蔡淑依

克雷西發(fā)自凹非寺量子位|公眾號QbitAI

WAIC2025大模型論壇上，商湯科技正式發(fā)布了「悟能」具身智能平臺，官宣入局具身智能。

以此為出發(fā)點，商湯科技在具身智能領(lǐng)域的布局也開始浮出水面。

站在這個具身智能的風(fēng)口之上，商湯選擇此時入局，體現(xiàn)了怎樣的思考，其背后又有著怎樣的積淀？

吸引AI頭部企業(yè)、初創(chuàng)公司和投資者們紛紛踏足，具身智能又究竟發(fā)展到了哪一步？

在這場論壇上，這些問題的答案被一一揭開。

新型多模態(tài)模型亮相WAIC

先來看商湯發(fā)布的日日新V6.5多模態(tài)推理大模型。

日日新6.5獨創(chuàng)了圖文交錯思維鏈，跨模態(tài)推理精度顯著提升。

傳統(tǒng)的多模態(tài)推理模型，在推理之前會將圖像轉(zhuǎn)變成文本解讀，后續(xù)的推理過程就變成了純文本。

而在圖文交錯思維鏈當(dāng)中，圖像會以本體的形式參與到整個推理過程。

在這種圖文混合的思考模式下，日日新6.5的多媒體推理能力在多個數(shù)據(jù)集上都超越了Gemini2.5Pro。

同時依托輕量Vision?Encoder?+和縱深LLM架構(gòu)，日日新6.5相比6.0表現(xiàn)提升了6.99%，但推理成本只有日日新6.0的30%，綜合算下來性價比提升了5倍。

隨著模型能力提升，商湯在大模型落地上，就不止做“賣軟件”的生意，還做“賣大腦”的生意。

從多模態(tài)模型到具身智能大腦

其實，商湯能夠高調(diào)切入具身智能，是其從感知視覺、多模態(tài)，走向物理世界交互的必然結(jié)果。

商湯科技聯(lián)合創(chuàng)始人、執(zhí)行董事、首席科學(xué)家林達(dá)華認(rèn)為，多模態(tài)是邁向AGI的必經(jīng)之路。因此，只有能夠同時“讀文本、看世界、動手腳”，AI才可能真正理解并改造物理環(huán)境。

而且超過十年的行業(yè)落地經(jīng)驗，包括在自動駕駛領(lǐng)域的成功實踐，也讓商湯在感知、定位、軌跡規(guī)劃和安全冗余等方面累積了大量真實數(shù)據(jù)與世界模型經(jīng)驗。

這些能力遷移到機器人等具身形態(tài)——相當(dāng)于先在“會開車的大機器人”身上練兵，再擴展到泛化的移動與操作場景。

因此，商湯繼「開悟」世界模型之后，發(fā)布全新「悟能」具身智能平臺。一端承接日日新多模態(tài)大模型的通用能力，一端擁有打造和使用世界模型進行訓(xùn)練的經(jīng)驗，進而打造生態(tài)體系。

「開悟」世界模型背后包括商湯積累的10萬3D資產(chǎn)，支持多視角視頻生成，最多可以同時生成11個攝像頭角度視頻，并在長達(dá)150s的時間保持時空一致。

空間上，它可以理解遮擋、前后層級，讓同一物體在不同視角下呈現(xiàn)一致外觀。

時間上，它能夠理解時序和運動規(guī)律，讓物體在時間推移中保持自然連貫的變化。

并且支持參數(shù)化編輯，天氣、光照、道路，以及路上的車輛，都支持一鍵變換。

在具身智能場景中，還可以同時處理人、物、場，構(gòu)建4D的真實世界。

并且這種世界同時包含了第一和第三視角。

這樣做的目的，是同時滿足“機器人自己看到什么”與“人類示范動作長什么樣”這兩類信息的互補需求。

第一視角是機器人在真實運行時唯一能獲取的感知流，它決定了模型推理時的輸入分布；第三視角則能完整捕捉人類或機器人全身的姿態(tài)骨骼和環(huán)境關(guān)系，為動作意圖、路徑規(guī)劃提供清晰標(biāo)簽。

將兩種視角對齊訓(xùn)練，可以讓模型學(xué)會把外部示范映射成自身可用的感覺?動作對，一方面顯著減少昂貴的遙操作數(shù)據(jù)量，另一方面提高跨機器人、跨場景的泛化能力，使同一個“大腦”既能看懂人類演示，也能在自己的相機視角下執(zhí)行，從而加速具身智能落地。

基于「開悟」世界模型，商湯科技推出了「悟能」具身智能平臺架構(gòu)，包含感知、決策與行動等多個層次：

感知層：視覺/語音/觸覺多傳感輸入；決策層：LLM+世界模型協(xié)同規(guī)劃；行動層：VLA端到端控制機械臂、移動底盤。

這一大腦，能夠支持自動駕駛、機器人、機器狗等具身場景中的感知、導(dǎo)航、交互等功能。

在具身智能落地上，商湯選擇“軟硬協(xié)同”路線。目前已與眾多人形機器人、物流搬運底盤廠商、家用陪伴平臺等伙伴達(dá)成合作，將T模型預(yù)裝進不同形態(tài)的機器人，讓硬件天然具備多模態(tài)感知和推理能力。

未來，隨著硬件越賣越多，回流的視覺、語音和操作數(shù)據(jù)也越豐富，進一步反哺模型迭代，形成正向的數(shù)據(jù)飛輪。

破解具身智能行業(yè)難題

除了發(fā)布新產(chǎn)品，商湯還在這次論壇上組織具身智能行業(yè)從業(yè)者以及學(xué)術(shù)界人士，一起探討了具身世界模型發(fā)展的關(guān)鍵問題。

圓桌討論首先聚焦的問題，依然是數(shù)據(jù)稀缺——一個具身智能從業(yè)者面臨的共同痛點。

北京大學(xué)助理教授、智源學(xué)者、銀河通用創(chuàng)始人兼CTO王鶴介紹了他的解決方案——先在虛擬環(huán)境把pick?and?place做到幾乎與現(xiàn)實一致，再用少量真機樣本校正長尾場景。

而商湯“開悟”世界模型恰好承接了“99%”的合成任務(wù)，能夠批量生成長時多攝像一致的視頻。

商湯與傅利葉等伙伴合作推出的超千萬數(shù)量級的機器人，則源源不斷回流那關(guān)鍵“1%”的真實視覺、語音和操作日志，二者形成互補閉環(huán)，解決了數(shù)據(jù)從量到質(zhì)的難題。

當(dāng)然，數(shù)據(jù)只有“量”還遠(yuǎn)遠(yuǎn)不夠，商湯聯(lián)合創(chuàng)始人、執(zhí)行董事、CTO王曉剛認(rèn)為，僅有機器人本身攝像頭的第一視角并不夠，上帝俯瞰的第三視角能補全肢體骨骼與全局語義；只有把兩種視角對齊，端到端訓(xùn)練才能兼顧感知與動作。

澳大利亞科學(xué)院院士、南洋理工大學(xué)教授陶大程進一步指出，第一視角不僅要看圖像，還要疊加深度、慣性、力覺等多傳感器流，才能完整地捕捉“感知—意圖—行動”閉環(huán)。

為此，商湯在世界模型中同步生成并標(biāo)定第一和第三視角數(shù)據(jù)，確保時空一致，再映射回端側(cè)傳感器，讓機器人既“看自己”也“學(xué)別人”，從而縮短仿真與現(xiàn)實之間的落差。

這一做法也契合圓桌嘉賓關(guān)于“視角一致性決定遷移效果”形成的共識。

關(guān)于模型路線的取舍，同樣引發(fā)了熱議。

上海交通大學(xué)人工智能學(xué)院副院長、上海穹徹智能科技創(chuàng)始人盧策吾認(rèn)為，必須兼顧通用與場景閉環(huán)。

上海市信息投資股份有限公司副總裁、庫帕斯科技董事長山棟明則從投資與供應(yīng)鏈角度呼應(yīng)這一觀點。他認(rèn)為當(dāng)下只要能把設(shè)備鋪出去，真實數(shù)據(jù)自然會涌回。

商湯正在驗證這條“雙輪”路徑——多模態(tài)大模型日日新V6.5提供跨領(lǐng)域能力，垂直應(yīng)用不斷把真實反饋注入基座，驅(qū)動模型滾動升級。

綜合來看，商湯通過世界模型的大規(guī)模仿真、合作硬件的真實數(shù)據(jù)回流、第一與第三視角的融合標(biāo)注，以及“通用大腦+場景閉環(huán)”的協(xié)同演進，把數(shù)據(jù)、算法與硬件生態(tài)織成了一條自循環(huán)鏈。

商湯的數(shù)據(jù)飛輪已起步，正全速領(lǐng)跑未來賽道，將通過多模態(tài)與硬件協(xié)同，共筑具身智能護城河。

從工業(yè)到家庭，千萬數(shù)量級機器人將承載這顆具身大腦。

《仙王歸來!王令第五季震撼上映,獨家揭秘新劇情》

仙王的日常生活:來自觀眾的疑問,官方能解答這些問題再完結(jié)嗎...