世界模型“退居二线”：光象科技ActEffect如何破解具身智能部署成本难题

【科技纵览】当人形机器人在真实的半程马拉松赛道上与人类选手并肩奔跑，并且最终以超越人类世界纪录的50分26秒完赛，这已经不是科幻电影中的场景了。而在一年前的同样比赛中，我们还在嘲笑机器人跑步像“醉汉”，短短一年时间机器人进步速度之快，令人咋舌。其背后所展现的技术突破，远比比赛本身更具深远意义。尤其值得关注的是，2026北京人形机器人半程马拉松比赛，参赛队伍总数超过100支，近四成队伍搭载自主导航技术，智能化水平显著提升，这更是5G-A（5G-Advanced）网络技术在高速移动、高并发、高可靠场景下，对具身智能产业提供支撑的一次关键性验证。5G-A网络：具身智能的“云端运动神经”具身智能机器人要实现真正的自主化，其核心瓶颈往往不在于本体的机械结构，而在于数据流的实时性与可靠性。一台人形机器人在奔跑过程中，需要实时处理海量的激光雷达、视觉摄像头、IMU等传感器数据，并进行毫秒级的决策。这对于本体的算力与能耗是巨大的挑战，因此云、端协同是当下的最优选择。

在这个背景下，光象科技联合清华大学李升波教授课题组推出的第一代物理原生世界模型Phi-WM 1.0 ActEffect（简称ActEffect），提出了一种颇具“反骨”的思路。传统世界模型如同机器人的“脑内沙盘”，在执行任务时持续预测未来，导致推理链路冗长、算力消耗巨大。而ActEffect选择在训练阶段充当“质检员”，专门评估机器人动作的后果并反馈优化策略；一旦训练完成，该模型便从部署链路中彻底退出。这种设计旨在解决具身智能长期存在的痛点：如何让机器人不仅学会动作形态，更能利用动作后果反向提升策略质量，同时避免在真实部署中承担高昂的计算成本。

测试数据印证了这一路径的有效性。在LIBERO基准上，ActEffect取得了98.8%的平均成功率，略高于DiT4DiT的98.6%；在引入七类分布偏移的LIBERO-PLUS上，其成功率达到80.3%，显著优于Fast-WAM的51.5%；面对拥有29维动作空间的RoboCasa-GR1人形机器人任务，平均成功率为67.5%，比第二名ABot-M0高出9.2个百分点。值得注意的是，消融实验显示，若移除后果反馈，LIBERO成功率降至97.0%；替换DINOv3特征空间或去掉排序损失，成绩也会分别回落至97.3%和98.1%。这些数据表明，通过冻结的DINOv3视觉特征空间捕捉物体位置与姿态变化，而非生成逼真画面，是实现高效“物理原生”理解的关键。

具体实现上，ActEffect让策略输出三版完整动作提案：前馈分支的“第一反应”、MIP动作头的粗提案以及精修后的最终动作。受控世界模型仅依据当前视觉状态和动作提案预测场景变化，不读取语言指令，从而将任务语义与物理后果解耦。模型将三次预测结果与真实观测对比，要求精提案优于粗提案，粗提案优于第一反应，并通过梯度截断防止模型钻空子。这种机制迫使策略在训练中不断逼近正确结果，而无需在执行时展开未来搜索。

从实验室走向工厂，稳定性与成本成为衡量具身智能价值的硬指标。光象科技成立于2025年4月，由清华大学车辆与运载学院和人工智能学院孵化，创始人张涛曾任阿里巴巴高德地图技术总监，联合创始人李升波深耕自动驾驶领域。团队已在蔚来汽车焊接上下料场景中验证了Phi-Bot X1机器人，连续运行3天、累计作业21.5小时且零失误。这一表现证明，将“思考”留在训练场、将轻量级执行留给产线的策略，能有效应对汽车制造中散乱件上下料、复杂曲面质检等高价值工位的适应性需求。

对于工业客户而言，算法缩写只是手段，验收通过率、复制效率及投入产出比才是核心关切。ActEffect通过剥离在线世界模型开销，为规模化部署提供了更经济的算力方案。尽管仿真基准已跑通，但真机在节拍、精度及故障率上的长期考验仍是必经之路。随着VLA、WAM等技术边界的融合，能否在保持性能的同时压低运维成本，将决定这类“反骨”技术能否真正扎根于制造业土壤。