从「单一动作」到「包揽全流程」：拆解 Motubrain 双榜第一背后的杀手锏

今天，很多机器人会遇到一个略显尴尬的窘境：你让它「帮忙做一顿饭」。它听懂了，然后呢？然后就没有然后了。

大多数机器人会卡在第一步：不知道食材放哪，不知道灶台怎么开，更别提中途盐放多了该如何调整。这不是因为它笨，而是它的大脑从来没有被设计来处理一整条任务链。

过去几年，机器人行业确实进步飞快：

关节更灵活了、传感器更密了、走路也更稳了。可一旦把机器人扔进真实环境里，很多系统立刻就「翻车」。

问题不在硬件，而在大脑：能感知的不懂行动，会行动的又看不懂环境变化。这种能力割裂，正是机器人迟迟无法大规模落地的根源。

也正因如此，近期一个动态值得关注：

一个名为 Motubrain 的模型，在 WorldArena 与 RoboTwin2.0 两个国际 benchmark 上同时拿下第一。

前者考察理解和预测世界的能力，后者衡量执行任务与泛化的水平，这两项长期被分而治之的能力，在同一模型上同时取得领先。

这不是巧合，而是体现出 AI 进化进入第三阶段的代际跃迁。

此前，从第一阶段的语言模型（理解世界），到第二阶段的视频模型（生成世界），AI 的能力一直停留在「认知」和「表达」的层面；

而 Motubrain 所代表的第三阶段，即进一步迈向「行动于世界」（Act in the World），让模型不仅能够理解和生成，还能够在物理世界中持续做出决策并驱动行动。

而这种能力形态，在技术路径上正对应着一种新的模型范式：

世界行动模型（World Action Model，WAM）。它不再将「理解世界」和「执行动作」拆分为多个模块，而是试图在同一模型中完成从认知到行动的闭环。

这件事的价值，不只是一次性能登顶，更是一次路径验证，即机器人行业的竞争，正在从「谁更会动」转向「谁更会做事」。

而后者能否成立，归根结底是一个问题：我们能否造出真正通用的机器人大脑？

从单一动作到包揽全流程，

机器人必须跨越的「一道坎」

如果把今天的机器人拆开看，单点能力其实已经相当不错。

比如抓取一个固定位置的物体，成功率可以轻松超过 95%；在无障碍走廊里导航，路径规划丝滑流畅；识别常见物品，视觉大模型早已不在话下。

单看这些指标，很容易得出一个乐观的结论：机器人似乎已经准备好进入真实世界了。

然而，现实给出的答案恰恰相反。一旦把机器人从实验室搬到家庭、餐厅、仓库等开放环境，绝大多数系统会迅速「露馅」。

问题出在哪？拆开来看，每一个子任务，如抓取、放置、旋转、移动，把这些动作串成一个连续的任务链，系统就开始崩溃。

这恰恰揭示了当前机器人智能的核心瓶颈：

大多数系统仍然是围绕「单一任务」构建的。抓取是一个抓取模型，导航是一个导航模型，操作是一个操作模型。它们像是拼图一样被强行组合在一起，彼此之间缺乏统一的状态认知和决策协同。这种模块化拼接的方式，在结构化环境中或许还能勉强运行，一旦遇到动态变化或长程任务，系统的脆弱性就会暴露无遗。

这也是为什么，即便机器人能翻跟头，却依然无法真正在工厂流水线上打工的根本原因——因为缺乏连续决策的统一大脑。

要知道，现实世界中的任务，本质上是一个连续的决策过程，从准备、执行到收尾，中间伴随着环境变化、状态偏移和意外干扰。

而在这一问题上，Motubrain 给出了一种截然不同的切入方式。它不是围绕「优化某一个动作」来迭代，而是围绕「行动」构建统一的智能体系。

它将自己定义为通用世界行动模型（World Action Model, WAM），核心主张可以概括为一句话：为行动而生。

但这里的「行动」，并不是像传统的 VLA（视觉-语言-动作）只是拟合动作，Motubrain 是基于对世界规律的理解来驱动行动。从拟合到理解并预测，是 Action Model 的核心进化点。

这意味着，Motubrain 从一开始就不是冲着抓得更准或走得更稳去的，而是奔着完整做成一件事来的。

以家庭餐食场景为例：

它需要处理的是「准备—服务—收拾」的完整任务链，而不是其中的某一个环节，包括支持双手协同处理食材，根据炉灶温度变化调整操作节奏；要在调料打翻时重新规划清理步骤，在发现食材缺失时灵活替换方案……所有这些，都在同一个模型内部完成，不靠拼接多个独立模块来勉强凑合。

从这个角度看，Motubrain 试图解决的根本问题，就是机器人能不能连续完成一个任务，这正是通向通用机器人大脑必须跨越的那道坎。

不止于双榜第一，

生数科技背后的完整布局

过去一段时间，机器人智能的发展大致沿着两条路线各自狂奔。

一条叫「世界模型」，核心是让机器理解环境、预测状态变化；

另一条叫「动作模型」，聚焦任务执行与操作能力。两条路线各自积累了不少成果，但一个尴尬的事实是：它们长期处于割裂状态。

这种割裂带来了一个典型困境。擅长世界模型的系统，往往能准确描述正在发生什么、接下来可能发生什么，可一到需要实际动手操作时就束手无策；

而擅长动作模型的系统，虽然能把单一任务执行得行云流水，却对环境变化缺乏预判，稍有扰动就容易出错。

Motubrain 的出现，正是在尝试缝合这道裂痕。

它所代表的技术路径，不再把预测世界和驱动行动当作两个独立的阶段来处理，而是在同一个模型中同时完成这两件事。这种统一范式落实到能力层面，可以进一步拆解为四个维度，也是 Motubrain 最核心的差异化标签：

首先是一脑多能，应对多种任务。

比如整理沙发的过程中，机器人并不是简单地摆放物体，而是需要先识别衣物与杂物的差异，再完成分类与整理。

这一过程同时涉及视觉识别、语义理解与操作执行，本质上是多个子任务的融合，而不是单一动作的重复。

其次是一脑多型，适配多种本体。

事实上，Motubrain 并没有被限定在某一款机器人上运行，而是接入了不止一种硬件形态。

这意味着它并非为某一台设备量身定制，而更像是一个可以适配不同「身体」的统一智能底座，具备跨本体复用的能力。

第三是一脑贯通，长程任务一步完成。

以插花为例，机器人需要连续完成抓取花枝、定位花瓶、调整角度、插入，再到拿起喷壶浇水、移动花瓶等多个动作。

这些操作并非被拆解后逐个调用，而是在同一模型中被连续执行，形成一条完整的动作链路。

最后是一脑预见，实现动态决策。

当需要机器人煮火锅捞食材，但出现「捞空」的情况时，机器人不会停在当前结果，而是能够重新判断位置并再次尝试。

这种基于当前状态的修正过程，体现出其能够根据环境变化不断调整后续动作，而不是机械执行既定指令。

从这些具体操作可以看到，这四个维度并不是抽象能力，而是直接体现在机器人对多任务处理、多本体适配、长程任务执行以及动态调整能力上的统一表现。

事实上，这些维度的能力并非停留在纸面上。在生数科技最新释出的实机视频中，Motubrain 已经展现出了极具震撼力的工业级落地潜力。

画面中，机器人完成了包括插花、整理沙发、舀取食材、倒果汁、调酒、整理洗漱台等一系列任务，其背后正是对机器人一脑多能、一脑多型、一脑贯通、一脑预见等不同维度能力等直观体现。

实际上，Motubrain 并不是孤立的模型发布，它背后对应的是生数科技一整套通用世界模型战略。

在长期的视频大模型技术积累基础上，生数科技构建了以通用世界模型（Foundation World Model）为核心底层、贯通数字空间与物理空间的双轨体系。

在数字空间，基于世界生成模型打造视频大模型 Vidu，推动 AI 在内容生成领域的落地；

在物理空间，基于世界行动模型构建 Motubrain，推动机器人从「模块化执行」走向「统一智能体」。

两条线共享同一底层能力，目标是打通「预测世界—生成世界—行动于世界」的完整闭环。

更重要的是，这套布局正在加速从技术走向产业。

生数科技近期已先后与无界动力、深朴智能等企业达成战略合作，将 Motubrain 的模型能力接入具体的机器人系统，推动其进入真实场景。

这意味着，生数科技正在围绕通用机器人大脑，加快形成从通用世界模型到机器人场景落地的完整布局。

回到开头那个问题：让机器人帮忙做一顿饭，它到底能不能做到？过去，答案是否定的。因为机器人只有身体，没有能理解世界并连续行动的「大脑」。

而今天，随着 Motubrain 在 WorldArena 和 RoboTwin2.0 上同时拿下第一，以及世界模型与动作模型在同一框架下走向统一，这个答案正在被改写。

当然，从榜单第一到真正走进千家万户，中间还有很长的路要走，包括真实世界的复杂度、数据的匮乏、算力的约束，都是必须翻越的山丘。

但至少方向已经清晰，当一台机器能够连续完成一整条任务链，能够预见变化并动态调整，能够在不同本体、不同场景间迁移能力，它就不再是一台预设程序的设备，而是一个名副其实的智能体。

这或许就是生数科技最大的价值所在，它不是给出了一个完美的答案，而是证明了一条可行的路。

而这条路径的意义，早已不止于机器人本身，它指向的是 AGI（通用人工智能）进入物理世界的关键一步。

随着与无界动力、深朴智能、星尘智能等合作的推进，这一路径也正从模型验证，逐步走向真实世界的商业落地当中。

https://www.shengshu.com/zh/motubrain