π0引用的中国团队，又出手了：世界仿真器新作发布

允中 发自 凹非寺
量子位 | 公众号 QbitAI

机器人撬开啤酒瓶盖，白色泡沫顺着瓶口涌出来。

紧接着，它倾斜酒瓶，酒液划过画面右下角，被稳稳注入杯中。

一整套动作行云流水，乍看和真机实拍没有任何区别，平平无奇。 但真相是——从瓶盖弹开的瞬间、泡沫与酒液的流体变化，到后续的所有物理反馈，整段画面全是由 AI实时推演生成 的！ 这就是 Current Robotics 团队 刚刚交出的硬核新作： CurrentWorld-0 ，一套 交互式世界仿真器（Interactive World Simulator） 。 它首次把 跨本体、多视角、力-触觉预测 塞进同一个系统，也是该团队继人形全身精细操作模型Curr-0之后的又一次出手。 而这家低调团队的技术底色与操盘手，同样来头不小—— 创始人 祝毅晨 曾任美的集团具身智能部部长，已发表40余篇顶会论文，学术引用超过5,200次。

作为国内最早发布VLA及世界模型的研究者，他曾带领团队提出扩散模型和VLM端到端的VLA范式（TinyVLA），拓展VLA+CoT策略（DiffusionVLA & DexVLA，发表至ICML和CoRL），并较早提出世界模型用于具身策略评估（dWorldEval，发表至ICML高亮论文）。 值得一提的是，Physical Intelligence在其里程碑论文 π0 中， 就 引用了祝毅晨团队完成的 TinyVLA 与 ScaleDP 工作。

△ 图源：π0论文References

从早期的VLA大模型、人类示教数据，逐步延伸至全身机器人学习，这些前沿探索最终沉淀为Current Robotics的技术基石。 而对于刚刚亮相的 这套 交互式世界仿真器，团队的核心目标很明确：

机器人的身体和观察方式可以千差万别，但在走进真实世界前，它们演练的必须是 同一个世界 。

评测机器人，首先需要一个不会替策略纠错的世界

机器人世界模型有一个很自然的起点：视频生成模型。 经过大规模预训练之后，模型已经记住了不少视觉和运动规律：物体被遮挡后不会凭空消失，形状不会突然改变，运动在时间上也通常是连续的。 一次常见的抓取会怎么发生，模型其实已经“看过”很多遍，这对视频生成当然是好事。 但机器人训练数据里大量的成功范例，让模型见惯了“伸手—抓住—拿起”这样的轨迹。当一个还没训练好的策略把手伸偏，视频先验有时反而会把后面的结果继续往“成功”上补。 机械臂实际没有抓稳，生成画面里的物体却还是跟着手走了。真实执行已经失败，世界模型给出的未来却仍然顺利完成了任务。 放到机器人评测里，这样的“纠错”会直接让结果失真。 Current Robotics此前在 dWorldEval 中研究的，正是世界模型的 动作可控性（action controllability） ：动作发生变化，后面的世界也必须跟着变。 机器人往左偏了一点，物体不能还沿着原来的轨迹走；动作已经失败，模型也不能替它把后面的结果补回成功。 对于CurrentWorld来说，这是一条最基本的要求： 机器人怎么做，世界就怎么变化；即使做错了，模型也不能替它把结果纠正回来。

CurrentWorld-0：评测机器人，为什么需要跨本体、多视角和力-触觉？

假设现在要评测一个最简单的动作：让机器人把桌上的杯子往前推一点。 如果执行者是一台固定双臂机器人，动作可能只涉及机械臂；换成移动升降双臂，底盘和升降机构也可能参与进来；再换成人形机器人，整个动作又会落到另一套全身控制上。 同样一句“把杯子往前推”，到了不同机器人身上，真正输入给模型的动作已经完全不同。 CurrentWorld-0因此没有先规定一种所有机器人都必须使用的动作格式，而是保留不同本体自己的 Action Subspace 。 模型需要做的，是把这些不同形式的动作继续往后推演：杯子受到了什么影响，位置发生了多少变化，后面的场景又该怎么接下去。 这也是跨本体建模真正困难的地方。 机器人可以换，动作接口可以换，但杯子不会因为执行者换了，就突然变得更轻、更重，或者开始遵循另一套运动规律。

可仅仅知道杯子动了，还不足以完成一次动作。 机器人执行任务时，往往同时依赖多个摄像头。 第三视角看到整个桌面，头部相机随着机器人运动，腕部相机几乎贴在机械手旁边。一个动作发生以后，杯子会同时出现在几路完全不同的画面里。 这时候，问题就从“这一帧生成得像不像”变成了“几路画面能不能对得上”。 比如第三视角已经看到杯子向前移动了十几厘米，腕部相机里的杯子却还停在原处；又或者物体被机械臂挡住几秒，再出现时位置突然发生跳变。 任何一路出现这种漂移情况，这次评测的物理过程都会断开。 CurrentWorld-0要维持的，是 多个相机对同一次事件的共同记录 。 当前Demo中，模型可以同步生成多路视角，并让机器人、物体和场景状态随着操作持续向前变化。

如果把任务从“推杯子”换成夹薯片或者削黄瓜，复杂度又增加一层。 机器人已经把夹爪放到盘中，视觉上看起来位置完全正确，可它究竟有没有捏住薯片，仅靠画面并不好判断。 削皮刀也是如此。刀刃已经贴住黄瓜，并不意味着这一刀真的削下去了。受力太轻，可能只是从表面划过；接触不稳，也可能下一秒就发生滑移。 CurrentWorld-0因而把 力觉和触觉 也放进未来预测里。 工具什么时候真正受力，接触有没有实际发生，抓取是否稳定，这些原本藏在像素之外的状态，也会随着机器人的动作一起变化。

如此，一次完整的机器人评测需要锚定的，其实是一整段连续过程：

• 机器人按照自己的方式发出动作，物体随之变化；
• 多个摄像头从不同位置记录这个结果；
• 真正发生接触以后，力和触觉再补上画面里难以直接看到的部分。

CurrentWorld-0把跨本体、多视角和力-触觉统一放进模型，最终要还原的，是一次动作从输入开始，到环境响应、接触发生，再到物理反馈出现的完整过程。

人类接管：在世界模型里重新选择下一步

真机执行任务时，一个中间状态往往很难被原样复现。 动作继续往前，物体位置、机器人姿态和接触关系都会随之变化；如果想从同一个位置重新尝试，通常需要重新复位场景，再把前面的过程跑一遍，费时费力。 而在 CurrentWorld-0 里，这个过程可以被中止。 策略自主执行后，当机器人进入潜在失败状态，操作员可以通过遥操作直接接管，从当前位置继续完成后续动作。 当前状态也可以被保存和回滚，一次尝试结束后，再回到同一个节点，换一种方式继续推进。 于是，同一个状态之后，可以接上不同的动作，也会得到不同的结果。 这延续了Current Robotics团队此前 Hi-WM（Human-in-the-World-Model） 工作的思路。 到了CurrentWorld-0，每一次接管都会把后续交互重新展开：画面会继续变化、新的接触带来对应的力与触觉反馈、操作员的纠正动作也会被完整记录下来。 这些信息共同组成新的交互轨迹，可进一步用于policy post-training。 一个原本只会经过一次的状态，也因此可以被重新调用，从不同的动作选择里继续探索。

△ CurrentWorld多模态纠错轨迹用于post-training后的结果

殊途同归：机器人最终面对的仍是同一个世界

机器人的形态未来会越来越多，本体、数据、模型、控制方式，每一样都在继续分岔。 但无论采用哪一种路线，机器人的能力最后都要 回到真实世界里接受检验 。 《周易·系辞》里那句“天下同归而殊涂，一致而百虑”，说的正是这件事——路有百条，归处只有一个。 这条归路上，CurrentWorld-0想扮演的是终点前的最后一道关：让那些还没被现实检验过的动作，先在这里跑一遍、错一遍、改一遍。 它们可以有一千种走法，但走到最后，面对的仍是同一个世界。 *本文系量子位获授权刊载，观点仅为原作者所有。 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