生数科技Motus2世界模型实现机器人自进化闭环

自进化闭环：行动、预测、评估三位一体

机器人拧灯泡时如果歪了，谁来告诉它错在哪？传统方法依赖人类反复示范，但现实场景千变万化，不可能穷尽所有情况。生数科技最新发布的Motus2世界模型尝试解决这个问题——让机器人自己评价动作结果，并用反馈持续改进策略。

Motus2的核心突破在于将三种能力集成到单一模型中：

• 行动：由世界动作模型（WAM）生成下一步动作；
• 预测：通过条件动作世界模型（AC-WM）模拟执行后的状态；
• 评估：价值模型（VM）判断结果是否符合预期。

这三者形成一个闭环流程：生成动作 → 预测后果 → 评估结果 → 更新策略。模型利用自身预测和评估产生的信号优化行为，无需外部干预。这种机制被称为递归自我改进（Recursive Self-Improvement, RSI），是迈向通用智能体的关键一步。

需要强调的是，这里的“自进化”并非指机器人能在开放环境中无限自主学习，而是限定在特定任务内，通过内部反馈迭代优化策略。例如在手机放置和多指操作两项真机测试中，基础策略成功率为65%；加入规划和基于模型的强化学习后，成功率提升至75%，高出10个百分点。

动作优先：防止模型“偷看未来”

要实现可靠的自进化，必须确保模型不会在决策时提前“看到”动作执行后的结果。过去一些视频生成+动作控制的方案失败，正是因为模型学会了用未来的视觉帧反推动作，而非真正理解因果关系。

Motus2采用“动作优先”（Action-first）的信息流设计：先根据当前观测生成动作，再预测该动作带来的后果，最后评估结果好坏。这种严格的时序约束迫使模型学习真实的决策逻辑。

在推理阶段，Motus2使用Best-of-N规划策略：模型生成多个候选动作，分别预测执行后的画面，再由价值模型打分，选择最优方案执行。执行一小段后，机器人重新观察真实环境，开启下一轮循环。这种方式相当于给机器人一次“脑内模拟”的机会，优化当次动作选择。

训练阶段则更进一步：候选动作的评分被转化为策略更新信号。高分方案获得更强的正向引导，低分方案逐渐被模型放弃。团队称此为“基于模型的强化学习”（MBRL）。值得注意的是，该阶段仅更新动作相关参数，预测和评估部分保持冻结，避免反馈信号干扰已学好的模块。

这种机制也改变了对失败数据的看法。以往行业高度依赖“完美轨迹”，失败记录常被当作噪声丢弃；而在Motus2的闭环中，失败轨迹用于学习动作后果与结果评价，帮助模型识别无效操作。例如Physical Intelligence的RECAP系统也让机器人从错误中学习，但Motus2的优势在于能先在模型内预测多种方案的后果，无需全部在现实中试错。

触觉与记忆：补全感知拼图

视觉虽能提供物体位置和姿态信息，却难以判断接触状态。比如撕厨房纸时，双手看似到位，但是否夹稳、有无打滑，这些细节直接影响后续动作。Motus2为此引入轻量级触觉专家模块，在短动作片段执行前读取最新触觉反馈，细化动作指令。

该模块复用主模型已计算的中间结果，避免每次重新运行完整视频骨干网络，兼顾反馈频率与计算开销。在抽取纸杯、撕纸两项任务中，加入触觉后平均成功率从60%提升至72.5%，增幅达12.5个百分点。

记忆机制则解决另一类问题：当目标物体被隐藏或环境动态变化时，仅靠当前帧无法做出正确决策。例如三个杯子中藏一方块，重新排列后需依赖历史信息定位。Motus2默认缓存近期真实观测，在寻找隐藏方块、根据历史提示操作按钮两项测试中，保留完整历史的方案平均成功率达57.5%，明显优于压缩历史的方案。

这说明对于依赖长期上下文的任务，历史信息本身就是决策要素。但完整保存所有观测会增加存储和计算负担，而过度压缩又可能丢失关键线索。目前Motus2的做法更像是阶段性妥协——在找到更优解前，优先保证信息完整性。业内其他团队也在探索类似平衡，如只保留最近片段或对历史“划重点”，但物理世界的记忆问题尚无优雅解法。

从人类经验到机器人操作

Motus2已部署于单手22自由度的Sharpa Wave和20自由度的WUJI Hand 2等高自由度灵巧手上，完成拧灯泡、翻书等复杂任务。自由度越高，操作可能性越多，但也带来学习复杂性：同一物体可用不同手指组合抓取，微小差异可能导致后续动作完全不同。

真正的难点在于数据。Motus2选择将人类第一视角（Ego）操作经验作为主要数据源，再逐步迁移到机器人平台。整套Ego数据体系包含约13万小时人类操作视频，配合百小时级的机器人及人机对齐数据。

训练分三步走：首先用单目Ego视频预训练，学习基础物体与场景变化规律；其次引入双目视频和人类动作数据，掌握手部与物体交互细节；最后通过机器人轨迹和人机对齐数据，将经验适配到机器人控制空间。

对照实验显示，在相同微调流程下，仅经人类Ego数据预训练的模型在五项真机任务中平均成功率为51%；加入机器人中间训练后，成功率跃升至84%，提升33个百分点。这表明人类数据提供规模化世界知识，机器人数据完成控制适配。

尽管人手与灵巧手在尺寸、关节活动范围上存在差异，但人类经验仍构成有效学习基础。团队还测试了双目数据规模的影响：从2000小时增至20000小时，模型在人类动作预测任务上的验证误差持续下降，未见明显天花板。这意味着依靠人类数据提升性能的路径仍有潜力可挖。

从L3到L4：还有多远？

生数科技将通用世界模型演进分为五级：L1生成世界、L2与世界交互、L3在世界中行动、L4自主世界智能体、L5世界组织者。Motus2已具备L3核心能力——理解状态、预测后果、输出真实动作。

向L4迈进的关键，在于模型能否利用自身能力参与改进自身。Motus2通过预测不同动作后果并评估其价值，产生策略更新信号，初步触及L4的“自主决策、自主反馈、持续自我改进”内核。

但距离开放世界中的长期自主学习仍有差距。触觉数据在不同机器人本体间的迁移困难，长任务中的预测可靠性、记忆效率，以及持续学习机制都需进一步探索。不过Motus2至少验证了一点：评价与反馈已真正进入世界模型的闭环，机器人开始从“能行动”走向“会反思”。