也確實是為數(shù)不多能實現(xiàn)“一腦預見”，將理解世界、預測世界和執(zhí)行動作統(tǒng)一建模的模型。它不只是執(zhí)行一步指令，而是能推演環(huán)境變化，并據(jù)此生成更合理的動作路徑，而且預測球路和驅動身體揮拍會成為同一模型下的兩種推理模式，延遲更低，決策更連貫。
當然，也有些問題是人不會遇到的，比如令無數(shù)模型廠商頭疼的“泛化”問題。人都是同一個物種，身體結構都是一樣的，基本不會出現(xiàn)多一個關節(jié)、少一個器官的情況。但機器人形態(tài)各異，構造無法保持一致，這就需要一種“一腦多型”的能力，讓模型能夠吸收生態(tài)內越來越豐富的異構數(shù)據(jù)。
Motubrain 的解決思路，是從一開始就面向多機器人本體。它不是為某一臺機器量身定制，而是用統(tǒng)一的 action 表征打通不同本體，從而適配輪式、臂式、復合式等多種形態(tài)。隨著機器人種類和場景不斷增長，模型通用性持續(xù)提升，又會進一步反哺每一類機器人的實際表現(xiàn)。
那么，為什么 Motubrain 可以同時具備這四種能力？
最根本的原因在于，Motubrain 是一個通用世界行動模型（WAM），其核心差異在于模型的訓練范式——通過 UniDiffuser 統(tǒng)一建模和調度 video 與 action 兩個連續(xù)模態(tài)。一次訓練，即可推理出五類分布：視覺-語言-動作（VLA）、世界模型、視頻生成、逆動力學、視頻-動作聯(lián)合預測。
這種大一統(tǒng)建模帶來的直接結果是數(shù)據(jù)吸收能力的質變。傳統(tǒng) VLA 只能從特定機器人本體的完整任務軌跡數(shù)據(jù)中學習。Motubrain 可以同時利用缺少 action 模態(tài)的純視頻數(shù)據(jù)、缺少語言任務標簽的任務無關數(shù)據(jù)，以及包含 video、action、language 的完整軌跡數(shù)據(jù)。模型學到的，是任務、環(huán)境變化和動作后果之間的共享世界知識。
這也是多任務正向 scaling 的根基：任務越多，共享的世界知識越豐富，模型平均成功率隨之提升。
不過，Motubrain 并非“橫空出世”的大模型，在此之前已有深厚的鋪墊。
其實但凡對模型領域有了解的人，都能從名字猜出 Motubrain 和 Motus 之間的聯(lián)系。早在2025年12月，生數(shù)科技就開源了 Motus，比行業(yè)早兩個月提出并驗證了 World Action Models 的核心思想。
在Motus的基礎上，Motubrain完成了一次躍遷：用任意視角數(shù)量的統(tǒng)一建模打通不同相機配置，讓模型不再依賴固定的視覺輸入形態(tài)；用統(tǒng)一的 action 表征打通不同機器人本體；通過自回歸+diffusion 和語言-動作-視頻三流 MoT，讓模型可以直接完成超過 10 個原子動作的長序列任務；并且讓超大規(guī)模具身模型能夠在機器人上實現(xiàn)云邊端協(xié)同的實時閉環(huán)控制。
這五步跳躍，讓 Motubrain 從一個學術驗證型框架，直接切入了“干活”相關的高要求場景。
Motubrain詳細內容請見：https://www.shengshu.com/zh/motubrain
03
做出一個能干活的模型，只是具身智能落地的第一步。下一步是把這種干活能力升級為一種產品力，它的難度往往不亞于技術研發(fā)本身。
以生數(shù)科技在多模態(tài)領域的另一款產品 Vidu 為例，其全自動一鍵成片、高質量批量生產視頻的能力，廣受創(chuàng)作型青睞，尤其是“AI解說劇”細分賽道，Vidu 已成為不少團隊的首選。
這說明，技術上的領先優(yōu)勢固然重要，但能夠把技術轉化為客戶愿意付費的產品，考驗的是公司對真實場景需求的理解、對用戶體驗的打磨，以及對商業(yè)化路徑的持續(xù)探索。而生數(shù)科技在多模態(tài)模型產品化的實操經驗，對于具身智能方向的落地具有直接的遷移價值。
從 Motubrain 的模型發(fā)布到產品落地，生數(shù)科技已經開始了前置布局。今年3月，生數(shù)科技在2026中關村論壇年會上正式發(fā)布通用世界模型戰(zhàn)略。公司以基座世界模型為核心底層，向上延伸出兩條清晰的業(yè)務軌道：一條基于世界生成模型，在數(shù)字空間構建視頻大模型產品 Vidu，推動數(shù)字內容的智能化生產；另一條基于世界行動模型，在物理空間構建世界模型產品 Motus，也就是 Motubrain 背后的統(tǒng)一平臺。兩條軌道共享同一個底層技術架構，形成數(shù)字世界與物理世界的雙向貫通。
在物理空間的產業(yè)化推進上，生數(shù)科技也已經與無界動力、星塵智能、深樸智能等具身智能企業(yè)達成戰(zhàn)略合作。這兩次合作讓 Motubrain 走出了“技術驗證”的范疇，形成了“模型能力—本體適配—場景落地”的完整閉環(huán)。
總之，技術突破決定有沒有，產業(yè)合作決定能不能用起來。兩者結合，才能支撐具身智能從實驗室走向真實場景的完整敘事。
最后回到本文的主題，具身智能離真正“能干活”還有多遠？
答案或許比許多人想象的要近，但也比一些人期待的更遠。
說“近”，是因為像 Motubrain 這樣能夠在世界建模和執(zhí)行能力上同時站上行業(yè)最頂端的模型正在出現(xiàn)。雙榜第一的意義不僅僅是技術指標的領先，而是它第一次為通用機器人大腦在落地之前豎起了一把標尺——我們知道了什么樣的模型能力，至少具備了在真實場景中干活的潛力。
說“遠”，是因為從模型突破到大規(guī)模部署之間，還有大量的工程化問題和產品化工作要做。機器人不只是模型，還要適配不同本體的硬件，要適應千差萬別的物理環(huán)境，要在用戶端形成真正好用的產品體驗。這些都不是一蹴而就的事。
但至少有一點是確定的：過去幾年困擾行業(yè)的最大瓶頸——機器人大腦缺乏統(tǒng)一、通用的智能能力——正在被一步步突破。當行業(yè)的上限在不斷被刷新，距離機器人在物理世界幫我們干活，就不會太遠了。
2026年的具身智能行業(yè)，正在從“技術驗證”走向“規(guī)模落地”的關鍵節(jié)點上，等待那個“ChatGPT時刻”的到來。而Motubrain 的出現(xiàn)，可能是其中最值得關注的一個信號。
雷峰網原創(chuàng)文章，未經授權禁止轉載。詳情見轉載須知。
