我们理想中的具身智能模型，是什么样的？

或许可以归结为几个关键词：足够通用，理解真实世界，具备自主决策与行动能力，同时还能自然、高效地与人和环境持续交互。

这些关键词共同指向了一类模型：世界动作模型（WAM）。视频生成模型正在变成机器人世界模型底座，而想要真正让具身智能模型 Scaling 起来，对真实物理世界的理解深度就格外重要。

而这，是具身世界动作模型的新进展，机械手能够稳健地完成相对复杂、精细的现实任务：

刚刚，穹彻智能发布具身智能预训练模型 Noe-0 ，一个训练全链路采用无本体采集数据的世界动作模型。

• 技术博客链接：

所有自采训练数据都来自人在真实环境中直接完成操作的记录。超 50 个城市、数十万小时、数十万种任务类型。

这是一个相当激进的策略。Noe-0 证明了完全不依靠传统的遥操数据，也可以完成具身世界模型的预训练、后训练，并在真实机器人上形成执行真实任务的能力。

Noe-0：全链路「真实操作」训练的具身模型

什么是真正的「真实操作」

传统的遥操数据，往往是在一个集中场地内搭建大量标准化工位：相似的桌面、有限的物体，以及提前设计好的任务流程。这样的环境虽然也可以被称为「真实场景」，但本质上仍是为了数据采集而人为构造出来的。

换句话说，数据工厂可以复制工位，却很难复制真实世界本身。 

因此，要想让机器人学习真实世界的知识，就必须摆脱机器人本体和固定工位。数据采集真正进入家庭、门店等日常环境，采集员直接面对真实空间中的物体和任务，数据才能自然包含不同的视角、光照、摆放方式、操作习惯以及大量难以预先设计的长尾情况。相比标准化工位，这类数据更接近机器人未来实际面对的世界，也更能体现真实世界的复杂性和多样性。

此外，研究团队观察到，同一任务通过遥操作完成通常需要直接操作的 3 至 5 倍时间，不仅增加采集成本，也容易产生缓慢、机械的动作数据。所以，在摆脱标准化工位的数采势在必行。

为了实现在真实世界里的数据采集，穹彻智能打造了高效，自然，设计优化的数据采集设备 RoboPocket（RP）。

团队发现，如果直接沿用面向机器人执行设计的夹爪形态，会限制采集员在真实环境中的操作范围。为此，RP 将夹爪、末端形态、传感器和采集方式放在一起设计，强调「同构设计」：采集端与机器人末端尽可能保持一致，同时兼顾人的操作舒适度和采集效率。

RoboPocket（RP）示意图

全链路无本体数据

对 Noe-0 而言，无本体数据，「真实操作」的数据，是同时支撑预训练和后训练的数据基础。

众所周知，大模型的训练链路较长，预训练和后训练都对模型的最终能力有巨大的影响。值得注意的是，Noe-0 在预训练和后训练阶段都使用无本体数据。

预训练阶段，Noe-0 使用大规模分布式无本体数据，让模型尽可能见到更多场景、物体和任务，从中学习跨任务的视觉变化、状态转移与动作规律，建立面向真实世界的基础能力。进入后训练阶段后，团队再围绕具体任务采集更聚焦的无本体数据，用于任务适配和能力强化。

更重要的是，这种数据范式贯穿了整个训练链路。

如果预训练使用无本体数据，后训练却重新切回遥操作数据，两个阶段之间就会出现数据分布和动作模式的断层：模型在预训练中学到的自然操作规律，还需要在后训练中重新适配一套不匹配的动作表达。

Noe-0 从预训练到后训练始终沿用同一种无本体数据路线，让基础能力学习和具体任务适配保持连续，也避免后训练重新成为整条链路的能力瓶颈。

World Action Model：真实世界经验的转化

当数据真正走出标准化工位、进入真实世界后，数据的丰富性也随之带来了新的挑战，传统的 VLA 技术路线因其泛化能力受限早已不再能够满足需求。不同环境、物体、光照、视角，以及更加复杂、连续的交互过程，都要求模型具备更强的多样视频理解与世界建模能力。

这也是为什么，真实世界数据越丰富，对新一代的 World Action Model 的需求反而越迫切。

在最近的 Robotics'

来源：机器之心