诺亚 发自 凹非寺
量子位 | 公众号 QbitAI
现在的具身智能公司，把Demo演示片拍得像广告一样精良和夸张，但一刀未剪的真实视频，你看过吗？
前几天，有业内朋友给我发来一条10分钟的Demo，全程一镜到底，无剪辑，无场外遥控，无人工指令，甚至有些粗糙，但呈现的内容却让我直接瘫坐，心情久久不能平静（doge）。
视频中，机器人会把手臂伸出窗外擦窗户，够不到高处时知道自己搬箱子踩在上面，长程任务中途被打断还能精准恢复……
更炸的是，视频中同时出现了宇树和智元的机器人本体，这两款硬件架构、运动自由度、传感系统完全迥异的“竞品”，同用一个“大脑”，互相配合，密切协作，是全球罕见的跨本体通用大脑样本。
△原10分钟一镜到底视频Demo经1.5倍加速处理
不夸张地讲，它可能是一条足以改写全球具身智能行业认知、颠覆赛道技术判断的Demo，甚至可能改变了Scaling Law……
这到底是哪里来的神仙？
视频逐帧拆解，全是名场面
这条视频的信息量实在太大了。我认真地逐帧拆解，结果越看越上头。
密闭空间作业，稳得离谱
拍摄场地是个15m²左右的出租屋，家具密集，过道狭窄，连转身都费劲。这种环境，基本没有遥操作（没办法站下人）和预设脚本的可能性。
这个视频从环境的设计，就怼脸告诉大家，这只能是一条机器人完全自主学习、自主进化、自主决策的视频。
两个机器人在同一个空间里并行干家务活，实时感知边界、规划路径。
全程无碰撞、无迷路、无停滞，完美适配陌生复杂实景环境，就连被牵引绳拴着的战损版机器人都表现出了极强的灵活性。
整段视频没有切镜，没有重拍，也没有人工指令介入。
伸手出窗擦玻璃，动力学能力与自主推理的巅峰具象
从第一个任务起，机器人就展现了“细腻”且超出人类想象的一面。
一台宇树机器人用刮水器擦玻璃，用过刮水器的人都知道，如果力使轻了擦不到，使重了又会出现异响，比拿抹布擦玻璃更考验力度控制和空间感知，上来就给自己加到地狱难度。
只见机器人擦了几下，有一处没擦干净，它居然自己会判断：脏东西可能在外面。
于是它做出了一套我从没看过的动作：侧身、后仰、探头、展臂，把拿着刮水器的手伸出了窗外。（稳如老狗）
△视频经1.5倍加速处理
一些现有的具身模型，能够把力控做好已经是极限，而这个机器人，却在精确地力矩控制的基础之上，天衣无缝地融合了对于空间环境的感知（伸出手并没有撞到窗框）和动力学的解算。
不仅单一能力做到行业天花板，模型还展现了三位一体的统一化表现。
更让我久久无法平复的是，在没有办法擦干净的情况下，它立即推理决策，将手伸出窗外擦玻璃，这是我第一次看到了模型像人一样的一次自我推理、自我进化。
这充分体现了模型把视觉、触觉、动力学等融合为统一感知，并且具备了自我进化的能力，这一次，我终于相信机器人真的能干活了，而且，将会干到比人更完美。
长时序任务闭环，拒绝误差累积
擦完玻璃，宇树机器人平稳地把刮水器放回原位，落点精准，动作连贯。
别小看这个收尾动作，这意味着它完成了“取工具-作业-收纳”的全流程闭环。
身旁的智元机器人，走近洗衣机，拿出洗干净的坐垫放到沙发后，又返回继续拿出洗干净的娃娃，精准放进了二层衣柜，每件物品都回到了它们应该在的地方。
△视频经1.5倍加速处理
智元机器人不小心撞到了玻璃，更说明了这是机器人的自主决策，因为摄像头有时解决不了玻璃的反光，而如果人遥操的话可以（doge）。
这两幕是整个10分钟视频最基础能力的缩影，在长时序任务中，每一个任务都完成得丝滑、精准且一步到位，并不会因为任务变多、变长而累计误差，越做越差。
这解决了传统VLA模型最怕长序列任务的弊病。
单从动作表现来说，模型一定用了一套全新的架构，在10分钟的超长任务链里，持续纠错、稳定输出，每一个动作都做到精准可控，鲁棒性堪称行业顶尖。
任务可随意打断，模型能做到断点续做
接下来，画面里出现了一声闹钟的铃声。（放大声音仔细听，不明显）
一开始我没有理解闹钟的意图，反复观看后发现，闹钟是某种设定好的提醒，会中断两位机器人当下的任务，开始执行收纳桌面跟冰箱的特别任务。
△视频经1.5倍加速处理
奇妙的是，收纳完桌面和冰箱后，机器人继续恢复执行被打断前的任务，这表现出模型具备随时打断、断点续做、任务恢复的能力。
对比市面上一次Demo只能完成一项任务，还得小心呵护，这个粗糙的视频展现出的是机器人在真实作业环境中，不仅耐用、甚至能“一心二用”的超强能力。
接下来是一整套居家收纳长流程：宇树机器人拿取收纳袋放到桌面，智元机器人看到冰箱上的食物，判断应该冷藏储存，就马上执行，并顺便拿出了应该解冻的食物（我猜这个神秘团队可能在暗示，机器人快可以做四菜一汤了）。
△视频经1.5倍加速处理
全程没有分步指令，机器人自主拆解任务、规划动作，一步步完成从取物到归置的全流程。
如今绝大多数机器人只能执行单任务串行流程，中途遇到干扰，任务基本就崩盘了。而这套模型拥有人类级别的任务优先级判断和动态调度能力，可随时切换任务流，这种灵活性跟稳定性所展现出的智能，远超市面上任何一款已知模型的能力。
智元给宇树戴围巾，跨本体协作名场面
随后，整条视频的最高潮出现了。
两个机器人仿佛商量好了，哥俩一定要一次整理好桌面上的杂物，不能来回搬运。
所以宇树不断往自己的身上放置物体，直到双手占满不知该如何操作了。这时，智元机器人温柔地走近，将桌上的一条围巾缓缓拿起，挂在了宇树机器人的脖子上。
智元机器人发现围巾很长，于是用双手捧起了围巾，这时宇树仿佛也看懂了智元的意思，弯下了腰，智元将围巾绕过宇树的头，挂在了对方的脖子上。
△视频经1.5倍加速处理
不是吧哥们？！这丝滑感以及彼此眼神的交互，怎么还有股CP感！
视频不是提前设定好的分工，而是模型在跨本体的两个机器人间，自主探索出的协作方案。两个不同品牌的机器人，自主判断各自的能力边界，并完美互补，这已经无限趋近人类的协作，甚至在没有语言的情况下，显得更加默契。
这可能是世界上第一次跨本体的交互，也可能是世界上第一次出现了能够通用本体的模型。
我猜这个神秘团队是想用两个互为竞品的本体告诉大家，这才是真正的通用大脑。
搭毛巾、拎拖鞋，难道机器人不仅会干活，还已经开始“偷懒”了？
挂着一身物品的宇树缓缓走向远方后，智元继续收纳剩余的物品。
这时，它拿起一条毛巾，企图把它挂在自己身上。尝试了一次、两次、三次，终于挂在了自己肩头。
震惊三连！
机器人好像知道怎么最省劲，毛巾挂肩膀上，比拿在手上更省劲。
模型能自主学习，在一次两次没成功之后，不断优化直到成功。
模型能了解自己的本体，可能是它能够跨本体应用的核心原因。
△视频经1.5倍加速处理
这并不是孤例。
仔细看，机器人整理拖鞋时，它拎的是新拖鞋的挂绳而不是鞋体本身，因为拎绳子更省劲。
又一次震惊！在其他机器人还在为干活而精心打扮的时候，这个模型居然不光把活干了，甚至直接学会“偷懒”了？这真是太聪明了。
又一次高潮，机器人学会使用工具，企图用箱子垫高自己
还没结束，最让我震惊的一幕出现了，在将挂满全身的物品一一归位的过程中，如何把围巾放到第三层柜子，难倒了身高只有1.3米的宇树G1机器人。
神性的一幕出现了！它没有卡住，也没有放弃，而是像人推理一样，自己找了个箱子！对的，找了个箱子！企图站在箱子上垫高自己再试一试。
只见它找到了旁边的箱子，并一把把它推到了地上，企图弯腰搬箱子，却发现自己弯不下腰。
尝试了几次后，就当我以为它总该要放弃了的时候，它惊世骇俗地一脚把箱子踹到了柜子边！
△视频经1.5倍加速处理
整个过程体现了：
自我推理跟决策的能力。机器人懂得怎么能让自己够到高处的物体，怎么能在弯不下腰的情况下挪动箱子。
模型对身体能力的不断探索。在一次次弯腰尝试的过程中，机器人仿佛越来越了解自己的身体边界，也做出了匹配身体能力的选择。
自我进化的过程。机器人在没有任何教学的过程下，居然学会了用脚来踢箱子，善于利用自己的身体在环境中自我进化。
这一幕，真的让我后背发凉。
要知道，能自主使用工具，可是人类的标志性体现。
而视频中的机器人居然真的学会了使用工具。它知道箱子可以承重，知道站上去能增加高度，甚至知道弯不下腰时可以用脚踢。
这套动作背后，是对物理世界规则的深度理解、对自我能力的不断探索、跟自我决策进化的三者合一。
跨本体能力互补，协同作业，从个体到群体
宇树一脚将箱子踢过去，踢歪了，就在它思考如何将箱子回正的时候，身高1.7m的智元远征A3走了过来，它好像看出了宇树的执着和困境，放下了手里的小拉车（主动切换任务），选择去帮助同伴。
只见，像毕业授勋一样，宇树弯腰低头，智元缓缓地拿下了围巾，放到了架子上。
△视频经1.5倍加速处理
细节里的每一步，都体现了藐视其他模型的能力。
两个机器人对于自身以及彼此间硬件能力的了解和配合，跨越了个体智能，走向了群体智能。
智元将围巾绕过了宇树的脑后，才能轻巧地取下围巾（此处可以脑补其他机器人会如何拽下这条围巾），展示出对于力度控制和跟空间感知的极致理解。
机器人将围巾折了三折，是对于如何更好地把围巾放进衣柜的自主判断，这才是真正的具身“智能”。
最后，智元帮助完宇树后，默默离开，将最后一件衣服稳稳地放进了洗衣机（我猜它判断出了搭在洗衣机上的是脏衣服），这条十分钟的一镜到底终于结束了。
虽然我不知道这个模型的架构，但是我相信大家跟我一样已经惊呆了。
第一次跨本体协作、第一次看见机器人的自主进化、第一次类人的自主决策选择最优路径、极致的空间感知跟力控、任务随意打断、学会使用工具……这个模型的每一个动作、每一帧都是一个很好的Demo，但他们就这么静静地出现在这个十分钟一镜到底的视频里，而且呈现方式是这么简单直接。
仿佛是一种轻松随意、信手拈来就能做到的王者感。
底层技术跳出主流模型固有框架
为什么视频中的机器人能贡献这么多名场面？
我从知情人士那里了解到，最重要的原因是，这套模型跳出了当前主流具身模型的所有固有框架。
现阶段主流具身模型大概可以分为VLA、WAM和传统世界模型三类，它们都有暂时无法突破的瓶颈。
△图片由AI生成
具体来说，VLA是“数据直觉派”，依托海量视觉、语言、动作数据做端到端拟合。但它的本质是“看图猜动作”，缺失物理推理能力，长序列任务会持续累积误差，陌生场景泛化能力近乎为零，且高度绑定专属本体。
而WAM和传统世界模型是“预判空想派”，试图先建模世界规律再规划动作，但存在致命的“知行割裂”问题。模型能看懂场景、预判状态，但面对需要物理动力学推理的实操场景，依旧只能依赖训练数据推演，无法适配真实环境的动态变数。
这些主流具身模型存在共同的底层致命缺陷：数据驱动的任务拟合。
也就是说，所有动作都是基于海量数据的“概率猜测”，而非对物理规则的深度理解。这导致模型的能力上限被训练数据牢牢锁死。
而且据说，视频中的模型只用了几十个小时的视频数据训练。如此少的数据量就能达到这样惊人的效果，Scaling Law还存不存在？真的要打一个问号了。（美股大跌预告）
从细节看，视频中的模型起码展现了现阶段VLA和世界模型无法企及的四个能力：
动力学建模：轨迹满足动力学可行性，能计算补偿力矩和前馈项，外推泛化能力绝佳；
自我认知能力：不像VLA靠条件反射，也不像WAM靠时序统计，它像人一样思考“下一步最接近目标的动作是什么”；
自适应能力：能补足因果推理，解决长尾问题，边做边进化；
自我进化能力：在完成任务的过程中，技能自增长，策略自进化，仿佛能自我驱动产生学习目标，并主动推理实现价值。
支撑这一切的，是三个底层技术内核。
物理约束动力学学习。区别于VLA、WAM纯数据驱动的训练模式，它的核心是物理规则前置、动力学预测驱动。拎拖鞋挂绳、肩搭毛巾、站箱子登高，都不是数据教的，是模型与环境交互自主探索出的最优解。
跨本体统一建模。通过统一的动作表示空间与本体自适应机制，让同一套模型适配不同品牌、不同架构的硬件平台。相当于为具身智能完成了“软硬件解耦”，终结了硬件绑定算法的时代。
长时序鲁棒闭环。依托全局任务调度框架，自主处理全程突发干扰、动作误差、任务切换，避免传统模型长流程误差累积崩盘的问题，具备真实家庭、复杂场景落地的核心能力。
如果你了解具身模型的现状，看完以上内容之后，估计也会惊掉下巴。
当其他团队的Demo还在堆砌短时长、精修、单任务时，这个神秘视频已经完成了10分钟无修剪、跨品牌、多协同、全流程、自进化的真实实景落地。
当其他模型还在“靠数据猜动作”时，这套模型仿佛已经实现了完全的自我决策、自我学习、自我进化。让大家看到，机器人不仅真的可以干活，而且能力还在快速自我进化，给人无限的想象空间。
更重要的是，这个模型仿佛让我们看到，大家热火朝天在争论的是三年、五年、还是十年会到来的机器人真的能够替人干活的未来，今天就出现在了你的面前。
一个不知道是哪里来的团队，仿佛颠覆了所有的技术路径，颠覆了Scaling Law，做出了真正的具身“智能”，逼近了具身智能的ChatGPT时刻。
目前还不知道这个神秘模型出自谁家，但我相信此刻，大家的疑问都跟我一样：到底是谁！！！
哪位大神有什么小道消息么！！！
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
— 完 —
🌟 点亮星标 🌟
科技前沿进展每日见
一鼎盈配资提示：文章来自网络，不代表本站观点。
