新智元報(bào)道

【新智元導(dǎo)讀】世界模型第一次塞進(jìn)指甲蓋芯片！X-Era Lab與星宸科技聯(lián)手，成本砍掉90%，具身智能終于不靠云端活了。

風(fēng)箏和鳥，都能飛翔。

但風(fēng)箏長(zhǎng)不出方向，是遠(yuǎn)處的手借風(fēng)借線，決定它自由或回落；而鳥卻長(zhǎng)在自己的翅膀上，俯沖與停棲都來自大腦意志，無(wú)需指令。

過去的具身智能像風(fēng)箏：越飛越高，卻被「延遲」系在云端，現(xiàn)實(shí)里一只傾倒的杯子、一場(chǎng)驟雨就讓它崩亂，風(fēng)會(huì)亂，線會(huì)斷，真實(shí)世界等不起信號(hào)往返云端。

X-Era Lab（拓元智慧）和星宸科技最近做成的一件事，正是把風(fēng)箏變成鳥——

他們把自研的世界動(dòng)作模型 VWA，跑進(jìn)了一顆指甲蓋大小的端側(cè)芯片，完成了「感知—預(yù)測(cè)—控制」的全鏈路閉環(huán)。

這次，他們剪斷了那根線，讓具身智能第一次，飛在自己的翅膀上。

X-Era Lab 與星宸科技聯(lián)合推出的首款端側(cè)世界模型解決方案

把「大腦」真正裝回身體

一個(gè)產(chǎn)品最原始的出發(fā)點(diǎn)，決定了它后來所有的形狀，也決定了它日后會(huì)在哪里走形。

一件事如果同時(shí)背著「炫技」「拿融資」「趕風(fēng)口」太多目的，就會(huì)從「為用戶解決真問題」，悄悄變成「替團(tuán)隊(duì)完成一場(chǎng)表演」。

動(dòng)作開始替老板做、替發(fā)布會(huì)做，而不再替那只要去抓住正在傾倒的杯子的手做。

而 X-Era Lab 把發(fā)心收斂到了一件事上：做全球第一個(gè)原生的世界動(dòng)作模型。

說穿了很樸素，如果不能穩(wěn)穩(wěn)托住現(xiàn)實(shí)生活里的一只杯子，再酷炫的 PPT 又有什么用。

所以它從第一天就認(rèn)定，推理這件事，必須發(fā)生在機(jī)器人本體上。

具身智能的上半場(chǎng)，比的是誰(shuí)的模型更大。

下半場(chǎng)要回答的，是另一個(gè)更樸素的問題：誰(shuí)能把「大腦」真正裝回身體，讓它在真實(shí)世界里跑起來，并且足夠便宜地跑起來。

世界模型必須走到端側(cè)

把模型放云端、機(jī)器人傳畫面回來等指令，這套鏈路在大模型時(shí)代很順手，可一進(jìn)物理世界就處處碰壁。

說到底，那根「線」還在。

這個(gè)道理幾乎人人都懂。自動(dòng)駕駛不能只靠云端決策，肉眼看見的綠燈，等畫面?zhèn)魃显?、決策再傳回來，可能已經(jīng)變成了紅燈。

云端能告訴你「世界長(zhǎng)什么樣」，卻趕不上回答「此刻該怎么辦」。

工業(yè)場(chǎng)景里，亞毫米級(jí)的精密放置，機(jī)械臂的容錯(cuò)只有零點(diǎn)幾毫米，決策一滯后，物體就被推過了頭。

家庭場(chǎng)景同樣如此，一個(gè)幾十公斤的機(jī)器人，若對(duì)人的狀態(tài)判斷慢了半拍，一個(gè)抬手就可能傷到人。

在物理世界里，遲到的正確，約等于錯(cuò)誤。

而在帶寬上，世界模型同樣需要本地處理。

大語(yǔ)言模型往云端傳的是文本，帶寬要求很低；可世界模型要「理解世界」，一旦是多傳感器、多模態(tài)融合輸入，上行帶寬會(huì)急劇膨脹。

在 X-Era Lab 研發(fā)總監(jiān)蒲韜看來，這正決定了兩類模型的命運(yùn)：大語(yǔ)言模型可以留在云端，世界模型必然走向端側(cè)。文字可以打包托運(yùn)，而世界，太重了，傳不動(dòng)。

依托端側(cè)芯片把世界模型從云端搬到智能體上

現(xiàn)階段云端方案大多以 Token 使用量作為收費(fèi)標(biāo)準(zhǔn)。

然而理解物理空間所需要的 Token 用量遠(yuǎn)超現(xiàn)在的大語(yǔ)言模型所需，這使得具身智能商業(yè)化遲遲無(wú)法落地。

一臺(tái)機(jī)器人賣二十萬(wàn)，不便宜，但一算賬才發(fā)現(xiàn)，反而是其整個(gè)生命周期中需要消耗的 Token 更有可能是個(gè)天文數(shù)字，誰(shuí)都不敢保證上限在哪。

這導(dǎo)致廠商看不到利潤(rùn)空間，客戶估不準(zhǔn)落地成本。而一個(gè)算不清賬的商業(yè)模型，沒有人敢真的下場(chǎng)。

X-Era Lab 的 CTO 陳添水覺得，國(guó)內(nèi)硬件幾乎都是一次性買斷，極少訂閱制能成立，原因正在于此。把模型放到端側(cè)，這筆賬才變成確定的：芯片裝上去，怎么用都是那個(gè)成本。

隱私問題也在把世界模型推向端側(cè)。Token 承載的隱私信息相對(duì)有限，但「理解世界」要持續(xù)處理大量視覺與空間信息，家里長(zhǎng)什么樣、生產(chǎn)線在做什么，這些遠(yuǎn)比一段文本敏感。

一旦這些數(shù)據(jù)必須上傳云端才能用，許多場(chǎng)景從一開始就不會(huì)向你敞開。把世界搬到云上的那一刻，很多扇門就已經(jīng)關(guān)上了。

延遲和帶寬，逼著世界模型往端側(cè)走；成本和隱私，決定它走到端側(cè)之后生意能不能做。前者是物理約束，后者是商業(yè)約束，兩股力氣，把答案推向同一個(gè)方向。

對(duì)世界模型來說，走向端側(cè)不是一道選擇題，而是一道必答題；而它們共同指向的那個(gè)詞，是確定性。這正是 X-Era Lab 從第一天就選端側(cè)的理由。

能塞進(jìn)端側(cè)的

是為端側(cè)而生的模型

在市場(chǎng)上，相比友商 Thor-U 芯片動(dòng)輒 3000 多美元的方案，他們想讓世界模型跑在兩三百美元的芯片上，但靠事后裁剪是塞不進(jìn)去的，這個(gè)模型從娘胎里就為端側(cè)而生。

要看清 VWA 的不同，得先看看別人怎么走。當(dāng)下的「世界模型」，大多走兩條路線。

一條是 VLA，建立在多模態(tài)大模型之上，加一個(gè)「動(dòng)作專家」做改造；一條是以視頻生成模型做內(nèi)核，用 2D 表征渲染出 3D 世界。

VLA 的表征停留在語(yǔ)言模態(tài)——你問它面前的水瓶離自己多遠(yuǎn)，它能答「大概三十厘米」，但實(shí)際可能是十厘米，這是無(wú)法容忍的誤差。

視頻生成模型停在 2D 像素空間，對(duì)真實(shí) 3D 刻畫不足，做動(dòng)作前還要先生成視頻，成本高，2D 到 3D 的誤差層層累積。

一個(gè)把世界「說」出來，一個(gè)把世界「畫」出來——可機(jī)器人要的，是把世界「算」出來。

X-Era Lab 的世界動(dòng)作模型（VWA），繞開了兩條路線面臨的障礙。

據(jù)陳添水介紹，VWA 在底層架構(gòu)上做了三件事：

1. 把物理與動(dòng)作向量放進(jìn)同一個(gè) Token 內(nèi)聯(lián)合建模，再加上時(shí)序維度，共同構(gòu)成 4D 數(shù)據(jù)；

2. 沒有沿用現(xiàn)成的多模態(tài)大模型骨干，而是專門為幾何與動(dòng)作設(shè)計(jì)了預(yù)訓(xùn)練網(wǎng)絡(luò)；

3. 讓預(yù)訓(xùn)練和后訓(xùn)練的目標(biāo)保持統(tǒng)一。別人是在后訓(xùn)練階段、針對(duì)特定場(chǎng)景「打補(bǔ)丁」，而 VWA 在預(yù)訓(xùn)練階段就把對(duì)物理世界的理解灌進(jìn)了模型。

把三條路線擺在一起，差異其實(shí)落在同一個(gè)問題上：模型對(duì)「世界」的理解，到底停在哪一層？

VLA 停在語(yǔ)言層，所以它只能把物體的位置估個(gè)大概；視頻生成式停在 2D 像素層，做動(dòng)作前先得生成畫面，3D 信息在這一步就漏掉了精度。

原生世界動(dòng)作模型的 4D 表征

VWA 通過預(yù)測(cè)未來的 4D 世界來建模真實(shí)物理世界，也就是刻畫 3D 空間隨時(shí)間如何變化。

在這樣統(tǒng)一的時(shí)空表征中，場(chǎng)景的深度結(jié)構(gòu)、機(jī)器人的動(dòng)作軌跡，以及交互過程中蘊(yùn)含的接觸、碰撞、形變等物理規(guī)律，都可以被放在同一套模型里聯(lián)合學(xué)習(xí)。

不同于許多基于視頻生成的世界模型，VWA 不把主要算力消耗在紋理、光影、背景等與動(dòng)作決策弱相關(guān)的視覺細(xì)節(jié)上，而是繞過這些表象，直接建模三維幾何和時(shí)序運(yùn)動(dòng)。

當(dāng)模型學(xué)習(xí)點(diǎn)云如何位移、物體如何碰撞、形變?nèi)绾伟l(fā)生時(shí)，它學(xué)到的不是「世界長(zhǎng)什么樣」，而是「世界會(huì)怎樣變化」。

更關(guān)鍵的是，X-Era Lab 并不是把 4D 表征只當(dāng)作后訓(xùn)練階段的輔助工具，用來重建空間或合成數(shù)據(jù)；而是從預(yù)訓(xùn)練階段就把 4D 作為統(tǒng)一底座，讓物理理解、空間預(yù)測(cè)和動(dòng)作生成落在同一套表征里聯(lián)合學(xué)習(xí)。

換句話說，別人是在用 4D 補(bǔ)數(shù)據(jù)，VWA 是從一開始就長(zhǎng)在 4D 上。

因此，VWA 能以更小模型完成更復(fù)雜任務(wù)，并不是靠后期裁剪或蒸餾硬擠出來的，而是因?yàn)樗鼜脑搭^減少了無(wú)效負(fù)擔(dān)。

不需要背一個(gè)龐大的多模態(tài)大模型骨干，也不需要反復(fù)生成冗余視頻畫面。

它把參數(shù)和算力集中用在與機(jī)器人行動(dòng)最相關(guān)的空間、時(shí)間和物理規(guī)律上。

這也是 VWA 同時(shí)具備端側(cè)部署可行性和 Scaling Law 潛力的根本原因。

VWA 的每個(gè)物理 token 的預(yù)測(cè)都基于過往 N 個(gè)時(shí)刻所構(gòu)成的 4D 表征

模型怎么「住」進(jìn)芯片

模型再好，最終都要落到一顆具體的芯片上——能不能「住」得進(jìn)去，才見真章。

這次的合作方是星宸科技，一家以圖像信號(hào)處理、AI 處理器、音視頻編解碼為核心 IP 的上市公司，2025 年上半年機(jī)器人視覺 AI SoC 出貨量已居全球第二。

視覺與 ISP 本就是它的老本行，而這恰恰是「理解世界」最需要的那只眼睛。

X-Era Lab 與星宸的合作一拍即合。它認(rèn)為，在具身領(lǐng)域，軟硬協(xié)同不是加分項(xiàng)，而是必選項(xiàng)。

而星宸恰好是那個(gè)愿意「協(xié)同」的芯片方。雙方對(duì)「機(jī)器人的腦子要長(zhǎng)在機(jī)器人身上」判斷一致，星宸也在資本和內(nèi)部資源上給予了支持。

更關(guān)鍵的是，這不是「模型做完了再找芯片」的接力，而是從模型訓(xùn)練的第一天，兩邊就坐在了一張桌子上。

世界模型表達(dá)的是連續(xù)的世界空間，與常見的離散壓縮不同，普通離散量化會(huì)帶來較大精度損失。

世界模型需要刻畫連續(xù)變化的物理規(guī)律，而將模型壓縮至 4 位極端精度，意味著用最離散的表示去逼近最連續(xù)的世界，本身就是一項(xiàng)極具挑戰(zhàn)的課題。

為此團(tuán)隊(duì)與星宸科技展開深度合作，從底層工具鏈、算子實(shí)現(xiàn)到內(nèi)存調(diào)度策略進(jìn)行全棧聯(lián)合優(yōu)化，專門為 VWA 架構(gòu)量身定制，讓模型在端側(cè)芯片上既能高效運(yùn)行，又能精準(zhǔn)還原物理世界的連續(xù)性與細(xì)節(jié)。

芯片側(cè)也做了全面配合。

星宸 IPU 算力覆蓋 0.1 Tops 到上千 Tops 全檔位，按算力區(qū)間布局而非「一顆萬(wàn)能芯片打天下」；自研 StarShuttle 推理框架已迭代四次，支持多模態(tài)算法與 AWQ/GPTQ 量化；面向具身智能提供的是分布式計(jì)算架構(gòu)。

它還針對(duì) VWA 的獨(dú)特算子做了芯片級(jí)優(yōu)化，相比軟件級(jí)，效率可提升上百乃至上千倍。

正是這種咬合，才讓一顆成本可控的芯片，跑得起一個(gè)完整版的世界模型。

而且，星宸正在布局雙目 3D 成像與 Lidar SoC（SS901XX 系列，探測(cè) 0.5 至 500 米及以上、精度 ±0.03 米），做的正是 3D 感知。

X-Era Lab 反復(fù)強(qiáng)調(diào)「理解 3D 物理世界」，芯片伙伴恰好在硬件層做 3D 感知。這場(chǎng)合作便不只是「芯片能跑模型」，而是感知與世界理解在物理層的咬合。

一個(gè)把世界看清，一個(gè)把世界想透，遠(yuǎn)比單純的算力適配走得更深。

X-Era Lab 表示，星宸是目前性能與成本的最優(yōu)選。

它還提供跨場(chǎng)景、跨芯片、可量產(chǎn)的統(tǒng)一軟件底座，并以開放方式向行業(yè)釋放能力，從 Comake 開發(fā)者社區(qū)、Comake Pi 開發(fā)板，到全棧 AI 工具鏈和開源模型庫(kù)，構(gòu)成「開發(fā)者賦能→產(chǎn)品化落地→生態(tài)規(guī)模放大」的正向飛輪。

換句話說，端側(cè)從來不是一次性的單點(diǎn)合作，而是一個(gè)能不斷接入新伙伴的底座。

星宸描繪過一個(gè)「多形態(tài)共存的機(jī)器人世界」：掃地的、陪伴的、清理泳池的、修剪草坪的、端茶的……不管四足的、還是兩腳的。它們形態(tài)各異，卻被同一句話框定，場(chǎng)景驅(qū)動(dòng)，任務(wù)清晰。

原生世界動(dòng)作模型部署在端側(cè) AI 芯片的豐富應(yīng)用場(chǎng)景

回歸

偉大的遠(yuǎn)征，最終都不是為了離開，而是為了有能力，回到最初要去的地方。

機(jī)器人最初被改造，是為了變得更聰明，大模型的浪潮將它的「腦」托舉上云。

世界為它的聰明驚嘆，幾乎要忘了它原本是為了「做事」而生的。

一個(gè)只會(huì)思考、不能伸手的智能，想得再遠(yuǎn)，夠不到那只正在傾倒的玻璃杯，便什么也改變不了。

X-Era Lab 與星宸今天合力做的，正是這樁關(guān)于「回歸」的事。他們要把那個(gè)一度被放逐到云端的智能，重新喚回到指甲蓋大小的身體里，讓它的眼、它的算、它的決斷，重新長(zhǎng)在一處。

人類無(wú)數(shù)次暢想未來驚天動(dòng)地的樣子。但技術(shù)真正成熟的標(biāo)志，往往是相反的——是它不再被談?wù)摗?/p>

掃地機(jī)器人不再沿記憶里的路線死轉(zhuǎn)，看見地上一攤水會(huì)先繞開，而不是扎進(jìn)去推得滿屋狼藉。

割草機(jī)器人開過被夜雨泡軟的草地，知道這里會(huì)陷，便放慢繞行。

服務(wù)機(jī)器人端著熱水穿過大堂，預(yù)判到那個(gè)正低頭看手機(jī)、即將拐進(jìn)它路線的人，提前停下。它算的不再是「前方半米有障礙」，而是「那個(gè)人下一步會(huì)走到哪」。

此刻，在廚房流理臺(tái)邊，一只機(jī)械臂去夠那只半透明的玻璃杯。而杯子已經(jīng)在往下滑。它收力、調(diào)角、托住。沒有驚險(xiǎn)的特寫，沒有該響起的配樂，事情只是平平淡淡地過去了。

今天沒有人會(huì)贊嘆電燈會(huì)亮、風(fēng)扇會(huì)轉(zhuǎn)；有朝一日，也不會(huì)有人再贊嘆一臺(tái)機(jī)器人「居然能自己想」。它只是安靜地待在客廳的某個(gè)角落，把一件件小事做完，像它本就該在那里。

這是 X-Era Lab 和星宸想做的，一切的不可想象，終將化為尋常。