机器人手臂稳稳伸过去,夹爪精准合拢——画面丝滑得像广告片。可下一秒,镜头切到真实世界:苹果滚进桌缝,机械臂空攥着空气缩了回来。这不是故障演示,而是WorldOracle评测里最普通的一帧。它不骂模型‘瞎编’,只冷冷甩出一句:你预测的未来,和真机拍下的现实,差了多少帧?

这平台干了一件挺狠的事:把AI世界模型拉进真实考场。不看视频多高清、动作多连贯,就盯着一个点——执行一致性。比如人类手抖洒了半杯水,模型敢不敢在第12秒就‘看见’桌面变滑、后续抓取失败?测试集里近40%是翻车现场:抓空猕猴桃、毛巾挂歪、抽屉只开三分之一……这些‘不体面’的数据,反而是照妖镜的光源。七种主流模型全被扒开看:IRASim机械臂得分78.8,物体才29.1;Cosmos 3两项分差超40。不是动不了,是动完之后‘谁动了、怎么动、动完啥样’,三问全卡在第三问。
更扎心的是时间魔法失效。GE-Sim 2.0前10秒还能拿73.86分,拉到120秒直接掉到63.33;DreamDojo直接腰斩——50.56跌到27.08。物理世界不讲‘开局高光’,它要的是整段流程的因果链不断:手腕一抖→水流偏斜→杯子打滑→桌面湿滑→下一次抓取失败。WorldOracle不鼓励脑补成功,它奖励诚实的失败预测。当AI开始学会说‘这次真会抓空’,才真正算摸到了物理世界的门把手。
这种“诚实的失败预测”,其实早有苗头。2023年MIT团队在《Science Robotics》上发过一组对照实验:让同一模型分别预测“抓取成功”和“抓取失败”的后续状态,结果发现——只要模型承认“这次大概率失败”,它对滑动轨迹、反弹角度、甚至桌面水渍扩散速度的预估,准确率反而比强行预测“成功路径”高出2.3倍。不是越乐观越聪明,是越敢认怂,越接近物理真实。
WorldOracle背后没藏着什么黑科技,用的就是普通工业相机+标定过的机械臂+开源物理引擎(PyBullet 3.2.6版),连数据标注都坚持人工复核三遍。他们拒绝用合成渲染图“美化”测试场景,所有视频都来自实验室实拍:猕猴桃表皮的绒毛、毛巾边缘的轻微卷曲、抽屉滑轨的金属反光……这些被大模型长期忽略的“非关键细节”,恰恰是物理因果链的锚点。就像你伸手拿一杯刚倒满的热茶,不会只算杯子重量,还会下意识避开杯沿水汽、防着杯底凝结的水珠——AI现在终于被逼着学这个“下意识”。
有意思的是,得分最高的IRASim机械臂,不是靠参数堆出来的。它的底层策略里嵌了一条硬规则:“每执行1次动作,必须回溯前3帧环境变化”。哪怕只是光照微变、阴影偏移半厘米,系统也会触发一次轻量级物理重推演。这不是补丁,是把“世界会变”刻进了行动逻辑里。
当然,也有人质疑:干吗非得卡在“真机实测”这根线上?仿真器不能练吗?答案很实在——去年DeepMind和UC Berkeley联合复现了12个主流仿真环境,发现其中9个在物体碰撞后0.3秒内就开始漂移,尤其软体物(比如毛巾、硅胶垫)的形变误差,平均放大4.7倍。仿真再快,终究是“纸面因果”;而WorldOracle要的,是水泥地上的脚印。
所以你看,它不教AI怎么更炫地完成任务,而是反复问:你看见苹果滚进桌缝了吗?你记得自己刚才洒了水吗?你打算怎么跟下一个湿滑的桌面打交道?——这些问题没有标准答案,但每个回答,都在把AI从幻觉车间,一点点拽进现实工地。
联华证券提示:文章来自网络,不代表本站观点。