美元跑通世界模型比英伟达便宜10倍

风筝与鸟，皆能翱翔于天际。然而，风筝的飞翔依赖于外力——风借由线，线借由人手，人手又听命于远方的指令。鸟则不同，其翅膀为自身所拥有，俯冲、停歇、转向，皆由大脑的瞬间决断所驱动。

回望过去的具身智能，它更像那只被束缚的风筝。云端为其提供了“大脑”，但同时也用延迟和带宽将它牢牢拴住。一个倾倒的杯子、一场突如其来的骤雨，便足以使其系统崩溃。真实世界的瞬息万变，等不起信号往返云端的那个来回。

如今，X-Era Lab（拓元智慧）与星宸科技携手完成了一项关键突破，将风筝化身为鸟。他们将自主研发的世界动作模型 VWA，成功嵌入至一颗指甲盖大小的端侧芯片之中，实现了“感知—预测—控制”的全链路闭环。这一次，他们彻底剪断了那根无形的线。

X-Era Lab 与星宸科技联合推出的首款端侧世界模型解决方案

将「大脑」真正回归本体

一个产品最原始的出发点，决定了它未来的所有形态，也决定了它可能在何处偏离方向。如果一项技术背负着“炫技”、“融资”、“追逐风口”等多重目标，其初衷便会从“为用户解决真实问题”，悄然转变为“为团队完成一场表演”。动作开始为老板、为发布会而设计，却不再是为了那只应该去抓住倾倒杯子的手。

X-Era Lab 将发心聚焦于一件事：打造全球首个原生世界动作模型。说得直白些，如果连现实生活中的一只杯子都无法稳稳托住，那么再炫酷的演示文稿又有何意义？因此，从第一天起，他们就坚信，推理这一过程，必须发生在机器人本体之上。

具身智能的上半场，比拼的是谁的模型更大。而下半场需要回答的问题则更为朴素：谁能将“大脑”真正装回身体，让它在真实世界中高效运转，且能以足够低的成本实现这一目标。

世界模型必须走向端侧

将模型部署在云端，由机器人回传画面等待指令，这套流程在大模型时代看似顺手，但一旦进入物理世界便处处碰壁。归根结底，那根“线”依然存在。

这个道理几乎人人皆知：自动驾驶不能仅依赖云端决策。肉眼捕捉到的绿灯信号，等画面传至云端、决策再返回时，可能早已变为红灯。云端能告诉你“世界长什么样”，却无法赶上回答“此刻该怎么办”。

在工业场景中，亚毫米级的精密放置要求机械臂的容错率仅为零点几毫米，决策一旦滞后，物体便会被推过头。家庭场景同样如此，一台数十公斤重的机器人，若对人体的状态判断慢了半拍，一个抬手动作便可能造成伤害。在物理世界里，迟到的正确，往往等同于错误。

带宽同样是关键约束。大语言模型向云端传输的仅为文本，带宽需求极低；而世界模型需要“理解世界”，一旦涉及多传感器、多模态融合输入，上行带宽将急剧膨胀。在 X-Era Lab 研发总监蒲韬看来，这正决定了两类模型截然不同的命运：大语言模型可以留在云端，而世界模型必然走向端侧。文字可以打包托运，但世界，太重了，传不动。

依托端侧芯片，将世界模型从云端迁移至智能体上

成本压力也在倒逼这一方向。现阶段，云端方案大多以 Token 使用量作为收费标准，但理解物理空间所需的 Token 用量远超大语言模型，这使得具身智能的商业化进程迟迟无法落地。一台机器人售价二十万元，看似不便宜，但仔细核算后发现，其整个生命周期中需要消耗的 Token 费用可能是一个天文数字。厂商看不到利润空间，客户也估不准落地成本。一个算不清账的商业模型，没有人敢轻易下场。

X-Era Lab 的 CTO 陈添水认为，国内硬件几乎都是一次性买断，极少有订阅制能够成功，原因正在于此。将模型部署到端侧，这笔账才变得确定：芯片装上去，无论怎么使用，成本都是固定的。

隐私问题同样在推动世界模型走向端侧。Token 承载的隐私信息相对有限，但“理解世界”需要持续处理大量视觉与空间信息，家庭的内部布局、生产线的运行状态，这些远比一段文本敏感。一旦这些数据必须上传至云端才能使用，许多场景从一开始就不会向你敞开大门。将世界搬到云上的那一刻，很多扇门就已经关闭了。

延迟与带宽，迫使世界模型走向端侧；成本与隐私，则决定了它走向端侧后生意能否做成。前者是物理约束，后者是商业约束。两股力量，将答案推向同一个方向。对于世界模型而言，走向端侧并非一道选择题，而是一道必答题；而它们共同指向的那个词，是确定性。这正是 X-Era Lab 从第一天起就选择端侧的原因。

能塞进端侧的，是为端侧而生的模型

在市场上，与友商 Thor-U 芯片动辄 3000 多美元的方案相比，他们希望让世界模型运行在两三百美元的芯片上。但依靠事后的裁剪是塞不进去的，这个模型从诞生之初就为端侧而生。

要看清 VWA 的不同之处，得先看看别人是怎么做的。当下的“世界模型”，大多走两条路线。一条是 VLA，建立在多模态大模型之上，再加一个“动作专家”进行改造；另一条是以视频生成模型为内核，用 2D 表征渲染出 3D 世界。

VLA 的表征停留在语言模态——你问它面前的水瓶距离自己多远，它能回答“大概三十厘米”，但实际距离可能是十厘米，这种误差是不可容忍的。视频生成模型停留在 2D 像素空间，对真实 3D 世界的刻画不足，执行动作前还需先生成视频，成本高昂，且 2D 到 3D 的误差会层层累积。

一个将世界“说”出来，一个将世界“画”出来——但机器人需要的，是将世界“算”出来。X-Era Lab 的世界动作模型（VWA），绕开了这两条路线所面临的障碍。

据陈添水介绍，VWA 在底层架构上完成了三项核心工作：

• 将物理与动作向量融入同一个 Token 内进行联合建模，并加入时序维度，共同构成 4D 数据；
• 没有沿用现成的多模态大模型骨干，而是专门为几何与动作设计了预训练网络；
• 确保预训练与后训练的目标保持统一。其他人是在后训练阶段、针对特定场景“打补丁”，而 VWA 在预训练阶段便将物理世界的理解灌入了模型。

将三条路线放在一起对比，差异其实落在同一个问题上：模型对“世界”的理解，到底停留在哪一层？VLA 停留在语言层，所以它只能对物体位置进行大致估算；视频生成式停留在 2D 像素层，执行动作前需先生成画面，3D 信息在这一步便损失了精度。

原生世界动作模型的 4D 表征

VWA 通过预测未来的 4D 世界来建模真实物理世界，即刻画 3D 空间随时间的变化。在这样统一的时空表征中，场景的深度结构、机器人的动作轨迹，以及交互过程中涉及的接触、碰撞、形变等物理规律，都可以被放在同一套模型中联合学习。

与许多基于视频生成的世界模型不同，VWA 不将主要算力消耗在纹理、光影、背景等与动作决策弱相关的视觉细节上，而是绕过这些表象，直接建模三维几何与时序运动。当模型学习点云如何位移、物体如何碰撞、形变如何发生时，它学到的不是“世界长什么样”，而是“世界会怎样变化”。

更关键的是，X-Era Lab 并非将 4D 表征仅作为后训练阶段的辅助工具，用于重建空间或合成数据；而是从预训练阶段就将 4D 作为统一底座，让物理理解、空间预测与动作生成落在同一套表征中联合学习。换句话说，别人是用 4D 补数据，而 VWA 从一出生就长在 4D 上。

因此，VWA 能够以更小的模型完成更复杂的任务，这并非依靠后期裁剪或蒸馏硬挤出来的，而是因为它从源头上减少了无效负担。它不需要背负庞大的多模态大模型骨干，也不需要反复生成冗余的视频画面。它将参数和算力集中用于与机器人行动最相关的空间、时间和物理规律上。这也是 VWA 同时具备端侧部署可行性与 Scaling Law 潜力的根本原因。

VWA 的每个物理 token 的预测，都基于过往 N 个时刻所构成的 4D 表征

模型如何“住”进芯片

模型再出色，最终也要落实到一颗具体的芯片上——能否“住”得进去，才见真章。

此次的合作方是星宸科技，一家以图像信号处理、AI 处理器、音视频编解码为核心 IP 的上市公司，2025 年上半年机器人视觉 AI SoC 出货量已位居全球第二。视觉与 ISP 本就是其核心业务，而这恰恰是“理解世界”最需要的那只眼睛。

X-Era Lab 与星宸的合作一拍即合。在具身领域，软硬协同不是加分项，而是必选项。而星宸恰好是那个愿意“协同”的芯片方。双方对“机器人的大脑要长在机器人身上”这一判断高度一致，星宸也在资本和内部资源上给予了充分支持。

更关键的是，这并非“模型做完了再找芯片”的接力式合作，而是从模型训练的第一天起，双方就坐在了一张桌子上。

世界模型表达的是连续的世界空间，与常见的离散压缩不同，普通离散量化会带来较大的精度损失。世界模型需要刻画连续变化的物理规律，而将模型压缩至 4 位极端精度，意味着用最离散的表示去逼近最连续的世界，这本身就是一项极具挑战性的课题。为此，团队与星宸科技展开深度合作，从底层工具链、算子实现到内存调度策略，进行全栈联合优化，专门为 VWA 架构量身定制，确保模型在端侧芯片上既能高效运行，又能精准还原物理世界的连续性与细节。

芯片侧也做了全面配合。星宸 IPU 算力覆盖 0.1 Tops 到上千 Tops 全档位，按算力区间布局，而非“一颗万能芯片打天下”；自研的 StarShuttle 推理框架已迭代四次，支持多模态算法与 AWQ/GPTQ 量化；面向具身智能提供的是分布式计算架构。它还针对 VWA 的独特算子做了芯片级优化，相比软件级优化，效率可提升上百乃至上千倍。正是这种深度咬合，才能让一颗成本可控的芯片，跑得起一个完整版的世界模型。

此外，星宸正在布局双目 3D 成像与 Lidar SoC（SS901XX 系列，探测距离 0.5 至 500 米及以上，精度 ±0.03 米），这正是 3D 感知的核心。X-Era Lab 反复强调“理解 3D 物理世界”，而芯片伙伴恰好从硬件层面做 3D 感知。这场合作便不只是“芯片能跑模型”，而是感知与世界理解在物理层实现了深度咬合。一个负责看清世界，一个负责想透世界，这远比单纯的算力适配走得更深。

X-Era Lab 表示，星宸是目前性能与成本的最优选择。它还提供跨场景、跨芯片、可量产的统一软件底座，并以开放方式向行业释放能力，从 Comake 开发者社区、Comake Pi 开发板，到全栈 AI 工具链和开源模型库，构成了“开发者赋能→产品化落地→生态规模放大”的正向飞轮。换句话说，端侧从来不是一次性的单点合作，而是一个能不断接入新伙伴的底座。

星宸曾描绘过一个“多形态共存的机器人世界”：扫地的、陪伴的、清理泳池的、修剪草坪的、端茶的……无论四足还是两轮，形态各异，却被同一句话框定：场景驱动，任务清晰。

原生世界动作模型部署在端侧 AI 芯片的丰富应用场景

回归

伟大的远征，其最终目的并非离开，而是为了获得能力，回归最初要去的地方。

机器人最初被改造，是为了变得更聪明，大模型的浪潮将其“大脑”托举上云端。世界为它的聪明惊叹，几乎要忘了它原本是为了“做事”而生的。一个只会思考、无法伸手的智能，即使想得再远，也够不到那只正在倾倒的玻璃杯，便什么也改变不了。

X-Era Lab 与星宸今天合力所做的，正是这件关于“回归”的事。他们要将那个一度被放逐到云端的智能，重新唤回到指甲盖大小的身体里，让它的眼睛、它的计算、它的决断，重新长在一处。

人类曾无数次畅想未来惊天动地的模样。但技术真正成熟的标志，往往是相反的——是它不再被谈论。

扫地机器人不再沿着记忆中的路线死转，看见地上一摊水会先绕开，而不是扎进去推得满屋狼藉。割草机器人开过被夜雨泡软的草地，知道这里会陷，便放慢速度绕行。服务机器人端着热水穿过大堂，预判到那个正低头看手机、即将拐进它路线的人，提前停下。它算的不再是“前方半米有障碍”，而是“那个人下一步会走到哪里”。

此刻，在厨房流理台边，一只机械臂伸向那只半透明的玻璃杯。而杯子正在往下滑。它随即收力、调整角度、稳稳托住。没有惊险的特写，没有该响起的配乐，事情只是平平淡淡地过去了。

今天，没有人会赞叹电灯会亮、风扇会转；有朝一日，也不会再有人赞叹一台机器人“居然能自己思考”。它只是安静地待在客厅的某个角落，把一件件小事做完，就像它本就该在那里。这是 X-Era Lab 和星宸想做的：一切的不可想象，终将化为寻常。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：美元跑通世界模型比英伟达便宜10倍要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题