点击下方卡片，关注“具身智能之心”公众号
智源大会上，银河通用机器人创始人王鹤抛出了一个很大的判断：具身智能的「AlphaGo 时刻」已经到来。
「AlphaGo 时刻」指的是那些专精突破——比如全球首个全自主打网球的人形机器人（Musk 看完直接评论「insane」，Karpathy 一度以为是 AI 生成的假视频），还有靠灵巧手世界模型 DexNDM 做到的全球唯一真机转笔、春晚盘核桃。
这些很炸，然而都比较“专”。
比起这些大词，我们更想拆的是银河这次实打实摊出来的两样东西——通用大脑 AstraBrain WAM 0.5 和 通用小脑 AstraBrain-WBC 0.5。
因为它俩恰好对应了具身今年最重要的两条线：大脑侧「世界模型和 VLA 的融合」，小脑侧「运控从单技能走向基础模型」。
看懂这两个，就看懂了领域现在到哪了。
01
大脑 WAM 0.5：
世界模型和 VLA的「融合」
先看大脑。
银河的核心路线叫 WAM（World-Action Model，世界-动作模型），这个词是他们 2025 年在 ICCV 上首次提出的——王鹤说，今天在 arXiv 上搜「world action model」按时间排序，第一篇就是银河的。
王鹤把这件事讲得很透：
VLA 本质是预测 action，它的监督必须依赖带 action label 的具身数据（贵、少）；而视频生成不需要 action，完全可以用人戴相机拍下自己干活的纯视频来训，这种数据更 diverse、成本更低、任务空间更广。前者是 explicit action，后者是「image representation as action」——生成的画面里其实已经隐含了机器人的手该怎么动、胳膊该怎么伸。
简单来说：用海量无标签视频解放数据瓶颈，再把它和需要标签的动作预测拧在一起。这也是为什么英伟达的 Jim Fan 会说，WAM 是「robotics endgame（机器人的终局）」。
这条判断和今年整个领域是合拍的。
之前分享了好几篇相关内容，「VLA 和世界模型不是对立、而要融合」已经成了智源大会上一堆 CEO 的共识。银河只是把这个共识，往前推得更彻底、也更早占了名分。
WAM 0.5 这一代，具体的进展有几处值得记：
用「latent 想象」替代「RGB 想象」（对应 RSS 2026 的 LDA 工作）。人对未来的预测本来就做不到像素级，所以银河不在 RGB 空间里预测未来画面，而是在低分辨率的 latent 空间里想象——把光照、纹理这些不重要的信息 factorize 掉，只关注背后的动作和几何。结果是用更少的数据、拿到更强的性能，而且 scaling 曲线比 RGB 方案更好。
统一四个任务（UWM）：把 VA、VV 加上前向动力学、逆向动力学，四件事塞进同一个大模型一起 scale。
长程任务 + 语言可打断：演示里让机器人「抓夹子→夹牛排→（中途用语言打断）改抽底下那片→放盘子→撒胡椒粉」，据称只用极少真机数据就训成了。
跨本体：灵巧手、二指夹爪、其他机器人，同一个模型能做 cross-embodiment 泛化。
三类数据统一进一个模型：合成 + 真实 + egocentric（第一视角）全吸收——银河 2021 年就发过全球最大的 egocentric 手物交互数据集，这条线他们站得早。
银河也给了对标：在全部任务上超过 π0.5 和 NVIDIA 的 Groot N1.6。
这点先记着，对比的任务集、条件如何，还要看完整论文。不过「latent 想象 + 统一无标签数据」这个方向本身，我们认为是扎实的。
02
小脑 WBC 0.5：
运控第一次跑出了「Scaling Law」
如果说大脑决定机器人「怎么理解世界」，那小脑决定它「在真实世界里怎么动」——毫秒级内协同数十个自由度、保持平衡、抗住扰动。
这块过去一直是具身的老大难。
长期以来，运控是「学一个动作、会一个动作」：针对单一技能专门训练，换个没见过的新动作就抓瞎；模型大多是浅层 MLP，容量有限，数据再多也涨不动。
AstraBrain-WBC 0.5（基于 CVPR 2026 的 HumanoidGPT）正是要改变这个局面。
它的几个数字很有分量：
2 万小时人类动作数据，号称行业最大规模运动语料库，覆盖舞蹈、高动态、快速转向、跌倒恢复、协作搬运等大量长尾动作——动作空间覆盖比行业常用的 AMASS 大 4–5 倍。
8040 万参数，数据量达到 GPT-1 量级。对比一下：此前代表作 GAE 是数千小时 / ~1000 万参数，SONIC 约 700 小时 / 1000–2000 万参数——WBC 0.5 在数据和模型上都是数量级的跃升。
架构换血：首次用 GPT 式的因果 Transformer 替代 MLP，把全身控制重新定义成「连续序列预测」——不再只看当前该怎么动，而是结合过去的动作历史预测未来趋势，像 GPT 理解语言序列一样理解「运动语义」。背后还有 384 个动作专家，蒸馏融合成一个统一控制模型。
最关键的一点：它第一次在运控领域验证了类似 GPT 的 Scaling Law。
据其论文，数据规模从 200 万帧扩到 20 亿帧、模型持续变大，成功率从 83.26% 提到 92.58%，零样本跟踪误差持续下降，没有出现传统运控常见的性能瓶颈。
带来的能力也实在：
真机零样本 OOD 泛化——篮球、拳击、舞蹈、翻身起立这些训练集里没有的高动态动作，能直接执行，不用单独重训。这是运控第一次有了「面对陌生动作也能迁移」的味道。
毫秒级实时——工程优化后，单张 RTX 4090 上端到端推理延迟低于 1.5ms，整套动捕链路延迟小于 20ms，满足 50Hz 实时闭环；在 29 自由度机器人上做到全身全手协同。
全面开源——论文、模型都放了出来。
一句话：小脑这条线，第一次从「轨迹追踪」走到了「基础模型 + Scaling」。
03
具身的两条线，都在往基础模型收敛
把 WAM 0.5 和 WBC 0.5 放一起看，其实在讲同一件事：具身的大脑和小脑，都在复刻 GPT 那条路——数据、模型、训练一起规模化，跑出 Scaling Law 和零样本泛化。
两者通过「脑桥」异步连接，合成银河星脑 AstraBrain，这是它「全栈自研、大脑-小脑-神经控制一体」的底盘。
这也正是今年领域的两个大方向：
大脑侧：VLA × 世界模型融合成共识，WAM、Fast-WAM、ω-EVA……一堆人撞向同一个方向，无标签 egocentric 视频成了 scale-up 的关键燃料（这条线我们去年也专门写过第一视角人类视频）。
小脑侧：运控从「单技能 MLP」走向「通用运控基础模型」，GAE、SONIC 到 AstraBrain-WBC 0.5，是一条清晰的规模化曲线。
王鹤给整件事套了个叙事框架：从「AlphaGo 时刻」（网球、转笔这类专精突破）走向「ChatGPT 时刻」。他给「ChatGPT 时刻」下的定义也很具体——预训练后，在人类无需专门学习就能完成的技能上，zero-shot 达到 70–80% 成功率，再加上 accessibility。
