不玩虛的，只要半天時間部署，國產“世界模型”已經能讓機器人進廠打工

文 | 童蔚

題圖 | 張好蔚

晉江，仲夏，制鞋車間。

一臺機械臂夾起鞋面，沿曲面輪廓均勻涂膠，力度、角度和速度，由視覺系統、力控算法實時調節。十多秒后，鞋面被送到下一工位，另一臺機械臂開始壓底。

此前，這些工位上坐著的還是工人。炎熱的夏季，讓空氣中彌漫的膠水氣味愈發刺鼻。“我戴著口罩進去，待了一分鐘就退了出來。那些工人一刷就是一天。”杭州影身智能創始人閔偉回憶。

現在，機器人接過了那把膠刷。背后的支撐，是這家初創公司自研的原生4D世界模型。

近幾個月，“世界模型”熱度驟升。端午節前，在學術和產業界有著“AI春晚”之稱的北京智源大會上，它被推到聚光燈中央，取代了大語言模型和具身智能成為主角。關于“AI如何理解物理世界”的討論，第一次落在具體路徑和落地場景上。

一邊，學術界仍在爭論哪條路線能真正抵達AGI（通用人工智能）；另一邊，工廠里的產線已經跑了起來。它們指向同一個判斷：大模型的下一場仗，不在屏幕里了。

讓機器人說自己的母語

要理解影身智能在做的事，先得明白一個概念：世界模型。

你可能在很多場合聽過它，有時出現在視頻生成領域，講的是AI如何生成一段逼真的畫面；有時又出現在具身智能領域，說的是機器人怎樣理解周圍環境。聽起來像兩碼事，但它們追問的是同一個問題：AI能不能學會真實世界是怎么運行的？

簡單說，世界模型就是讓AI理解物理世界規律的一種方法。大語言模型的核心是“預測下一個詞（Token）”，而世界模型的核心是“預測下一個物理狀態”。

比如一臺從未見過鞋帶的機器人，沒人教它怎么解，但它經過數千小時人類操作視頻的訓練，慢慢學會了物體在被拉、扭、推時的形變規律，動手之前就能預判接下來會發生什么。

系鞋帶Demo

影身智能做的正是這件事。只不過它的訓練素材并非互聯網上的現成視頻，而是現實世界里三維空間加時間維度的4D數據。

公司成立于2024年6月，正值VLA（視覺-語言-動作）模型開始走熱的時候。這條路線以預訓練的視覺語言模型為基座，將視覺和語言輸入統一處理后生成動作，相當于讓機器人同時“看”和“聽”，然后直接做出反應。

“但這里面有一個根本問題。”閔偉說，“語言是人類的母語，不是機器的母語。”

人類一出生就活在三維物理世界里，對空間、時間、因果關系有直接的體感。而AI訓練用的語言、圖片、視頻，都是真實世界被壓縮后的投影。“降維必然損失大量信息。這也解釋了為什么行業數據從十萬小時堆到千萬小時，卻還沒能實現真正的泛化。”

閔偉選了一條當時極少人走的路：做世界模型，讓機器人直接感知三維空間，再疊加時間維度，形成4D認知。“在具身智能領域，數據從來不是多少的問題，而是質量問題，更確切地說是維度問題。”當影身智能讓機器人看到和人一樣信息量豐富的高維數據，困擾許久的泛化問題似乎有了解法。

4D世界模型-手物操作生成視頻對比（中間為影身智能4D世界模型）

那個沒有現成答案的問題

不過方向確定后，第一個難題來了：數據從哪里來？

互聯網上不缺文本、圖片和二維視頻，全球的4D數據僅有上百小時，大多數在實驗室里。4D數據可以采集，但成本非常高。今年春晚，演員劉浩存和數個分身一起跳舞驚艷了全場，做4D建模的機器就要200多萬，算下來成本至少2000元/分鐘。

影身智能給出的方案，是一套叫“影身360”的數據采集系統。用一圈普通攝像頭環繞工位，多角度同步采集數據，再通過自研算法合成為4D數據。

這套系統的關鍵是低成本。它不依賴昂貴的傳感設備，普通RGB攝像頭加消費級GPU就能運行，具備規模化部署的條件。

“互聯網上有幾百億張圖片，但信息量可能不如一位老師傅在產線上刷幾十秒膠。”閔偉回憶起第一次進制鞋工廠看到的場景，“那幾十秒包含了力度、角度、曲面貼合、流體形態變化，所有物理世界最真實的反饋。”

他還援引了一個類比，“AI教母”李飛飛的大型圖像數據庫?ImageNet。在ImageNet之前，標注圖片只有幾千張，大家都在現有數據集上“雕花”，模型性能每次只進步一兩個百分點。李飛飛構建了100萬張標注圖片的數據集，才有了后來的深度學習和神經網絡架構ResNet。

“每一次人工智能的重大變革，底層的驅動力都是一代又一代新的數據集。”

行業對數據的理解，也在這幾年快速演進。傳統仿真數據，量大但信息量低；真機遙操作精度最高，但成本高、跨本體困難；近年興起的Ego數據，以第一人稱視角采集、成本低，已成為?大規模預訓練的主流選擇。影身則更進一步，多視點4D數據，直接保留物理世界的完整時空信息。

為什么是制鞋？

有了技術和數據方向，閔偉面臨第二個問題：落到哪個場景？

汽車、3C、物流、衛浴、床墊……他看了很多行業，最后選了制鞋。“制鞋是典型的雙柔性場景，也是這個行業的經典難題。”

第一重柔性是材料，鞋面布料軟，會變形、會起皺，機械臂抓不住；第二重柔性則是生產，鞋款按月迭代，小批量、多批次，傳統編程的機械臂跟不上節奏。“派個工程師去重新編程，還不如直接用人。”

還有個現實問題：刷膠工序的工人長期暴露在刺鼻的膠水揮發環境中，也越來越招不到年輕人。

晉江的工廠老板曾問他三個問題：你的設備要不要改造產線？要不要停工？要不要派工程師駐場？閔偉的回答都是“不用”。

試點在2025年跑通。機器人放在原有工位上，1:1替代人工，不改產線、不停工。它通過觀看工人操作學習新鞋型（理解工藝意圖，自己再泛化到新鞋型上，不需要重新編程），效率與人相當，但能7×24小時運轉。原來45人的生產線，現在只需要5個人管機器。

涂膠機器人

更重要的是，機器人每在產線上運行一天，都在回傳真實的4D操作數據。這些數據反過來訓練模型，模型變強后又能適應更多產線，形成一個“數據飛輪”。

展會現場的壓底機器人

現在，影身智能已經能做到用一張圖生成多段4D數據，4D數據的基座逐漸夯實。今年年底到明年上半年，他們計劃發布第一個大規模4D數據集，以及具身智能大模型。

從剝雞蛋到做世界模型

閔偉與柔性物體的較勁，從20年前就開始了。

2005年，他在華中科技大學的機械創新基地里，帶著幾個同學DIY了一臺熟雞蛋剝殼機，需求來自江浙一家生產鹵雞蛋的食品廠。那是他第一次挑戰柔性操作，雞蛋內容物是軟的，蛋殼又存在個體形狀差異，機器很難控制力道。

那臺機器做得不算成功，“效果還趕不上人”，但這件事在他心里埋下了一顆種子。

后來，他以專業第一保送清華大學精密儀器系直博。系里擺著當時國內最先進的雙足人形機器人Demo，“但離落地還很遠，走路都搖搖晃晃的。”

2017年，閔偉加入阿里本地生活，從零搭建機器人團隊。他們做過按電梯按鈕的機械臂，也做過寫字樓配送機器人。“那幾年完整走完了從技術到產品，再到商業化的全過程。以前在實驗室跑通一個Demo能高興好幾天，但到了產業里，一臺機器人要連續運行幾萬小時，要面對各種完全想不到的意外。最難的，不是做出一個Demo，而是把它變成產品，再變成一個產業。”

2024年，他決定出來創業，和清華同窗劉燁斌教授、孟子陽教授重新走到了一起。兩位教授在三維視覺和機器人控制領域深耕多年，也都到了從學術成果向產業轉化的臨界點。

“那年春節前后，我回清華找他們吃了一頓飯。"閔偉說，“飯還沒吃完，事情就定了。”

影身智能的名字是閔偉取的。一層意思是“影”，希望機器人像影子一樣跟著人、服務人；另一層來自柏拉圖洞穴寓言，人在洞穴里看到墻上的影子，以為那就是真實世界，直到走出去才發現真正的世界在外面。

“過去AI看到的是世界的影子。”他說，“我們要讓AI走向真實的世界。”

但這件事，比想象中難得多。

“公司剛成立那會兒，愿意去工廠收數據的第三方團隊，幾乎沒有。”有段時間，團隊頻繁往返北京、杭州、東莞和晉江，“別人參加行業論壇時，我們在車間；別人討論估值時，我們在看工藝流程。”

比跑工廠更難的，是融資。一家大型投資機構談了好幾輪，意向都快簽了，結果風向變了。對方打來電話：“4D這條路，海外沒有先例，行業還沒有共識。你們確定能做出來嗎？”

三人幾乎沒有猶豫：方向不改。那筆錢，最終沒拿。

全球領先的世界模型新路徑

近幾個月，世界模型從一個小眾概念迅速成為AI圈最熱的話題之一，但行業對它的定義、技術路線、評測標準等始終沒有形成共識，大家還在摸黑過河。

在智源大會上，智源研究院院長王仲遠把現有技術路線大致分成四類：以語言為中心的VLM（視覺-語言模型）、VLA路線；以像素為中心的視頻生成類，如Sora、Seedance；以三維結構為中心的3D重建、李飛飛團隊的World Labs Marble模型；以視覺表征為中心的世界模型，比如楊立昆的JEPA系列。

閔偉把自己劃在第五類，以4D時空為核心的動態世界模型，在全球范圍內都屬于領先。“前四類用的都是互聯網上已有的現成數據，我們是從底層去創造一種從來沒有過的數據集。”

兩個月前，影身智能剛完成近億元融資。投資方包括恒生電子、松禾資本、深高投等。更關鍵的是，他們已經拿到了國內具身智能領域首個千萬級柔性智造訂單，在手柔性智造訂單已超2億。

這筆訂單來自制鞋業，但遠非終點。穿鞋帶、折紙盒、成品包裝，再到箱包、家居……應用場景正在不斷延伸。

他們也在推進4D數字文娛。“現在演唱會門票按座位賣，坐第一排和坐山頂體驗完全不同。我們把演唱會的4D數據采集下來，通過技術分發到各個終端。不管你坐在哪個位置，戴上4D眼鏡，偶像就在你眼前。”4D直播，以及賽事、重大活動的4D化也在計劃中。

“大語言模型時代，大家容易崇拜天才，少數年輕人坐在電腦前就能做出驚艷的東西；但具身智能不一樣，它最終要進入工廠、進入物理世界。象牙塔里長不出萬畝桑田，沒在真實場景里打磨過，就很難理解機器人為什么會在產線上出錯，良率為什么上不去。”

和同行們一樣，影身智能的終局想象在家庭。

81歲的奶奶在湖北老家，眼睛越來越不好使，而閔偉一年回不了幾次老家。當被問到最希望機器人進入家庭能做什么時，他幾乎沒有猶豫： “如果未來有個機器人能每天陪著我奶奶，做做飯、聊聊天、洗洗衣服，這是我最期待的事情。”

“中國第二好”的投資人投了DeepSeek

為什么科技大廠開始招哲學畢業生？

考察完“AI六小虎”，杭州投了智譜

點喜歡