作者｜黃楠

編輯｜袁斯來

硬氪獲悉，具身智能世界模型公司「千訣科技」日前完成數(shù)億元A輪融資，本輪由京銘資本領(lǐng)投，山東新動能、山東財金資本、元禾厚望、芯能創(chuàng)投、南創(chuàng)投、英諾天使基金、尚勢資本、仁愛集團、玄素投資等機構(gòu)共同投資，投資方陣容匯集了國家隊、產(chǎn)業(yè)方、市場化基金及家族辦公室。Maple Pledge楓承資本長期出任私募股權(quán)融資顧問。

資金將重點用于自研世界模型的架構(gòu)搭建、算法迭代與場景落地，同步擴充核心研發(fā)與項目交付團隊，完善商業(yè)化落地配套能力。

千訣科技創(chuàng)立于2023年6月，核心團隊孵化自清華大學(xué)類腦研究中心，長期聚焦具身智能決策與規(guī)劃大模型研發(fā)落地，突破傳統(tǒng)設(shè)備任務(wù)局限，以幫助機器人實現(xiàn)環(huán)境動態(tài)自適應(yīng)與全自主作業(yè)。

世界模型的熱潮正迅速卷向具身智能領(lǐng)域，成為通用人工智能落地物理世界的核心突破口。卷積神經(jīng)網(wǎng)絡(luò)之父Yann LeCun（楊立昆）率先提出世界模型核心理論，其創(chuàng)辦的AMI團隊持續(xù)專注抽象表征空間建模、物理世界規(guī)律預(yù)測的技術(shù)方向研究，為行業(yè)奠定了核心理論基礎(chǔ)。

從因果推理到空間智能，從物理仿真到生成式預(yù)測，基于不同技術(shù)范式、不同理論底座的研究在業(yè)內(nèi)正同步展開。這是個尚未收斂、想象力巨大的賽道。各路探索者都在試圖回答同一個問題：如何讓機器真正理解并預(yù)知物理世界的變化。

在主流的生成式路線中，典型做法是通過像素級重構(gòu)來預(yù)測下一幀畫面。但千訣科技CTO章天任向硬氪指出，這種方法往往存在一個容易被忽視的問題——特征污染。

“真實物理世界的圖像輸入信息量極大，包含大量與任務(wù)無關(guān)的噪聲，比如光影、紋理。”章天任解釋，模型為了追求像素級的無損重構(gòu)，不得不把有效特征和無效信息強行綁定在一起，結(jié)果可能導(dǎo)致模型內(nèi)部表征不再“純凈”，“它確實能從現(xiàn)實數(shù)據(jù)中提取出具有泛化性的特征，但這些特征里混入了干擾項?！?/p>

這種污染會直接影響模型對物理世界的理解能力。世界模型的本意是讓模型學(xué)會符合物理規(guī)律的預(yù)測，而不是單純地擬合圖像。一旦特征被污染，模型就很難提煉出真正的因果關(guān)系和物理不變性，泛化能力自然受限。

“人看一張圖時，不會平均分配注意力在每個像素上，而是快速鎖定與任務(wù)相關(guān)的區(qū)域?！闭绿烊握f，“但生成式模型與其說是理解世界，卻更容易發(fā)生復(fù)刻表象的情況?！?/p>

面對生成式路線存在特征提取的這一局限，預(yù)測式世界模型提供了另一種思路。 其核心邏輯是，讓機器人真正理解物理世界，不是靠還原每一幀像素，而是靠預(yù)測物理狀態(tài)的低維演化軌跡。

千訣科技CEO高海川用一個案例解釋了兩者的本質(zhì)區(qū)別：人在打球時，不會在腦中想象一幀幀清晰的畫面，而是直接揮拍，依靠對球軌跡的低維預(yù)測。這種預(yù)測不包含像素信息，只包含物理規(guī)律的狀態(tài)演化。“人類在物理世界中玩球類游戲，不可能去想象清晰完整的像素畫面，來不及，而且這種信息不穩(wěn)定?！备吆４ㄕf。

同樣的邏輯適用于具身智能。執(zhí)行任務(wù)時，機器人需要的不是“未來會長什么樣”的想象，而是“下一個狀態(tài)該往哪走”的預(yù)判。預(yù)測式模型的核心輸出不是視頻幀，而是低維抽象特征，這些特征可以直接解碼為動作軌跡或規(guī)劃指令，從而繞開像素重構(gòu)帶來的計算負擔(dān)和特征污染問題。

在預(yù)測式路線基礎(chǔ)上，千訣科技還進一步提出了分布式預(yù)測架構(gòu)。其架構(gòu)采用了類人腦的腦區(qū)連接方式，大腦不同區(qū)域各司其職，連接緊密的區(qū)域內(nèi)部協(xié)同，區(qū)域之間則相對獨立。

對比傳統(tǒng)方法把所有信息揉在一起壓縮處理，分布式預(yù)測架構(gòu)會先把信息分到不同的區(qū)域里，再分別壓縮和預(yù)測，從而實現(xiàn)樣本效率更高，推理速度更快。“同樣一個任務(wù)，從零開始可能需要1000個‘狀態(tài)-動作’對；有了好的表征，100個就夠了，有效減少了機器人適應(yīng)新場景所需的示教數(shù)據(jù)?！闭绿烊握f。

通過這種分布式架構(gòu)，可以幫助模型在抽象表征空間中學(xué)習(xí)物理狀態(tài)的演化規(guī)律，而非僅僅是像素的時序關(guān)聯(lián)，更好地服務(wù)于下游的規(guī)劃與控制。當(dāng)機器人面對新環(huán)境時，可以更快地理解“什么會導(dǎo)致什么”，對真實場景落地尤為關(guān)鍵。

搭載千訣世界模型的機器人在餐廳打工（圖源/企業(yè)）

具體到應(yīng)用端，千訣科技將具身大腦與小腦解耦，由其世界模型負責(zé)感知、預(yù)測與規(guī)劃，不綁定具體的執(zhí)行動作空間。只要共享同一模態(tài)，模型就能將其觀察到的環(huán)境變化作為統(tǒng)一的數(shù)據(jù)來源進行訓(xùn)練。這意味著，同一個“大腦”可以快速遷移到不同本體上，解耦設(shè)計有效降低了遷移成本，并加速了真實場景中的數(shù)據(jù)飛輪閉環(huán)。

據(jù)硬氪了解，千訣科技自研具身大腦已完成輪式、四足、雙足人形、無人機、清掃機器人等多品類硬件適配，落地酒店保潔、商用服務(wù)、精密室內(nèi)作業(yè)等實景項目，當(dāng)前接入終端設(shè)備規(guī)模達十萬臺。依托海量終端持續(xù)產(chǎn)生的真實交互數(shù)據(jù)，未來將反哺世界模型進一步迭代優(yōu)化。

搭載千訣世界模型的機器人在咖啡店自主配送（圖源/企業(yè)）

以下為硬氪與千訣科技CEO高海川、CTO章天任的訪談節(jié)選（略經(jīng)編輯）：

硬氪：開環(huán)預(yù)測場景下，世界模型的長時推理誤差會隨步數(shù)累積。千訣的預(yù)測式架構(gòu)如何應(yīng)對這一問題？具身任務(wù)的閉環(huán)反饋機制能在多大程度上抑制誤差放大？

章天任：這個問題分幾個層面。第一，累積誤差的大小取決于應(yīng)用場景是否具備閉環(huán)反饋。視頻生成模型是純開環(huán)的，一次性預(yù)測未來很多幀，中間沒有任何外部信息校正，所以誤差容易累積。但具身不同在于它有閉環(huán)反饋，我們不會讓機器人一次性預(yù)測1000步、把整個任務(wù)全部規(guī)劃完再執(zhí)行，而是先預(yù)測50步，選出動作去執(zhí)行，執(zhí)行完后環(huán)境會給出新的狀態(tài)作為反饋，基于反饋修正后續(xù)預(yù)測。

這種“執(zhí)行-觀測-修正”的循環(huán)，是具身任務(wù)與視頻生成最本質(zhì)的區(qū)別，能有效抑制誤差放大。

第二是關(guān)于記憶模塊。千訣目前已經(jīng)在一些平臺上嘗試搭建Memory系統(tǒng)，但還沒有與視覺中心直接融合。原因在于，既然已經(jīng)有了閉環(huán)反饋，很多場景下暫時不需要顯式的長期記憶。

第三，千訣的模型支持多步預(yù)測，模型預(yù)測的“一步”不一定對應(yīng)底層的一個控制指令，而可以對應(yīng)一個完整的語義動作，比如50個底層step。預(yù)測步數(shù)越少，累積誤差發(fā)生的概率和幅度就越小。

總的來說，我們認為世界模型的能力上限挑戰(zhàn)在于完全開環(huán)的超長時規(guī)劃，比如機器人還沒開始行動，就要一次性規(guī)劃好未來幾百步的所有細節(jié)。但這種使用場景在真實的具身任務(wù)中很少見，更自然、更現(xiàn)實的做法還是“邊做邊看”，發(fā)現(xiàn)問題隨時調(diào)整。

硬氪：千訣已實現(xiàn)十萬臺級別的規(guī)?；渴?。在實際落地過程中，客戶反饋中有哪些超出預(yù)期的發(fā)現(xiàn)？對你們的產(chǎn)品迭代有什么影響？

高海川：千訣目前已有十萬臺機器在真實場景中運行，用戶把機器人當(dāng)真實產(chǎn)品使用，給出的反饋也是真實的。因此，我們訓(xùn)練的模型與落地場景之間不存在“real-to-real gap”。

搭載千訣世界模型的機器人自主清潔桌面（圖源/企業(yè)）

市場反饋中有兩個點超出了我們的預(yù)期。

一個是響應(yīng)速度的敏感度。 不同場景對延遲的容忍度差異很大。生成式模型4秒級的響應(yīng)，在機器人場景中基本不可用。我們的預(yù)測式模型雖然推理速度快、可以在0.5秒內(nèi)返回結(jié)果，但部分機器人需要云端傳輸延遲在1秒左右，客戶仍然反饋“卡頓”。當(dāng)我們把延遲降低0.5秒，用戶體驗就有了質(zhì)的飛躍，這種毫秒級的延遲優(yōu)化，往往比模型能力的提升更能直接轉(zhuǎn)化為用戶滿意度。

另一方面在于主動性的價值。 大多數(shù)時候，客戶并不希望機器人只是一個被動執(zhí)行指令的工具，而是期待它能“眼里有活”——主動感知環(huán)境、自主決策，而不是逐條等人類發(fā)令。比如在酒店場景中，機器人主動發(fā)現(xiàn)地面有污漬并啟動清潔，比接到指令再執(zhí)行，更能讓客戶感受到“智能化”。這種從“被驅(qū)動設(shè)備”到“智能體成員”的體驗躍遷，正在成為產(chǎn)品差異化的關(guān)鍵維度。