生数科技Motubrain动作模型发布引领机器人智能新纪元

机器人行业迎来里程碑式突破。以视频生成模型Vidu著称的生数科技，正式发布了名为Motubrain的“世界动作模型”。这并非一次普通迭代，而是被定位为机器人的“物理大脑”，其核心目标在于：用一个统一的通用模型，彻底取代以往依赖多个专用系统拼凑而成的复杂架构。

正如其“一个大脑，无限可能”的口号所揭示的，这标志着行业正经历一场根本性转向：从依赖特定任务、特定硬件的碎片化方案，迈向寻求通用、统一的智能解决方案。这一转变已获得权威验证。在具身智能领域两大严苛评测基准——WorldArena和RoboTwin 2.0上，Motubrain均取得了顶尖成绩。这印证了生数科技创始人朱军的核心理念：真正的世界模型，必须构建对现实世界的统一认知，并能预测其动态演变。视频作为承载时间、空间、运动与因果关系的最佳载体，是达成这一目标的关键。他认为，通用世界模型不应是模块的简单堆叠，而应是一个将感知、推理、预测、生成与行动深度融合的统一架构，这才是连接数字智能与物理世界的桥梁。

顶尖基准评测表现

具体而言，在评估机器人感知、预判与规划能力的WorldArena基准上，Motubrain获得了63.77的具身世界模型评分，位列全球最佳模型行列。而在更侧重实际任务执行的RoboTwin 2.0基准上，其表现更为卓越：在50项预设任务中平均得分高达96.0，并且是唯一一个在随机动态环境中得分超过95.0的模型，初步验证了其出色的稳定性和强大的泛化能力。

四大核心原则重新定义具身AI

Motubrain的突破性成就，源于其背后四大核心设计原则。这四点共同勾勒出新一代机器人智能的演进方向：

一脑多能： 传统范式是“一个任务，训练一个模型”。Motubrain则颠覆了这一思路，采用单一模型处理多种类任务。其独特之处在于，任务种类越丰富，模型的整体智能与可靠性反而越强。这意味着，无论是拧螺丝、抓取物体还是更复杂的操作，都无需再为每项技能单独训练专用模型。

一脑通用： 该模型并非为某款特定机器人定制，而是被设计成一个能够驱动多种形态机器人的“通用大脑”。这直接打破了“一机一模型”的传统桎梏。随着更多机器人类型和场景数据的持续汇入，这个大脑将不断进化，并让整个生态中的每个参与者受益。

一脑端到端： 机器人不再仅仅学习孤立的“抬手”、“抓握”等原子动作。Motubrain能够直接学习并理解包含多达10个原子动作的完整任务序列。这使得机器人能从全局视角理解“把花插进花瓶”这样的多步骤复合任务，而非机械地执行被分解的指令。

一脑预判： 模型能够在执行动作的同时，预测世界状态的变化。环境信息、任务进展和执行过程在同一个模型内协同处理与优化，而非由几个独立的子系统“分段处理”再拼接结果。这使得机器人的行为反应更连贯、更符合物理直觉。

统一多模态架构

为实现上述目标，坚实的技术架构是基石。Motubrain基于统一的多模态模型构建，将视频和动作作为两种连续的模态进行联合学习。通过一次训练，即可同时赋予其五项核心能力：视觉-语言-动作控制、世界建模、视频生成、逆动力学建模以及视频-动作联合预测。

其核心是一个创新的三流混合Transformer架构，能够高效整合处理视频、动作和语言信息。这使得模型能够同步理解环境状态、遵循自然语言指令、预测未来变化并生成精确动作。与那些将感知、规划、控制模块像流水线一样串联的传统系统不同，Motubrain实现了一个完整的智能闭环处理。

更广泛的数据学习范式

Motubrain的“训练食谱”远比传统机器人AI更为丰富多元。其训练数据不仅包括精心标注的机器人动作数据，还广泛涵盖了海量的未标注通用视频、无语言说明的任务录像，以及来自不同机器人平台的数据。其特有的潜在动作框架，能够直接从人类演示视频、仿真数据等大规模视频源中，自动提取物理运动规律，无需人工对每个动作片段进行繁琐标注。

这种更广泛、更接近真实世界分布的学习范式，带来了显著的规模效应优势。在任务规模扩展测试中，随着训练任务数量的增加，Motubrain的平均成功率持续攀升，在50项任务时达到约92%。相比之下，作为对照的Pi-0.5模型在同等任务范围内，成功率则下滑至约68%。在数据规模测试中，其优势同样明显。

这一切得益于其基于六层数据金字塔设计的三阶段训练流程。这套科学流程确保了Motubrain既能实现跨环境和跨机器人类型的技能泛化，又能在具体部署时保持对细节的精确控制。

从执行任务到真正完成任务

那么，实际应用效果如何？在真实世界测试中，搭载Motubrain的机器人展现出了超越传统系统的强大适应能力，能够流畅执行完整的多步骤任务。例如，在不断变化的桌面条件下将鲜花稳定插入花瓶，甚至协调双臂分别完成不同的子目标。

一个值得关注的细节是：当机器人用勺子舀取物品却意外舀空时，它能够自主识别出“本次操作未成功”，然后自动重新尝试舀取动作——尽管它从未被专门编程或训练过“重试”这一特定行为。

这看似微小的差异，实则标志着一个根本性的范式转变：机器人正从“机械地执行预设步骤”转向“真正理解任务目标并主动寻求完成”。

已投入实际部署

值得注意的是，Motubrain并非停留在论文或演示阶段的“研究模型”，它已经进入了商业化运营阶段。目前，已有多家领先的机器人公司将其应用于正在进行的实际项目训练，并在工业、商业及家庭环境的真实硬件上进行部署。

为进一步打磨其在复杂真实世界中的性能，生数科技已与星动纪元、SimpleAI和Anyverse Dynamics等合作伙伴建立了深度研发合作，共同聚焦于基础模型演进、多模态数据融合、数据基础设施构建以及软硬件全栈优化等关键领域。

战略布局：Vidu与Motubrain双轮驱动

从公司战略层面看，Motubrain是生数科技继Vidu之后打造的又一核心支柱。Vidu作为其旗舰视频生成平台，最新版本已在多项权威评测中登顶。两款产品虽应用场景不同，但底层技术同源：正是让Vidu成为顶尖视频生成工具的世界模型技术，赋予了Motubrain在物理世界中预测和行动的能力。简而言之，Vidu负责生成和模拟数字世界，而Motubrain则负责在其中进行具身的行动与交互。

生数科技近期完成了由阿里云领投的2.93亿美元B轮融资，其他投资方包括中国互联网投资基金、好未来、百度风投和光源资本。凭借已经落地的商业部署案例，以及在深度环境理解与高效任务执行方面的顶尖评测成绩，这家公司正以清晰的领导者姿态，引领行业迈入全新的“物理AI时代”。

Q&A

Q1：Motubrain是什么？它与传统机器人AI系统有什么区别？

Motubrain是一个旨在充当机器人“通用大脑”的世界动作模型。其核心区别在于，它采用单一的统一模型，替代了传统系统中各自为政的感知、规划、控制等专用模块。它将所有核心能力整合在一个架构内，无需为每项技能单独训练，且任务越复杂、种类越多样，模型的综合表现反而越优异。同时，它支持驱动多种形态的机器人硬件，打破了“一个机器人对应一个专用模型”的传统限制。

Q2：Motubrain在主流评测基准上表现如何？

在具身智能领域两大权威评测基准上表现领先。在WorldArena基准上获得63.77的评分；在RoboTwin 2.0基准上，50项任务平均得分高达96.0，是唯一在随机动态环境中得分超过95.0的模型。在扩展性测试中，其优势同样显著，在50项任务时成功率约92%，远超对照模型。

Q3：Motubrain目前是否已经商用？有哪些合作伙伴？

是的，它已正式投入商业运营，多家头部机器人公司正将其用于实际项目的训练和硬件部署。生数科技已与星动纪元、SimpleAI和Anyverse Dynamics达成深度研发合作。公司也完成了由阿里云领投、阵容强大的2.93亿美元B轮融资。