从游戏世界到物理AI，这支团队如何引爆世界模型

叉子的角度出现了偏差。

机器人捏着叉子向筷子筒内送入，连续尝试数次，但叉尖始终卡在筒沿边缘。

这类训练任务司空见惯，但这一次却有所不同——机器人没有选择继续向下硬塞，也没有退回起点重新尝试，而是将叉子靠在筒沿边缘，轻轻借力调整角度，待叉尖对准后，再重新抬起，最终顺利放入筒内。

整套动作毫无表演性质，甚至显得有些迟缓。

然而，围观的研发人员看到的，却是另一番景象——首次尝试失败后，机器人并未重复过往的路径，而是根据当前状况，临时构思出了一种全新的解决方案。

随即，旁边的碗被碰了一下，洒出了一些水。机器人先是愣了一下，然后停下手中的整理动作，转而开始擦拭水渍。

但擦桌子是一项独立训练过的任务，在此前的训练场景中，从未有人专门教导过它：水洒了，应当先停下手中的活。

黎曼动力机器人在厨房收纳任务中的真实表现

一名同事跑来告诉刘扬：“这个模型，我感觉具备了一定的泛化能力。”

他心里十分清楚，这句话背后蕴含的分量。

过去三年，他带领的团队，曾创造出足够绚烂的世界——他们让人走进梵高的《星月夜》，也让牛仔在西部小镇中一路前行。那或许才是人们想象中AI应有的模样：瑰丽、陌生，带着凭空造物的神性。相比之下，厨房里的叉子与水渍，难免显得琐碎。

然而，物理世界的智能，恰恰隐藏在这些看似琐碎的细节之中。

从生成一个虚拟世界，到驱动一台真实的机器人，这支团队蛰伏了近三年。期间，他们也曾像那把卡在筒沿的叉子，尝试着不同的可能性，始终未能崭露头角。脚下的道路充满坎坷，但在经历了一路的“过关斩将”后，他们终于开始兑现自己的雄心。这背后，是一群顶尖技术信仰者的奋斗故事。

20人精英战队，构筑起一个崭新的世界

加入昆仑万维时，刘扬绝不会想到，自己最终会投身机器人领域。

彼时，Agent是整个AI世界的热点，公司内部的2050研究院选择紧跟浪潮，孵化新的方向。一番讨论后，分出了两条线路：一拨人负责数字世界的Office Agent；另一拨人则投身物理世界Agent，从世界模型起步。

后者被命名为Matrix，意为矩阵。

Matrix最初的设想颇为大胆：打造一套持续生成、即时响应的仿真器，如同AlphaZero通过自我对弈提升棋力一般，他们希望Agent也能在模型创造的世界中探索、训练。

棋盘毕竟是封闭的，而世界却无边无际，这意味着Matrix从成立之初，瞄准的就是当时几乎无人能给出完整答案的难题。

方向听上去很酷，但在招募人才时，这条略显先锋的道路，往往需要花些时间才能让人理解和信服。候选人聊完技术，总会把身体往椅背上一靠，问出一个问题：这个东西最终能做什么？

他并未回避这种不确定性，只是坦诚地告诉对方，Matrix要做世界模型，至于最终会成为训练仿真器、一款游戏，还是其他产品形态，目前还不能确定。然而，坦诚并未帮他更快招到合适的人。

首先，昆仑万维对招聘有着近乎苛刻的要求，绝不会为了填补空缺而降低标准。其次，顶尖人才对将要加入的公司也会非常挑剔，除非这家公司的追求符合他们自身的理想与抱负。这是一场双方都要求极高的双向选择，过程注定不会一帆风顺。

有的候选人会反复追问产品的出口，也有人担心，一条没有业务主线的探索，可能会在组织调整中消失。当时，Agent、视频模型、文生图都已具备相对清晰的应用前景，相比之下，世界模型仍然前路未明、挑战重重。

他无法承诺一个确定的终局，能提供的筹码也不算多。开源与技术影响力，也许是其中较有分量的部分。但有一点远比这些更重要，那就是团队能提供顶尖人才真正渴望的东西：一个足够宏大的梦想，以及一条可以实现它的路径。

毕竟，高薪和优渥的办公环境，对普通人来说很稀缺，但对顶尖人才而言却只是标配。真正让他们难以拒绝的，是一个足够艰难，也足以承载其全部能力与野心的目标。

当时备受关注的Google Genie既不开放模型，公开的技术细节也有限。对技术人员来说，如果能做出第一版开源的世界模型，与全球最顶尖的公司同台竞技，并最终改变这个世界，这比赚取更多金钱要让他们兴奋百倍。

刘扬告诉光子星球，团队中的许多人，正是冲着这件事来的。

而这件事最终得以顺利推进，离不开昆仑万维创始人周亚辉在背后发挥的巨大作用。据悉，当时周亚辉亲自派出集团高招组，前往全球顶尖科技公司和高校，搜寻该方向最顶级的人才，市场上资深的大牛几乎都被他们逐一聊过。

最终，有不少人是在周亚辉多次亲自出面，阐述公司在这件事上的终极目标与愿景后，才被说服加入的。毕竟，摆在他们面前的机会实在太多。

他们其实都清楚，眼前是一条没有成熟范式、充满不确定性的道路。支撑他们的，是纯粹的技术信仰——相信这个方向，也相信自己有机会将它从无到有，带到世界面前。

因此，这轮招聘，也是一场苛刻的双向筛选。最终，刘扬聚拢了约20人的顶尖团队，成员主要来自CV、视频模型、3D等相邻领域，还有两位从腾讯过来的游戏引擎工程师。虽然来处不同，但都对前沿探索抱有相似的信念。

国内首家布局世界模型的团队，由此诞生。

不同背景的人凑到一起，首先需要思考的，就是这个世界，究竟该从何处开始。

从游戏切入世界模型，是当时最天才，也最顺理成章的决定。对世界模型来说，游戏就是简化版的真实世界，既保留了重力、碰撞等物理规则，又足够干净，不必面对现实世界中无穷无尽的变量，还能随着用户操作而变化。

数据也不算难找。YouTube、B站上有海量的游戏实况，游戏引擎本身也能自动生成轨迹，采集成本、实验成本、试错风险都比真实世界低得多。

叠加昆仑万维自身的游戏基因，Matrix-Game模型就这么拍板立项了。

最初，团队的目标很简单，即让用户能走进一个AI实时生成的世界，并且这个世界是“活”的。可真正深入后才知道，实现这一切，需要攻克业界的重重难点。

第一道坎，是实时与交互。传统视频模型通常一次性生成一段完整视频，但交互式世界不行，用户随时都可能按下新的方向键，模型需要随时能刹车，接收到新指令，再根据历史画面和新动作，继续生成新画面。

另一道坎，是记忆。他们曾创造过一个类似西部小镇的场景，但人物沿着街道走一圈回到原点，却发现刚才路过的那栋木屋消失了。模型只会预测下一段画面，并没有稳定的长时序记忆——拥有无穷无尽的下一帧，却没有一个可靠的过去。

就像乔治·马洛里说的，因为山在那里。这帮渴望改变世界的人，紧盯业界难题，硬着头皮往上冲。

据刘扬回忆，2025年5月，Matrix-Game 1.0发布时，是工业界首个开源的10B+空间智能大模型。而在与同Decart推出的Oasis、微软开源模型MineWorld的横向对比中，Matrix-Game（下图中“Ours”）在视觉质量、时间一致性、动作可控性与物理规则理解四项核心维度上，取得了全面领先。

双盲人评实验中，Matrix-Game与其他模型的成绩对比

只是，受限于当时整个行业仍处早期，模型能力与推理效率都远未成熟，即便已做到全球领先，但距离真正“畅玩”，仍有一段距离。测试的同学按一下“向前”，大可起身去接杯水，因为就算回来，画面可能还没生成完；而制作一段一分钟的Demo，团队得提前花些时间，将画面一帧帧生成出来。

没人否认，那时的Matrix-Game，还只是一个实验性质的尝试。但它至少证明了，这条路是可行的。

此后的日子里，这支二十人的顶尖团队，每天围绕这个主题运转。他们没有商业化指标，却秉持着对技术的执念，一往无前，去跨过一道又一道横亘在前的坎。

突破天花板，闯出一条新路

2025年8月，Matrix-Game 2.0发布，直接掀掉了全球开源世界模型的天花板。

此前的半年里，团队围绕模型蒸馏、推理优化等方向持续攻坚，把单卡帧率拉到了25帧，接近实时交互的体验。这也是业内首个，在通用场景下实现实时长序列交互式生成的开源世界模型方案。

如果说，初代Matrix-Game证明了路线本身，那么2.0则第一次让世界模型，被更多人所看见。从这一版开始，Matrix-Game才算真正有了一个世界模型该有的样子。

Matrix-Game 2.0上线前，团队天天都会泡在里面玩。刘扬喜欢把世界名画作为首帧输入进去，比如梵高的《星月夜》，然后往前走，模型便会沿着原有的笔触、色彩与空间关系，继续渲染出它“想象”中这幅画背后的3D世界。

Matrix-Game 2.0生成的《星月夜》场景

这或许是世界模型最迷人的一面——过去，人们只能站在画框之外凝视一幅画；而到了Matrix-Game 2.0，人可以试着走进去，看看那片从未存在、却又仿佛本该存在的星空，究竟会延伸到哪里。

开源之后，热闹从内部，蔓延到了世界各地。由于模型支持消费级显卡，社交媒体上，很快掀起了一阵关于Matrix-Game 2.0的狂欢。有人输入插画，有人输入电影截图，也有人用自己的生活照作为起点，千奇百怪的首帧，长出了千奇百怪的世界。

这些视频，像一封封回信，让这支长期靠着信念前行的团队，听见了来自外部的回响。

更具分量的认可，来自同行。DiT作者、纽约大学助理教授谢赛宁团队曾主动发来邮件，与团队交流模型细节。而谢赛宁团队后来发布的多人世界模型Solaris，也引用并沿用了Matrix-Game 2.0的开源技术方案。

刘扬告诉光子星球，被引用这事，他自己也是刷推特时才知道的。他刷推特有个习惯，但凡和世界模型沾边的项目，都要点进去扫一眼。Solaris发布那天，他也是随手点进去的，滑到项目简介的第二段第一行，手指忽然停了。那里写着自己团队的名字。这个顶尖团队的战斗力，在这一刻得到了具象化的体现。

消息传回工区，大家都非常兴奋，激动地聊起了技术细节。周亚辉知晓后，也很高兴。早期世界模型玩家稀少，领先有时会带来另一种不安，即究竟是模型足够好，还是赛道里暂时没有足够强的对手。可当一个世界头部团队愿意顺着Matrix的方案继续向前，这颗悬着的心，就落下来一半。

那段时间，更多积极的回声接连传来：头部团队的引用、创业团队的部署、AI游戏公司的商业授权问询、用户的喜爱——这些东西凑在一起，让这支团队找到了一块踏实的落脚点。

模型几乎每天都在进步，可越是这样，有一个问题越是挥之不去——他们创造出的这个世界，究竟要承载什么？

“当时我们已经能让用户走进一个实时生成的世界，但它还不是游戏。它没有角色关系，没有剧情，也没有真正的消费场景。”刘扬坦言。这好比一座刚建好，却没人住的空城，街道完整，建筑林立，每一扇门背后都有无限可能，但城市里没有居民，没有故事，也没有人与人之间的关系。

换言之，其本质上是一个基于导航的探索空间，不管是谁，走得久了都会忍不住问自己一句：然后呢？

是啊，然后呢？这三个字，像一根细小的刺，扎进了Matrix最热闹的时刻——世界模型的下一帧，越来越清晰，可这支始终走在行业最前端的团队，前方却仍然不够清晰。

走入“无人深空”，大概是所有前沿探索最磨人，也最迷人的地方——走在后面的人面对的是问题，而走在最前面的人，还得决定什么才是问题。

对于普通人来说，遇到挑战通常会焦虑、无助、迷茫，甚至选择逃避。但是这支由顶尖人才组成的团队，遇到挑战时有的只是兴奋——他们是一群天生就喜欢啃硬骨头的人。

既然没有现成的路，那就只能由他们自己走出来。团队开了很多次会议讨论方向问题，以及下一版该往里加什么。白板上很快写满了答案。有人提议像《神庙逃亡》那样，加入金币和积分系统；有人希望加入隐藏奖励，探索到某个位置后拿到奖品；也有人建议加入NPC，像早期《仙剑奇侠传》一样，站在路边给玩家继续探索的提示。

这些想法，技术上都能实现，但所有人都心知肚明，这些不过是功能，就算叠加一百个功能，也无法彻底改变世界模型的智能上限，有悖于初衷。

一番讨论下来，前路大致有三条。

第一条，等待。等AI原生游戏整体生态发展起来，等更多团队把NPC、剧情、玩法等拼图补齐后，Matrix作为底层引擎，自然能兑现价值。但没人知道这一等，是一年还是三年；也不知道等到那天，技术路线会不会已经变了模样。

第二条，自己做游戏。但这也意味着，一个纯模型团队要突然转型成游戏公司——策划、美术、数值、运营，每一块都要从头做起。而游戏行业的残酷性摆在那里，他们可以创造一个世界，却未必懂得如何经营一个世界。

第三条，是重新回到技术原点，寻找世界模型更大的归宿。这条路最难，甚至可能比未知更未知，但也只有这条路，配得上这群人的追求与Matrix成立那天的雄心。

要干，就干一票大的

一支顶级团队的转向，既不会突然拍板，也很少始于某个确切的时间点。尽管转折发生在2025年秋天，但事实上，更早之前，Matrix就已试图证明它不只属于虚拟世界。

2025年上半年，团队给模型投喂了一批截然不同的数据。他们找到众包数据合作商，用iPhone采集了几千小时的第一视角视频——普通人拿着手机，在街道上走、在楼道里走、在房间里走，保留手部与身体动作，再将这些数据混入原有训练集。

结果出乎所有人的预料。离开熟悉的游戏画面后，模型依旧能维持空间关系，并生成真实场景的交互探索，人往前走，墙角跟着退；推开一扇门，门后是新的房间。

换言之，模型悄悄从虚拟世界，溜进了现实。

后来，团队看到了一篇世界动作模型方向的论文。而这篇论文里谈到的空间理解、物理规律、动作条件生成、长时序记忆、未来状态预测等模块，大家实在是太熟悉了。一年多来，团队一直有个模糊的猜想，即能预测下一帧画面，理论上就能反推中间发生了什么动作。但猜想始终是猜想，游戏世界模型和机器人模型，毕竟是两个圈子的东西，中间隔着一层看不见的墙。

而这篇论文，或者说彼时机器人赛道兴起的世界动作模型路线，把这堵墙凿穿了。

“我们当时就发现，这和我们过去搭的框架，基本上收敛到了一起。”两条起点完全不同的路，通向的原来是同一个终点。更令人振奋的是，不是他们追上了风口，而是风口自己追上了他们。

方向清晰了，但刘扬没有急着拍板，而是陆续下单了好几种人形机器人、机械臂与灵巧手，亲自去验证。

9月，宇树G1搬进了天工七楼工区。

现实世界，给这支模型团队的第一条反馈，是投诉。双足踩在水泥地上的砰砰声，隔着楼板往下传，周围的同事摘下耳机确认了一遍，又戴上，还是听得见，反手就是一个举报。把机器人搬到楼下的院子里测试，可开窗还是听得见。无奈之下，最后在附近产业园租了一间单独的实验室，才算将机器人安顿下来。

黎曼动力机器人在积木堆叠、衣物折叠等场景的真实表现

这样的曲折故事，在他们这段“打怪升级”的经历里，可能连困扰都算不上，顶多只是一个小小的插曲。

相比噪声，当时更担心士气。在刘扬看来，团队里二十多个人几乎全是模型背景，没人懂硬件。突然转向，意味着得有人站出来救急，学习操控、硬件调参，甚至是搬运机器人本身，总归脱离了本职工作。

可实际情况，却出乎他的预料。新的实验室租下来之后，很多同事不再待在自己工位上了，模型训完就往机器人实验室跑，有时一泡就是一整天。没有人要求他们这样做。

反馈的差异，固然是一方面原因。此前，世界模型的反馈略显模糊，有时候除了硬性指标，很难说清模型到底进步了多少；机器人不一样，昨天抓不住的杯子，今天抓住了，这种来自现实世界的正反馈既陌生，又强烈。

更深层的驱动，还是来自对这件事的着迷。那段时间，几乎每个成员都在接触过去不会做、甚至从未想过会做的事情，有人恶补机械知识，有人卷起袖子将机器人搬上搬下，没人把这些视为负担。

那段时间，模型学习着，如何从虚拟世界进入现实，这支团队也经历着相似的变化。模型的泛化，是离开熟悉的数据后，仍然能够抓住底层规律；人的泛化，则是离开熟悉的岗位后，依然能够围绕新的技术、新的领域，继续成长。因此，被训练的不只是模型，他们自身亦在成为一支更强的团队。

凭着这股干劲，团队起初对这条路的难度、行业现状、技术适配性的疑问，很快便有了明确答案。尽管刘扬依然相信，未来会有人做出完全由模型生成的游戏，但对当时的团队而言，两条路线并行，很可能任何一条都走不通。因此，第一轮实验跑通之后，团队内部的意见迅速统一——要干就干一票大的，全员转向机器人模型。

2025年底，世界动作模型路线爆发时，团队内部已经完全不讨论“该不该转”这个问题。不少人后来跟他说，哪怕再做一百次选择，依然会做同样的决定。

探索的日子，算是熬出头了。从那以后，问题不再是“应该去哪里”。路已经选定，剩下的，只剩如何成功实现。

冲击100万小时，大力出奇迹

进展，比所有人预想的都要快。

2026年，这支团队有了新的名字——黎曼动力。从这家公司的名字里，也能看到创始团队的追求。“黎曼”，在全球数学界和物理学界绝对是一个响当当的名字，很多人也会因他联想到黎曼几何、黎曼空间，这是AI时代颇为重要的一组概念。一方面，高维空间、流形、度量，都是现代模型训练最基础的东西；另一方面，他们也希望未来自己的机器人，能在自己建模的复杂空间里面完成思考、决策。

仅仅几个月后，WAIC 2026现场，黎曼动力的世界动作模型Riemann-1.0，首秀即登顶。

Riemann-1.0

机器人圈公认最难的“家务大考”RoboCasa-365，它以62.6%的成绩拿下SOTA，比此前纪录高出8.4个百分点——而榜单上大多数模型，还在50%以下徘徊。同时，Riemann-1.0还拿下了RoboTwin 2.0的SOTA；而在有序积木堆叠、柔性布料折叠等四类家务真机评测中，其平均成功率高达85%，领先最强开源对手整整15个百分点。

RoboCasa-365表现对比

这支跨界而来的团队，第一次正式出手，就摸到了行业天花板。尽管现在看来，这不过是寥寥几行数字，但只有亲历过这段往事的人才知道，数字背后藏着多少反共识的判断，以及多少看不出变化、却始终不能停下的日夜。

刘扬告诉光子星球，这支团队从一开始，就没有沿着行业惯常的逻辑去解题。这与勇气无关，也谈不上刻意挑战共识，而是组织基因、底色的差异。天才的本色，以及不同的来时路，让他们得以站在另一种视角下，看到不同的解题路径。

他和团队中的多数核心成员，都是坚定的Scaling信徒。早期Transformer也曾因逻辑、记忆与数学缺陷遭到大量质疑，后来行业发现，许多看似需要复杂模块解决的问题，会在规模扩大后逐渐缓解。因此，尽管现阶段机器人圈新架构层出不穷，但在他看来，现在行业整体的数据量，并不足以验证架构的优劣。

因此，他做了一个反共识的选择——不急着拼架构，先堆够100万小时的有效训练数据，大力出奇迹。

找遍全网，达标的训练数据有限，团队便自己定义采集标准、任务分类、场景要求，并拉着熟悉的数据供应商，从零搭建数据基础设施。数据的选择上，黎曼动力也走了一条颇具想象力的路，即用裸手视频打底，UMI、外骨骼数据做骨架，真机、仿真轨迹做校准。

Riemann-1.0的数据基础设施、训练框架、模型性能总览

在行业过往的认知里，纯裸手的第一人称视频，只有画面、没有额外传感数据，训练价值很低，也很少有厂商购买，以至于数据商最初收到相关需求时，一度怀疑他们是骗子。但训练结果，推翻了所谓的共识——用纯视觉的人类第一视角数据做预训练，模型的泛化能力、动作流畅度提升非常显著。

截至目前，Riemann-1.0已经吞下了23.2万小时的训练数据，其中绝大多数是人类的第一视角视频。登顶SOTA是结果，文章开头那把借力转正的叉子，亦是结果。

落地场景的选择，同样反共识——反的是行业里“先赚稳钱”的惯性。据MarketsandMarkets测算，全球具身智能市场规模将从2025年的44.4亿美元增至2030年的230.6亿美元，年复合增速39%；其中“大脑”作为增速最快的细分赛道，增速高出整体12个百分点。

面对不断膨胀的市场蛋糕，绝大多数玩家的第一选择都是工厂，以此讲述自己的落地故事。今年上半年，刘扬也专门去浙江工厂考察过一圈，回来后，他承认这是门好生意，却始终提不起劲。对此，他告诉光子星球，黎曼动力内部一直有个“暴论”，即机器人大脑模型的智能边界，其实在C端。

这个判断，一定程度上来自大模型的进化规律。Claude早期已经展现出代码能力，但只有进入Cursor、Devin等面向普通开发者的真实环境，接受大量任务与反馈后，其代码能力才继续被推向更高水平。机器人或许也一样，越标准化的场景，越不需要通用智能。而工厂的重复场景，更多考验精度、力控和稳定性等维度，属于“小脑”的活，很难拓宽“大脑”的边界。相比之下，只有将机器人扔进高度多样、充满意外的环境里，其才会被逼着成长。

如前述所言，团队曾面临一次选择——如果当时留在原地、为虚拟世界添加功能，或许能做出一个玩法更丰富的世界，却未必会有今天的黎曼动力。如今，站在同样的岔路口前，他们做出了与当初一样的选择——完全没想过“保下限”，只想着“搏上限”，义无反顾地踏上更具挑战，却能真正改变世界的那条路。这背后，是周亚辉对这一方向的笃定。

这条路，通向C端的“终极考场”——家庭。为了摸清现阶段机器人能解决哪些真实问题，周亚辉曾亲自去往一线调研。几轮调研下来，他们决定先从日本的养老院、酒店等场景切入，撬动“部署—数据—模型—新场景”的正向循环。

但不论如何，所有反共识的认知，最终都要回到真实世界里，去验证、生长。好在，现在他们的每一步，都踩在了实地上，并有着广阔的前景。

从Matrix到黎曼动力，刘扬的团队，终究走到了产业前台。

WAIC Riemann-1.0发布现场图

过去，做完一个版本，他只需坐下来同团队讨论下一个版本的方向。而现在，则要考虑融资、品牌、竞争定位、商业计划，六个月、一年、三年、五年分别走到哪里。面对手中需要拍板的事情陡增，多数人可能会抓狂，但是对他而言，挑战越多，反而越兴奋。

对于行业未来，他的判断是，2027年底到2028年初，世界模型可能会迎来接近GPT-3的时刻，之后技术路线收敛，一部分玩家被淘汰，机器人API市场形成。整个行业的商业模式，则可能从卖硬件转向卖服务与软件，步入Token经济时代。

基于稳居全球SOTA的Matrix-Game，以及Riemann-1.0已然验证的模型硬实力，他给黎曼动力定下了长期目标——在世界模型、“大脑”模型、API市场三大核心赛道，全部跻身全球前五。

从一个模型的重量，到一台机器人的重量，再到一家公司的重量，团队承载的梦想也正在变大。毕竟从一开始，他们就主动选择了一条更难而正确的路，而目前的喜人进展已经证明，这支团队确实拥有将远大抱负变成现实的顶尖战斗力。

就像那把终于落进筒里的叉子，曾经漂浮无措的迂回与试探，不过只是冰山露出水面的一角。更深处涌动的，是这群人试图撬动一个时代的终极野望。