偏一点儿就会洒出来；碰到杯沿可能弄翻，让机器人倒一杯果汁，可不仅是“拿起瓶子、对准杯口”那么简单。真正可靠的机器人，最好能在动手之前，能够像人类在脑海里“过一遍”，预判哪种动作更稳妥。5月31日，上海创智学院罗剑岚团队发布开源具身世界模型τ-WM，通过多源异构数据预训练，围绕动作预测、未来状态模拟和部署阶段动作优化，构建了一套完整系统，试图让机器人具备“行动前预演”的能力。

机器人自主完成整理书包任务

　　听懂指令也要看懂后果

　　相比大语言模型擅长理解文字，传统控制程序擅长执行固定动作，具身世界模型要解决的是：机器人如何理解“动作改变现实世界”。

　　罗剑岚解释，它像是给机器人装上一个带有物理常识、能够预测未来画面的“大脑”。“不仅看见眼前有什么，也不只是机械地输出下一步动作，而是能把候选动作放进模型里推演：这样抓会怎样，那样倒会怎样，哪一种更可能成功、更安全。”

　　以倒果汁任务为例，机器人左手拿杯、右手拿瓶时，可以先生成多种相近动作轨迹。随后，τ-WM仿真器预测这些轨迹对应的未来画面，并进行评分——果汁顺利倒入杯中，评分较高；洒到桌面或撞倒杯子，评分较低。最终，机器人执行分数最高的动作。

　　对普通用户来说，这意味着机器人不再只是“看见后反应”，而是在“想过后行动”。罗剑岚指出，这也是具身智能走向通用机器人的一个关键问题——机器人不能只会听懂人类命令，还要能判断自己的动作会带来什么后果。

视频动作模型和动作条件视频仿真器

　　让多种数据一起教机器人

　　不过，目前机器人训练长期面临“任何单一数据源都不够”的现实困境。真机数据有准确的动作标签，但往往局限在特定机器人本体、任务数量和实验环境中；UMI（通用操作接口）数据由人佩戴头部相机和夹爪，在家庭、商超等场景采集，可以扩大任务和环境覆盖，但与真机动作标签存在差异；第一视角人类视频记录了大量人手操作和物体交互细节，却缺少机器人关节动作；开源机器人数据则来自不同平台和不同构型，格式和规范也并不统一。

　　τ-WM模型把这些多源异构数据纳入了同一训练框架。据介绍，该模型使用约3万小时多样化数据进行预训练，包括真机数据、UMI数据、第一视角数据等，并通过统一预训练动作空间，让不同本体数据和带动作标签的数据尽可能共同发挥作用。

　　这意味着，模型不再只是从一种机器人、一个场景、一类任务中学习，而是从多种“身体”、多种环境、多种操作中提炼更通用的物理经验。学习了大量“动作如何改变场景”的视频片段，τ-WM不仅记住动作样子，而且学习物体交互的规律：被推的物体会移动，被碰的物体可能倾倒，被拿起的物体会改变位置。对机器人来说，这类经验正是从演示走向陌生场景的基础。开源也让这项工作具备更强的公共价值，有助于更多团队在同一基础上验证、改进和拓展。

理工具箱、理书包、装水管、收纳羽毛球的四种任务执行步骤拆解

　　离“可靠机器人”更近一步

　　“用大规模混合数据训练，让机器人获得更强的未来推演、动作选择和跨任务泛化能力”，罗剑岚认为，τ-WM验证了一条具身基础模型的新路径。

　　同时，τ-WM已经显示出对环境变化更强的适应能力。灯光、背景、物体纹理发生变化，或物品类型、位置发生变化时，机器人仍能保持较高任务成功率。对于家庭、商超、工厂等真实场景来说，这类变化几乎每天都会发生。

　　“这并不意味着通用服务机器人已经到来，具身世界模型仍处在快速发展阶段。”罗剑岚强调，τ-WM是预训练基础模型，特点是通用泛化能力，可以支持多类任务，但并不等于已经专精于所有真实场景。距离稳定可靠的机器人，还需要解决大量低频但影响成功率的长尾问题。

　　这也使τ-WM与团队此前LWD（边部署边学习）研究形成互补。LWD强调“边部署边学习”，让机器人在真实物理世界交互中继续后训练；τ-WM强调“行动前预演”，通过仿真器提前排除低质量动作、降低探索成本。如果说τ-WM让机器人先在脑中试错，LWD则让机器人在真实执行后继续复盘。