認領神秘登頂模型：生數拿出工業級Demo，跨本體跑通復雜長程任務

田晏林 發自 凹非寺
量子位 | 公眾號 QbitAI

一家做視頻的公司，造了個機器人通用大腦。

這不是段子，是真事。

區別于傳統的專用機器人大腦，這個“大腦”既具備世界模型的預測推演能力，又能輸出行動指令，真正做到“知行合一”。

大腦模型名叫MotuBrain，4月中旬悄悄登頂兩個國際benchmark，卻無人知曉來歷，讓具身圈大佬們猜了三周。

剛剛，生數科技主動認領了。

沒錯，是那個做了Vidu、讓央視動漫用AI拍西游的公司。

兩個國際benchmark，一個測試“能不能看懂物理世界”，一個考驗“能不能真的動手干活”。

就像一個人一邊參加物理競賽，一邊考叉車實操證，4月中旬，MotuBrain兩門都拿了全場最高分。

成績單亮出來，還是實打實的登頂：

• 在WorldArena上，MotuBrain運動質量第一、動作平滑度第一；
• 在RoboTwin2.0上，它也是唯一一個在隨機環境下，平均分超過95的模型。

這是什么概念？過去幾年，能把其中一個測試做到極致已屬不易。

同時登頂？之前還沒人做到過。

但現在，生數科技告訴你：一個MotuBrain模型就夠了。

視頻公司跨界指揮機器人，聽起來蠻有趣。

實際內里也是大有乾坤：具身智能的未來需要World Action Model（世界動作模型），而后者必須建立在視頻模型對物理世界的理解之上。

一段汽車漂移的視頻，模型要看懂車為什么拐彎、輪胎為什么冒煙、下一秒會往哪走。

這也不難理解視頻公司闖入具身世界背后的邏輯了。

雙榜吊打，這個機器人大腦有多強？

MotuBrain悄無聲息地同時登頂WorldArena和RoboTwin2.0，不少具身大佬都被這個神秘模型勾起好奇心，瘋狂打聽到底是誰家做的。

有媒體扒出X平臺上倒是有個賬號，但剛注冊，簡介空空。

“子彈”飛了快三周，4月29日，生數科技主動跑出來認領：是我。

回頭來看，線索其實早就埋下了。

2025年12月，生數科技正式開源通用基座世界模型Motus，這是其在物理世界智能方向的一次試水。

四個月時間不到，生數又進化了。

MotuBrain作為全面升級的商業模型版本，繼承了Motus完整核心技術架構，并完成關鍵能力突破。

驗證實力的第一站：WorldArena。這是業界公認的World Model能力測試場。

它不看你模型生成的視頻好不好看，而是看你的模型能不能真正理解物理世界：

一個物體被推一下會朝哪個方向運動？兩個物體碰撞后會發生什么？連續動作的軌跡是否平滑、是否符合真實物理規律？

EWM Score是這個榜單的綜合評分，Motion Quality、Flow Score、Motion Smoothness這些維度分別考察動作的真實性、連續性和平滑度。

△數據統計截至4月21日

在這三個直接對應“動作質量”的維度上，MotuBrain全部拿下第一。

這意味著它不是靠某個單項指標刷分，而是在物理規律的理解和模擬上做到了全面領先。

RoboTwin2.0則是Action Model的硬核考場。

它給模型設置了50個不同的任務，覆蓋抓取、放置、推、拉、旋轉等多種操作類型，還分兩種環境進行測試：

一是Clean場景，標準實驗室環境，物體位置、光線、背景都是固定的；

二是Randomized場景，會引入隨機的擾動，比如物體位置隨機偏移，燈光顏色隨機變化，甚至桌子角度都可能微調。這考驗的是模型能不能泛化到沒見過的條件。

MotuBrain在兩個場景下，分別達到95.8和96.1，均排名第一。

它也是該榜單上唯一一個在隨機環境下，平均分超過95的模型。

拆開50個具體任務看，MotuBrain九成任務超過90分，一半任務更是拿到了滿分100分。這已經不是領先了，這叫斷崖式領先。

兩個頂級榜單，一個測“理解世界”，一個測“在世界中行動”。

想要同時取得成績，業內默認這是“統一場”級別的難題。

因為兩邊的技術棧和評估方式完全不同，能把其中一個做到極致就已經是頂級水平。

但MotuBrain雙榜吊打，至少在benchmark層面驗證了一件事：

把預測世界和驅動行動統一在同一個模型里，這條路是走得通的。

真機演示：AI干活開始“帶腦子”了

從榜單成績看，MotuBrain擁有更接近通用機器人大腦的能力特征，它不是單項任務的“偶然強”，而是跨任務、跨場景的泛化能力都強。

一段真機演示足以直觀印證。

從生數科技發布的Demo看，沒有復雜的上層VLM加持，也沒有預設動作腳本，卻將MotuBrain的4個核心能力完整呈現，看完只剩震撼！

這段不足3分鐘視頻，用3臺不同型號的仿人形機器人，演示了5種任務：插花、整理沙發、服務一場火鍋局、調酒、整理洗漱臺。

沒錯，MotuBrain的第一個能力就是一腦多型，它不是為某一種機器人量身定制，而是面向多機器人本體設計的統一智能底座。

它在不同形態、不同自由度、不同傳感器的機器人上都能跑，而且接入的機器人種類越多，數據和場景越豐富，模型表現越好。

僅從Demo展示的這三臺機器人身上，我們也能看到一個模型是怎么拿捏全場景任務的。

插花、整理沙發，別看在這幾項任務里算“簡單”的，恰恰是最考驗長程任務建模能力的操作。

我們能看到，機器人精準抓取三支花，分別穩穩插入花瓶后，順勢拿起澆水壺，對著花枝均勻噴灑清水，整個過程非常絲滑，沒有停頓。

也能看到它精準識別出散落的衣物和錯位的靠枕，先將衣物逐一拾起、規整放入洗衣籃，再將歪歪扭扭的靠枕擺回原位。

全程動作輕柔且高效，沒有出現衣物掉落、靠枕擺放歪斜的情況。

這就是MotuBrain一腦貫通能力的體現。

不同于傳統機器人僅能完成2-3個原子動作的Demo展示，MotuBrain的一個World Action Model可完成10個原子動作級別的復雜長程任務。

無論是插花還是整理沙發，機器人面對的不再是一個個孤立動作，而是一項需要持續推進的完整任務。

如果你以為這就夠了，先別急著叫好，大招還在后面。

最讓人眼前一亮的，當屬服務一場火鍋局。機器人被要求從鍋中舀取一份丸子放入碗中，同時倒一杯果汁。

這一次，它左右手同時“開工”，互不干擾、配合默契。

一個小細節是，起初勺子放在鍋里，機器人用左手握住勺柄，沒有立刻撈取，而是先判斷了一下漏勺中有沒有物體，然后重新伸向鍋中舀取丸子，盛入面前的碗中。

別小瞧這個不起眼的動作，需要機器人「理解」勺子是空的，同時能自主「預測」并重新執行撈取動作。

多數機器人是“看到什么就做什么”。而在這個取丸子場景里，如果換成傳統指令式機器人，它只會按腳本執行“舀→放”的動作。

一旦勺子初始是空的，它要么卡住，要么盲目重復，卻不知道“為什么空”。

但MotuBrain能做到：像人一樣“察言觀色”，握住勺柄的瞬間就通過視覺判斷出“勺里沒東西”，緊接著自主規劃新路徑，重新伸回鍋中精準舀取丸子。

直到確認勺子里有食材，它再穩穩端起，送入碗中，全程行云流水，無需人工干預或重新下指令。

理解世界、預測變化，并據此驅動更合理的行動，這就是MotuBrain的一腦預見能力。

不過此時，真機演示還未到高潮。

調配飲料的任務，才是細節拉滿。

只見「硅基調酒師」右手拿起飲料，精準倒入盎司杯中定容，放下飲料瓶后，左手迅速拿起牛奶瓶，將牛奶緩緩注入中間的玻璃空杯，動作輕柔且精準，全程沒有一滴灑漏。

待牛奶倒完，右手再次拿起盎司杯，將里面的飲料緩緩倒入牛奶杯中，最后還不忘取一片薄荷葉，輕輕放在飲品表面做點綴。

完成造型后，它還俏皮地捏了一下身邊的塑料小黃鴨，仿佛在向圍觀者“報喜”：雞尾酒做好啦！

一系列操作，展現了MotuBrain的一腦多能。

這一能力讓模型能夠在多任務場景中保持穩定表現，不依賴單一任務訓練。

相比于傳統做法，比如搬箱子用一個模型、開門用一個，疊衣服又一個……任務越多越臃腫。

MotuBrain直接把大量不同類型任務混在一起學，從抓取到多步操作全扔進去。

這樣做的好處是，隨著任務數量持續增加，任務之間的共享世界知識越多，MotuBrain的平均任務成功率也會同步提升。

因為它學到的是“操作的本質”，不是肌肉記憶。

這四個能力疊在一起，MotuBrain就有了為連續、智能、真實世界的行動而設計的機器人通用大腦。

把推演和行動揉進同一個模型

為什么MotuBrain能讓機器人有這樣的干活能力？答案藏在底層技術設計里。

過去一年，圍繞World Model和Action Model，行業已逐步形成幾條有代表性的技術路線：

一是直接行動派，也就是訓練一個VLA直接進行感知理解和執行。

二是先看后動派，先訓練一個視頻預測模型用來想象未來，再把想象的結果作為決策依據。聽起來有點像人類先在大腦里模擬一遍再動手。

MotuBrain走的是第三條路線——邊看邊動派，也就是World Action Model。

它把推演和行動融合在同一個模型里，沒有先后順序，決策的同時就在推演，推演的結果直接影響決策。

這三條路線沒有絕對的對錯，但World Action Model有兩個關鍵優勢：

它不需要等待機器人“想象”后再行動，響應速度更快；同時因為推演和行動共享同一個表征空間，預測的偏差和執行的偏差不會相互放大。

打個通俗的比方。人類司機開車，不是靠肌肉記憶去踩剎車。

你看到前車剎車燈亮起的那一剎那，大腦已經在預測“0.5秒后我離前車還有多遠”“現在踩剎車重了會不會追尾”“輕了會不會剎不住”。

這個預測和決策是同時發生的，不是反復琢磨路況，再踩剎車（那就來不及了……）

MotuBrain做的就是這件事。如果只用一個詞形容它，那就是：為行動而生。

傳統AI模型更像是“觀看者”或“分析者”，給它一張小貓的圖片，它能認出來；給它一段視頻，它能描述發生了什么。

但這類模型從不真正“行動”，也不需要對自己的判斷負責。

MotuBrain要解決的，也不是“機器人會不會做一個動作”，而是“機器人能不能連續完成一個任務”。

而想要做到這點，要求機器人必須真正理解真實世界中的運動和物理變化。它的行動必須是連續的、能適應變化的、可以跨本體、跨任務的。

在WorldArena評測中，MotuBrain在三個與“運動”直接相關的維度上全部拿下第一：

• Motion Quality：動作真實，不是“擺姿勢”。
• Flow Score：連續動作絲滑銜接，理解軌跡變化。
• Motion Smoothness：符合物理規律，無突兀跳變、急加速或抖動。

從技術層面看，MotuBrain的設計并不復雜，卻很有章法。每一步都像在給機器人“換腦子、塑認知”。

其技術根基源自Motus在去年12月確立的World Action Models。

核心思路很簡單：先給機器人的“視覺”（視頻）和“動作”（機械運動）做一套“統一翻譯系統”，徹底打通多模態信息壁壘。

也就是用UniDiffuser實現Video和Action的統一建模與調度。

一旦語言統一了，機器人只需訓練一次，就能自動學會五種本事：

舉個最直觀的例子，讓機器人取桌邊水杯。

• VLA模態：視覺識別目標+解析語言指令，完成感知到動作的初始觸發；
• 世界模型模態：觀測水杯邊緣位置與姿態，結合機器人動作輸入，預判物體位移、滑落等環境動態演化趨勢；
• 視頻生成模態：基于手部靠近水杯的前置幀，自主補全整個抓取動作的時序過程；
• 逆動力學模態：由“水杯從桌面轉移至手中”的結果，反向推演機械臂最優運動軌跡；
• 視頻動作聯合預測模態：執行抓取的同時，實時預判水杯下一時刻位置，動態微調手部姿態與發力邏輯。

這五種本事都來自同一套底層邏輯，不用分開訓練。

而且，相比傳統VLA只能吃特定本體上的純任務數據，Motus「不忌口」，能同時消化各種數據（純視頻、無標簽數據、機器人運動軌跡）。

它吃的數據越雜越多，機器人對真實世界的理解會越深，行動也就更靠譜。

因為它掌握的是跨任務的通用規律，不是單一動作的“模板”。

在此基礎上，MotuBrain做了更實用的升級，解決了機器人落地的核心痛點：

• 不挑相機：不管機器人裝了多少個攝像頭、角度如何，都能正常識別；
• 聽懂人話：把“指令”融入動作生成的核心，不是簡單“湊活執行”，而是真的理解指令意圖；
• 跨機器人通用：學會的本事能遷移到不同機器人身上，不用換一臺機器人就重新訓練；
• 能做復雜任務：它搭了一個視頻?動作?語言三流MoT架構，不用拆分步驟，讓模型可以完成10個以上連貫動作。

從左圖可以看出，隨著任務數量增加，Pi-0.5成功率持續下降，而MotuBrain成功率持續上升。

這說明它學到了跨任務的通用世界知識，這是VLA不具有的能力。

右圖呢？是MotuBrain在數據量上的Scaling Law曲線。

相比其他模型更陡峭，說明其數據效率非常高，僅用少量數據就可以取得很好的結果。

此外，任務數量的scaling law曲線比數據量更為陡峭，說明對于MotuBrain這種數據效率極高的模型來說，相比于增加數據量，增加任務的多樣性對成功率的提升效果更為顯著。

真機演示里，我們也能看出來，該模型已在多款仿人形機器人上驗證過，大模型運行不卡頓，不用額外輔助工具，僅憑自身能力，就能高成功率完成長程任務，還能左右手同時做不同事。

總結下來，MotuBrain真正厲害之處，不在于多復雜的技術堆砌，而在于用“統一建模”打通了機器人的“感知、理解、行動”，讓機器人真正從“機械執行”，走向“智能決策”。

左手Vidu，右手MotuBrain

如果只看MotuBrain這一個點，可能會覺得生數科技是突然殺進了具身智能賽道。

但如果把視線拉遠，會發現這是一條早有預謀的暗線。

今年4月，阿里領投，生數科技完成了近20億元人民幣的B輪融資。

這不是一筆小錢，投資機構看中的不是“又一家做視頻模型的公司”，而是一個更大的敘事：打通數字世界與物理世界的通用世界模型。

生數科技的布局是雙軌并行。模型的底層是其全球首創的U-ViT架構。

這個架構也是該公司整個戰略的技術基座，它做的事情很底層，也很關鍵：統一處理視覺、聽覺、觸覺等多模態信息。

不同類型的感知數據被塞進同一個模型框架里訓練，模型逐漸建立起對世界的統一認知：什么是物體，什么是運動，什么是因果關系。

就像人類嬰兒的大腦，不是分別長出一個視覺皮層和一個運動皮層，而是兩者協同發育、互相促進。

在這個基座之上，生數科技兵分兩路。

一條通往數字世界，另一條路通往物理世界。

先看第一條路，生數科技走的是世界生成模型（WGM）路線，產品就是大家熟悉的視頻大模型Vidu。

Vidu的能力不只是在給定提示詞后生成一段好看的視頻。在生成視頻的過程中，模型必須學會物理規律：水怎么流、光怎么反射、物體怎么碰撞。

一個生成“水滴落下”視頻的模型，如果它連重力加速度都不懂，生成的畫面就會很假。

所以，Vidu本質上是一個被訓練來“理解并生成物理世界”的模型。

△Vidu布局

它已經在商業化上證明了這一點：漫威《毒液3》的水墨風格宣傳片，完全基于Vidu生成；AI漫劇《明日周一》10人團隊45天產出50集，上線5天播放量破500萬。

而通往物理世界的路，MotuBrain正在鋪。

Vidu和MotuBrain，一個是數字空間的產出，一個是物理空間的執行，兩套產品，同一條根。

這套雙軌結構有一個天然的護城河：

絕大多數做機器人大腦的公司沒有視頻大模型的基礎，數據來源主要是仿真環境和真實機器人采集的數據，成本高、規模小。

而絕大多數做視頻模型的公司沒有機器人動作數據的積累，輸出可以很美，但無法驅動實體。

生數科技是極少數同時擁有這兩塊拼圖的玩家。

也因此，這些技術積累會直接反映在前述MotuBrain的成績單上。

當然，光有數據還不夠，模型層面的突破還需要場景驗證。目前，生數科技已經與無界動力、深樸智能、星塵智能達成戰略合作。

這些合作伙伴有的主攻工業制造與商業服務場景，有些瞄準類家庭商業場景與合作住宿場景。

合作內容不只是“把MotuBrain裝上去試試”，而是技術層面的聯合優化、數據層面的雙向飛輪、應用層面的規模化落地。

除了上述商業伙伴，更多戰略合作已在路上。

One more thing

具身智能行業的共識變了，大家已經不在意誰造出更靈巧的機器人，更關心誰先做出真正通用的機器人大腦。

資本正在密集涌向做“大腦”的公司，這就是最好的說明。

他們爭奪的不是一兩個爆款應用，而是下一代的操作系統入口，甚至更底層——通用物理世界的入口。

這個節骨眼上，剛完成近20億元B輪融資的生數科技，帶著雙榜第一的MotuBrain出現了。

當別人還在糾結該走World Model還是VLA時，生數科技用同一個模型同時做到了行業第一。

這至少說明了一件事：通用物理智能這條路，有人已經開始跑通了。

如果說視頻是理解世界的起點，那么讓AI真正走進物理世界才是所有玩家的終點。

Vidu畫出了一個虛擬世界，而MotuBrain正在奔向后者。

官網鏈接：https://www.shengshu.com/zh/motubrain