文章转载于腾讯科技作者： 博阳
2025年，，，，，，，，具身智能领域最火的词就是VLA（视觉-语言-行动模子）。。。。。。。
它成了一种席卷全行业的共识，，，，，，，，一个关于具身基础模子的标准谜底。。。。。。。在已往的一年里，，，，，，，，资源和算力猖獗涌入这条赛道，，，，，，，，基本上所有的模子大厂，，，，，，，，都在用这套范式。。。。。。。
但很快，，，，，，，，现实的物理天下给所有从业者泼了一盆冷水。。。。。。。由于VLA在物理行动执行上很弱。。。。。。。
它能懂极其重大的文字指令。。。。。。。但当机械臂真正去抓取时，，，，，，，，它可能连怎样调解手腕姿态以避开杯柄的阻挡都做欠好，，，，，，，，更别提让它去执行解开鞋带这种涉及重大物理形变的行动了。。。。。。。
VLA的另一个致命痛点是泛化。。。。。。。原来之以是各人要做模子更新，，，，，，，，为的就是不必为每个特殊情形编程，，，，，，，，看重的正是大模子的泛化能力。。。。。。。效果现在，，，，，，，，任何逾越训练划定情形的行动，，，，，，，，VLA基本都无法泛化，，，，，，，，甚至出了训练情形类似的情形都做不了。。。。。。。
整个行业把泛化的无力，，，，，，，，归结于数据的缺乏。。。。。。。大厂们最先投入亿万资金，，，，，，，，用种种方法去收罗数据，，，，，，，，试图用海量的模拟演示来填补VLA的知识空缺。。。。。。。
但2026年头，，，，，，，，英伟达（NVIDIA）宣布了两篇论文《DreamZero: World Action Models are Zero-shot Policies》和《DreamDojo: A Generalist Robot World Model from Large-Scale Human Videos》两篇论文，，，，，，，，构建了一套全新的具身智能基础模子范式，，，，，，，，突破了数据内卷的僵局。。。。。。。
它们一起，，，，，，，，给出了一个完全从视频里学习，，，，，，，，Zero-shot（零样本）就能泛化执行差别事情的具身模子的可能。。。。。。。
1
VLA缺的不是数据，，，，，，，，而是天下模子
要明确DreamZero和Dream Dojo的倾覆性，，，，，，，，必需先从底层剖析VLA的系统性缺陷。。。。。。。
VLA的最大问题，，，，，，，，就是缺乏天下模子。。。。。。。VLA的底层架构限制了它的认知方法。。。。。。。从谱系上看，，，，，，，，VLA和LLM的亲缘更强，，，，，，，，反而和纯视觉、纯物理的亲缘较弱。。。。。。。它通过交织注重力机制（Cross-Attention）将图像的像素块映射到文本的语义空间中，，，，，，，，在这个空间里，，，，，，，，它明确了杯子和桌子的看法，，，，，，，，明确了它们在二维画面中的相对位置。。。。。。。
但物理天下不是二维的语义切片。。。。。。。物理天下是一连的，，，，，，，，充满了质量、摩擦力、重力和几何碰撞。。。。。。。
VLA对物理行动和天下的明确相对较弱，，，，，，，，由于它实质上是一个「翻译器」。。。。。。。
我们可以用物理学中的状态转移方程来诠释。。。。。。。一个完整的天下模子，，，，，，，，实质上是在学习一个条件概率漫衍。。。。。。。它能在给定当宿天下的状态（视觉视察）和机械人即将执行的行动，，，，，，，，展望天下下一秒会酿成什么样。。。。。。。
VLA历来没有学过这个方程。。。。。。。VLA学习的是静态视觉视察+语言指令直接映射到可执行行动的函数关系；； ；；；却没被系统性地训练去展望行动效果、做反事实试错。。。。。。。以是一旦情形、材质、约束关系稍微变形，，，，，，，，性能就会断崖式下滑。。。。。。。
这就好比让一小我私家在不明确几何原理的情形下，，，，，，，，去死记硬背一万道几何题的谜底。。。。。。。遇到原题，，，，，，，，他能快速写出完善谜底；； ；；；遇到条件稍微变换的新题，，，，，，，，他就彻底宕机。。。。。。。
VLA的泛化，，，，，，，，实质上只是高维语义空间中的插值。。。。。。。当物理形态凌驾训练集的包络面时，，，，，，，，插值就会失效。。。。。。。
与之比照的，，，，，，，，是视频天生模子。。。。。。。在Veo3、Sora 2和最近大火的Seedance 2天生的物理交互画面已经相当逼真，，，，，，，，流体、刚体、柔性子料的行动云云连贯，，，，，，，，险些与现实天下难以区分。。。。。。。这说明，，，，，，，，大规模视频天生模子在海量的互联网视频中，，，，，，，，很可能已经隐式地压缩并内化了物理天下的基础运行纪律，，，，，，，，形成了一些天下模子。。。。。。。
纵然强盛如斯，，，，，，，，视频天生之前仍然主要被用在给VLA提供模拟数据，，，，，，，，而不是整合进机械人的事情流中。。。。。。。
着实，，，，，，，，各人想使用视频天生模子来控制机械人的念头并不是以后最先的。。。。。。。在DreamZero之前，，，，，，，，学术界和工业界也提出了多个解决要领。。。。。。。但这些要领无一破例地陷入了工程和逻辑的死胡同。。。。。。。
好比 LVP（大规模视频妄想器）。。。。。。。它的思绪是从一张图和一句话，，，，，，，，直接天生应该怎样完成使命的未来视频妄想。。。。。。。再把视频中的人手运动重修成 3D 轨迹。。。。。。。是用视频预训练，，，，，，，，而不是语言预训练，，，，，，，，作为机械人基础能力的主轴。。。。。。。
第二种则是类似英伟达自己的DreamGen这种，，，，，，，，天生视频后，，，，，，，，再反推行动。。。。。。。这是之前被寄予厚望的蹊径。。。。。。。它把整个基础模子的架构切分为两半，，，，，，，，上半部分是一个视频模子，，，，，，，，认真展望未来；； ；；；下半部分是一个自力训练的IDM网络，，，，，，，，认真看着展望出来的视频，，，，，，，，反推并输出行动。。。。。。。
以上两种分阶段的模式，，，，，，，，最大的问题就是行动和视频天生对不齐。。。。。。。行动那块要求特殊准确，，，，，，，，但视频天生很难完善。。。。。。。一旦它爆发的未来画面带有细小的像素伪影或物理幻觉，，，，，，，，那不管是IDM或者点追踪，，，，，，，，都直接懵圈，，，，，，，，成倍放大过失。。。。。。。视频里机械人的手指位置偏了一微米，，，，，，，，现实中机械人就基础什么都抓不住了。。。。。。。鲁棒性极差。。。。。。。
第三种是Unified Video-Action（UVA，，，，，，，，团结视频-行动天生）。。。。。。。这算是最先进的要领了，，，，，，，，它实验把视频和行动放在统一个扩散模子里的潜空间里学习，，，，，，，，兼顾了视频展望和行动展望。。。。。。。而推理时又通过「解码解耦」跳过视频天生，，，，，，，，以包管速率。。。。。。。但它的架构使用了双向扩散（Bidirectional Diffusion）架构。。。。。。。为了匹配语言指令的长度，，，，，，，，必需对天生的视频序枚举行大幅压缩。。。。。。。这种做法彻底扭曲了原生的视频时间流。。。。。。。时间都扭曲了，，，，，，，，行动指令与视觉画面的对齐险些就不可能了，，，，，，，，以是这种方法的泛化性自然极差。。。。。。。
除此之外，，，，，，，，这些要领都有一个致命的配合缺陷，，，，，，，，就是太慢。。。。。。。视频扩散模子需要多步迭代去噪，，，，，，，，天生几秒钟的行动往往需要几十秒的盘算。。。。。。。要是一个机械人把碗放进碗柜要5分钟，，，，，，，，你怕是在边上看着都得急疯。。。。。。。
因此在2026年前所有新具身智能企业中，，，，，，，，险些只有前一阵刚推落发用机械人的1X Technologies在实验这种视频展望的要领。。。。。。。他们使用海量的“影子模式”（Shadow Mode）数据，，，，，，，，即在人类遥操作时，，，，，，，，让模子在后台同步运行展望，，，，，，，，用这种极高质量的配对数据去硬生生训练谁人懦弱的IDM。。。。。。。
但一时的失败，，，，，，，，并不料味着偏向被否定。。。。。。。
在去年的机械人大会上，，，，，，，，我采访了许多海内的具身智能学者。。。。。。。彼时正是谷歌 Veo 3和 Genie 3刚刚宣布不久之时。。。。。。。大大都学者都对此印象深刻，，，，，，，，意识到了视频天生模子的天下明确能力。。。。。。。
因此在交流中，，，，，，，，他们险些是以一种共识的口吻，，，，，，，，提出天生可能是后续具身智能最靠谱的路径。。。。。。。这比在模拟情形下（Simulation）爆发数据要可能性更高。。。。。。。模拟器（如Isaac Gym或MuJoCo）受限于人类硬编码的物理引擎，，，，，，，，永远无法穷尽真实天下材质的重大性、光影的多变性和接触力的非线性。。。。。。。而吸收了全人类视频数据的天生模子，，，，，，，，才是谁人真正包括了万物物理规则的超等模拟器。。。。。。。
但其时，，，，，，，，这个头脑照旧停留在「数据」这个层面上，，，，，，，，视频天生取代VLA这个讲法，，，，，，，，基本还没进入视野。。。。。。。
但英伟达的研究，，，，，，，，很可能就是让这个想法，，，，，，，，第一次酿成有用的工程化路径的转折点。。。。。。。
1
DreamZero，，，，，，，，以天下模子为基地的具身智能
前面已经讲了，，，，，，，，已往使用视频天生模子去构建机械人行动所面临的三个主要问题。。。。。。。
一是分步导致的对齐问题。。。。。。。二是合一模式太差，，，，，，，，没法用的问题。。。。。。。三是太慢的问题。。。。。。。针关于此，，，，，，，，英伟达先用DreamZero，，，，，，，，给出了一条解决要领。。。。。。。
首先，，，，，，，，DreamZero接纳了视频和行动展望同步端到端训练的方法。。。。。。。这就解决了已往分阶段模式的差池齐问题。。。。。。。
其次，，，，，，，，针对UVA的时空庞杂问题，，，，，，，，DreamZero彻底扬弃了早期的双向架构，，，，，，，，转而构建了一个14B参数的自回归 Diffusion Transformer (DiT)。。。。。。。这是现在标准的视频天生模子架构。。。。。。。它像语言模子天生文本一样，，，，，，，，严酷凭证时间顺序，，，，，，，，从左到右展望视频和行动。。。。。。。在统一次扩散前向里，，，，，，，，同时展望视频与行动。。。。。。。
这带来了两个利益。。。。。。。第一，，，，，，，，保存了原生帧率，，，，，，，，行动和画面在时间轴上实现了绝对对齐。。。。。。。第二，，，，，，，，它使用了KV Cache（键值缓存）手艺。。。。。。。模子不需要每次都重新盘算历史画面，，，，，，，，极大地节约了算力。。。。。。。
之后，，，，，，，，为相识决自回归导致的“误差累积”和幻觉问题。。。。。。。DreamZero还引入了真实视察注入。。。。。。。
模子展望出未来1.6秒的画面和行动，，，，，，，，机械人执行完毕。。。。。。。而在行动执行完的瞬间，，，，，，，，获取摄像头拍下的绝对真实的目今物理天下画面，，，，，，，，直接编码并塞入KV Cache，，，，，，，，笼罩、替换掉模子适才天生的假画面。。。。。。。
这一步，，，，，，，，瞬间斩断了误差积累的因果链。。。。。。。模子被迫永远站在绝对真实的物理基石上，，，，，，，，去思索下一步。。。。。。。
最后，，，，，，，，也是最主要的一步，，，，，，，，是解决天生慢的问题。。。。。。。
为了抵达机械人控制需要的频率，，，，，，，，DreamZero发明了DreamZero-Flash手艺。。。。。。。扩散模子慢，，，，，，，，是由于推理时需要走完漫长的去噪链。。。。。。。若是强行镌汰步数（好比只用1步去噪），，，，，，，，天生的行动质量会断崖式下跌，，，，，，，，由于画面还处在充满噪点的模糊状态，，，，，，，，模子无法从中提取准确的行动。。。。。。。
DreamZero-Flash的解法是「解耦噪声调理」。。。。。。。在训练时，，，，，，，，它不再让视频和行动处于相同的噪声级别。。。。。。。它强制模子看着极端模糊、充满高强度噪声的视觉画面，，，，，，，，去展望完全清洁、精准的行动信号。。。。。。。这即是是在训练模子在看不清未来的情形下，，，，，，，，依附物理直觉做出准确反应。。。。。。。
关于人来讲，，，，，，，，这是不可能的使命，，，，，，，，看不清就是做不了行动。。。。。。。但对模子来讲，，，，，，，，这似乎完全行得通。。。。。。。经由这一训练，，，，，，，，到了推理阶段，，，，，，，，模子只需要举行仅仅1步去噪就能天生准确行动。。。。。。。推理时间从350毫秒瞬间压缩到了150毫秒。。。。。。。
这使得系统能够以7Hz的频率输出行动块，，，，，，，，团结底层控制器，，，，，，，，实现了相对平滑的实时执行。。。。。。。
经由了这一系列刷新。。。。。。。DreamZero展现出了视频天生天下模子的恐怖潜力。。。。。。。
最突出的是泛化能力。。。。。。。在AgiBot双臂机械人的测试中，，，，，，，，研究职员抛出了训练集里完全没有见过的使命解开打结的鞋带、从假人模子头上摘下帽子、拿着刷子画画。。。。。。。
让重新训练的VLA来做，，，，，，，，使命进度险些为零，，，，，，，，最先的地方都做欠好。。。。。。。但DreamZero的平均使命进度抵达了39.5%，，，，，，，，某些特定使命（如摘帽子）甚至高达85.7%。。。。。。。
这是由于DreamZero的学习历程是倾覆性的。。。。。。。在训练时团结展望视频和行动，，，，，，，，它被迫在潜空间中建设事物演变的因果链条。。。。。。。它知道若是不松开夹爪，，，，，，，，被夹住的物体就不会掉落；； ；；；它知道若是向前推倒一杯水，，，，，，，，水会洒出来。。。。。。。
由于预设了基于视频的天下模子，，，，，，，，WAMs拥有了物理直觉。。。。。。。当遇到未见过的使命时，，，，，，，，它不是在影象库里搜索类似的行动，，，，，，，，而是在脑海中模拟出了行动的物理效果。。。。。。。只要这个物理效果切合语言指令的语义目的，，，，，，，，它就能直接涌现出执行行动。。。。。。。
这就是为什么它能在Zero-shot的情形下完成解鞋带这种重大使命。。。。。。。
更让人震撼的是跨机体（Cross-Embodiment）能力。。。。。。。
在古板的VLA范式下，，，，，，，，你要让一台新形态的机械人干活，，，，，，，，就必需雇人去给这台机械人录制专属的遥操作数据。。。。。。。但在DreamZero中，，，，，，，，研究职员只让模子寓目了人类视角的录像（纯视频，，，，，，，，没有任何电机行动参数），，，，，，，，仅仅看了12分钟。。。。。。。模子在未见使命上的体现就实现了42%的相对提升。。。。。。。
随后，，，，，，，，他们把在AgiBot上训练的模子，，，，，，，，直接迁徙到一台完全差别的YAM机械人上。。。。。。。仅仅给它喂了30分钟的非结构化「玩耍数据」（Play Data），，，，，，，，模子就完成了躯体顺应，，，，，，，，并且完善保存了零样本泛化执行重大指令的能力。。。。。。。
这就是天下模子的降维攻击。。。。。。。物理纪律是通用的，，，，，，，，它只需要少少的数据去微调自己对新躯体运动学界线的认知。。。。。。。
VLA最大的问题，，，，，，，，DreamZero这样预设了天下模子的行动模子 WAM（World Action Model）完善解决了。。。。。。。它不需要海量的机械人数据训练就能告竣很好的泛化。。。。。。。
但我们必需坚持苏醒。。。。。。�；； ；；；谑悠堤焐墓こ袒肪叮�，，着实依然有许多卡点。。。。。。。
相关于VLA动辄在消耗级显卡上跑出20Hz、30Hz的惊人速率，，，，，，，，DreamZero拼尽全力优化后的7Hz依然很慢。。。。。。。并且，，，，，，，，它对硬件要求更高，，，，，，，，依赖于H100或GB200这样的顶级芯片组成的盘算集群来举行并行推理。。。。。。。关于边沿端安排的自力机械人来说，，，，，，，，这在现在的算力本钱下是不可接受的。。。。。。。
不过，，，，，，，，算力本钱的下降听从摩尔定律，，，，，，，，而算法架构的物理认知上限则是天花板。。。。。。。用腾贵的算力去换取原本基础不保存的泛化能力，，，，，，，，这笔生意在手艺演进的恒久视角下是绝对划算的。。。。。。。
DreamZero的乐成，，，，，，，，意味着从VLA转向视频天下模子，，，，，，，，不再是一个学术理想，，，，，，，，而是一个已经跑通的可能。。。。。。。
1
天下模子需要的数据，，，，，，，，和VLA纷歧样
在 DreamZero 的实验中，，，，，，，，英伟达发明了一个反直觉的结论。。。。。。。
我们通常以为数据越多越好。。。。。。。若是机械人学不会，，，，，，，，那就再收罗一万小时数据。。。。。。。 但在天下模子的语境下，，，，，，，，这个定律失效了。。。。。。。
DreamZero 展现了新的规则 数据多样性 > 数据重复量。。。。。。。
研究职员做了一组比照实验 ，，，，，，，，准备了两份数据，，，，，，，，总时长都是 500 小时。。。。。。。
● 数据集 A（重复组）：包括 70 个使命，，，，，，，，每个使命有大宗重复的演示，，，，，，，，位置和情形转变很小。。。。。。。这是古板 VLA 喜欢的“刷题”模式。。。。。。。
● 数据集 B（多样组）：包括 22 个差别情形、数百个使命，，，，，，，，数据极其杂乱，，，，，，，，险些不重复。。。。。。。
效果使用杂乱数据训练的 DreamZero，，，，，，，，在未见使命上的泛化乐成率抵达了 50%。。。。。。。 而使用细腻重复数据训练的模子，，，，，，，，乐成率只有 33%。。。。。。。
为什么？？？？？？ ？？ 这是由于 VLA 和 WAM 的学习逻辑基础差别。。。。。。。 VLA 是在背诵。。。。。。。WAM 是在学物理。。。。。。。
DreamZero 证实晰关于学习物理纪律而言，，，，，，，，看 1 次在火星上煎蛋，，，，，，，，比看 1000 次在厨房里煎蛋更有价值。。。。。。。
由于前者提供了新的物理界线条件，，，，，，，，此后者只是在通过重复增添冗余。。。。。。。天下模子需要的是笼罩率，，，，，，，，而不是重复率。。。。。。。
1
下一步，，，，，，，，是把天下模子训练的更好
DreamZero 的意义，，，，，，，，是证实晰WAM这条路完万能走通，，，，，，，，还能很是好的泛化。。。。。。。
但想要一连提升DreamZero这样模子的能力，，，，，，，，我们还需要对它加以训练。。。。。。。尽可能强化它基于视频天生的天下模子，，，，，，，，最好尚有个更严酷的后验裁判，，，，，，，，能够指导它在后训练中一连提升准确性。。。。。。。
这就是另一篇论文中 Dream Dojo 的作用。。。。。。。DreamZero 造出了引擎，，，，，，，，DreamDojo 炼出了一连优化这个引擎的燃油。。。。。。。
正如其名，，，，，，，，它像是一座道�。。。。。。。�，，要把天下模子训练这件事，，，，，，，，从DreamZero这种一次性的科研 demo，，，，，，，，富厚成一套可重复的工业流程。。。。。。。这套流程涵盖了从数据摄入、表征对齐，，，，，，，，到转动展望、误差诊断的全生命周期。。。。。。。
在 DreamDojo 泛起之前，，，，，，，，VLA（视觉-语言-行动）模子在数据上总是碰钉子，，，，，，，，面临三重死穴。。。。。。。
1. 标签稀缺：互联网视频浩如烟海，，，，，，，，但只有画面，，，，，，，，没有行动数据（Action Labels）。。。。。。。
2. 工程地狱：机械人的身体千奇百怪。。。。。。。差别的自由度（DOF）、差别的控制频率、差别的接口名堂。。。。。。。试图统一这些数据，，，，，，，，是工程师的恶梦。。。。。。。
3. 不可控：许多模子天生的视频看着像，，，，，，，，但在物理因果上是错的。。。。。。。若是行动和效果差池齐，，，，，，，，模子就无法举行反事实（Counterfactual）推演。。。。。。。无法推演，，，，，，，，就无规则划。。。。。。。
但现在，，，，，，，，由于有了视频天生模子，，，，，，，，这些就都不是问题了。。。。。。。DreamDojo 不是从零做 world model，，，，，，，，它是站在「视频基础模子已经把天下的视觉与时空纪律学到一定水平」的台阶上，，，，，，，，再强化关于具身智能来讲，，，，，，，，至关主要的交互因果和可控性。。。。。。。
既然人类视频里没有电机数据，，，，，，，，那我们就不要电机数据了。。。。。。。
DreamDojo 不再执着于传感器里的读数，，，，，，，，而是去寻找行动的物理实质。。。。。。。行动，，，，，，，，实质上就是一种让天下状态爆发改变的力。。。。。。。
DreamDojo 设计了一个自监视编码器，，，，，，，，专门盯着视频的前后帧看。。。。。。。它在一直地问自己一个问题，，，，，，，，究竟是什么实力，，，，，，，，让上一帧酿成了下一�。。。。。。�？？？？？？ ？？
机械自动提取出来的这个谜底，，，，，，，，就是一连潜在行动。。。。。。。
DreamDojo 不再纪录绝对的枢纽姿态。。。。。。。由于绝对姿态在高维空间里太希罕、太难学。。。。。。。 它纪录的是转变量。。。。。。。每一帧都以目今状态为基准归零。。。。。。。这让行动的漫衍变得更窄、更集中，，，，，，，，模子更容易学会向左移一点这种通用的物理纪律，，，，，，，，而不是死记坐标。。。。。。。
这就好比不需要知道一小我私家用了哪块肌肉（传感器数据），，，，，，，，只要看他挥手砸杯子，，，，，，，，杯子碎了，，，，，，，，模子提取出挥手击碎这个潜在行动的整个历程。。。。。。。
同时，，，，，，，，为了增强可控性。。。。。。。DreamDojo 不把整段行动轨迹看成全局条件灌进去，，，，，，，，而是把一连 4 个行动拼成 chunk，，，，，，，，只注入到对应的 latent frame。。。。。。。通过这样的拆分，，，，，，，，模子被强制要求明确是这一个细小的行动切片，，，，，，，，导致了下一刻的画面转变。。。。。。。让天下模子不会造成因果混淆。。。。。。。
视频模子在这个历程中，，，，，，，，把训练目的从展望未来像不像，，，，，，，，推向行动改变未来的偏向与幅度是否一致。。。。。。。
这彻底买通了差别具身体之间物种隔离。。。。。。。 差别身体、差别场景做统一种行动，，，，，，，，潜行动会趋于相近。。。。。。。模子不再需要知道手肘电机转动 30 度，，，，，，，，它只需要知道这个潜在行动会导致杯子被拿起。。。。。。。
而由于这个潜空间的行动纪律对谁都一样，，，，，，，，不保存空间异构，，，，，，，，不保存数据名堂欠亨。。。。。。。
DreamDojo 在视频天生这个天下模子的基础上，，，，，，，，用一连潜在行动这个数学上的通用语，，，，，，，，把全人类的视频资产转换成了机械人可以明确的履历。。。。。。。
为了告竣这个目的，，，，，，，，英伟达团队构建了一个 DreamDojo-HV（加上 In-lab 与 EgoDex）的数据集，，，，，，，，是一个约 44,711 小时的第一视角人类交互混淆数据集，，，，，，，，笼罩极其广的一样平常场景与手艺漫衍。。。。。。。包括上万级场景、数千级使命、数万级工具的长尾漫衍。。。。。。。
这个规模，，，，，，，，比之前最大的机械人天下模子数据集大了 15 倍，，，，，，，，场景富厚度高了 2000 倍。。。。。。。
效果 DreamDojo 在没见过任何真机械人的情形下，，，，，，，，仅凭看人类视频预训练，，，，，，，，就能在少少量的微调后，，，，，，，，操控真机械人完成从未见过的使命。。。。。。。再通过蒸馏手艺，，，，，，，，他们把这个重大的天下模子压缩到了能跑 10 FPS 的实时速率。。。。。。。
至此，，，，，，，，团结Dream Dojo和DreamZero，，，，，，，，这套建设在天下模子上的具身智能的闭环终于合上了。。。。。。。
它的底座是视频天生模子，，，，，，，，由于它懂物理。。。。。。。构架是DreamZero 代表的天下行动模子（WAM），，，，，，，，它能通过展望未来来决议，，，，，，，，并且让可执行与低延迟够�。。。。。。。�，，能用。。。。。。。而其前进的燃料，，，，，，，，是DreamDojo 把物理与可磨练性做厚，，，，，，，，让全网的人类视频，，，，，，，，通过潜在行动转化为机械人的履历。。。。。。。
我们不再需要让几万个博士去遥操作机械人了。。。。。。。只要让机械人坐在那里，，，，，，，，日夜一直地看人类干活的视频，，，，，，，，它就能学会关于物理天下的一切。。。。。。。
1
这，，，，，，，，很可能是具身智能的范式转变
DreamZero的泛起，，，，，，，，敲响了具身智能纯VLA时代的丧钟。。。。。。。
这场范式的转变可能，，，，，，，，将深刻地重塑整个行业的生态。。。。。。。
首先是数据收罗哲学的倾覆。。。。。。。在VLA范式下，，，，，，，，从业者陷入了遥操作数据的囚徒逆境，，，，，，，，以为只有花重金收罗几万小时的精准行动配对数据，，，，，，，，机械人才华变智慧。。。。。。。但DreamZero展示了跨机体学习的恐怖潜力，，，，，，，，仅仅通过寓目人类行为的纯视频，，，，，，，，模子就能罗致物理战略。。。。。。。
而Dream Dojo则意味着，，，，，，，，YouTube、TikTok上那数以百亿计的人类生涯视频，，，，，，，，那座原本被以为缺乏行动标签而对机械人无用的数据金矿，，，，，，，，将被彻底解锁。。。。。。。
从高本钱的实体遥操作，，，，，，，，转向低本钱的互联网视频挖掘，，，，，，，，这是获取知识的降维攻击。。。。。。。
最主要的是，，，，，，，，我们对机械智能的认知正在爆发根天性转移。。。。。。。
VLA时代，，，，，，，，我们试图通过教会机械认字来让它干活，，，，，，，，效果获得了一个鸠拙的翻译官。。。。。。。现在，，，，，，，，我们最先教会机械做梦，，，，，，，，在脑海中天生、展望、模拟物理天下的演变。。。。。。。
当一台机械不再是机械地复读数据，，，，，，，，而是能够在内部构建一个切合物理定律的微缩宇宙，，，，，，，，并在其中推演自己的行为效果时，，，，，，，，我们就已经站在了通用具身智能的真正起点上。。。。。。。
这是一条更险要的路径，，，，，，，，但也一定通往更辽阔的未来。。。。。。。
点个“爱心”，，，，，，，，再走河北盛唐运输集团有限公司吧