機器人家務到底做得怎麼樣了，距離真正解放我們的雙手還有多遠？擰燈泡、撕廚房紙、抽出疊放紙杯，對人類輕而易舉，但在具身智能領域，如何讓機器穩定完成這些看似簡單的操作，一直是個難題。
過去幾年，機器人基礎模型逐漸從針對單項任務訓練，轉向利用視覺、語言和動作數據學習通用策略。視覺語言動作模型（VLA）可以根據畫面和指令輸出動作，世界模型則嘗試預測動作執行後環境將如何變化。
但如果機器人最終要進入工位、廚房和家庭，它需要追趕的或許不只是人類「完成動作」的能力。人類已經積累了海量與現實世界交互的經驗，從怎麼看物體、怎樣用手，到接觸失敗後如何調整。如何讓模型、訓練數據和機器人本體都圍繞這些經驗共同演進，正在成為具身智能的一條重要路線。
9月10日，生數科技聯合創始人、執行長（CEO）駱怡航在2026外灘大會發布 Motus2。該模型由生數科技研究團隊與清華大學共同完成，面向高自由度靈巧操作，已在採用 WUJI Hand2、Sharpa Wave等靈巧手的雙臂機器人上測試。
Motus2給出的技術路線，正可從人與模型、數據和硬體關係理解。它用共享模型連接動作生成、後果預測和價值評估，從約13萬小時人類第一視角視頻中提取操作先驗，再用機器人軌跡完成本體適配。在執行端，雙目視覺、工作記憶和觸覺傳感分別補充深度、歷史與接觸信息。
其核心變化，是讓機器人在行動前「多想一步」，並把想像結果變成學習信號。前代 Motus已聯合建模視頻與動作，Motus2再加入價值模型，提出動作、預測後果並判斷其是否接近目標。反饋既篩選當次動作，也用於更新策略。
給動作後果打分
如果想讓機器人自主完成任務，那麼首先需要回答一個問題：根據當前觀測和任務指令，下一步應該執行什麼動作。
工業機器人通常依賴預設軌跡、狀態機或人工設計的規劃器，在工位、物體位置和流程高度確定時穩定有效。一旦物體形態、擺放方式或任務指令發生變化，規則與軌跡往往需要重新設計。
近年來，模仿學習和視覺語言動作模型從示範數據中學習「觀測—動作」映射，提高了任務泛化能力。但這類方法更擅長復現已有行為，通常缺少對動作後果及其任務價值的顯式判斷。
世界模型由此提供另一種思路。它不急於把動作送給真實機器人，而是根據當前觀測和候選動作，先預測未來幾幀環境可能發生什麼變化。近年來，DreamDojo、Ctrl-World等研究都在探索動作條件世界模型，機器人因此獲得一個近似的內部模擬器。
此前，生數科技發布的 Motus已在統一潛在動作世界模型中連接視頻預測和動作生成。它既可作為世界動作模型（WAM），根據語言指令、當前觀測和視覺歷史生成動作，也可作為動作條件世界模型（AC-WM），在給定動作後預測未來視覺狀態，分別回答「下一步做什麼」和「執行後會發生什麼」。
不過，「能想像未來」仍不等於「知道哪個未來更好」。機器人還需要依據人類設定的任務目標，在多個可能結果中判斷哪一種更值得執行。
為此，Motus2在這套結構中增加了價值模型（VM）：類似人類在行動前權衡不同選擇及其後果的思維，機器人需要根據動作及其結果評估任務進展，通過價值模型判斷「這個結果是否更接近目標」。
圖｜Motus2整體架構：共享模型統一策略、模擬與評估，觸覺模塊進一步支持動作
但要讓同一個模型兼顧動作、預測和評價，還必須確保三類信息按照真實行動順序流動，不能讓機器人在訓練時「偷看答案」。
假如模型在生成動作時讀取到了執行這個動作以後才出現的畫面，相當於利用了現實部署時不存在的未來信息，訓練結果則難以在實際部署中復現。
因此 Motus2採用動作優先（Action-first）的資訊流，讓動作只讀取此前信息，未來視頻讀取動作，價值評估再讀取動作和預測結果，以保證動作生成過程符合真實部署時的因果順序。
在此基礎上，預測和評價結果進入兩條路徑。一條用於推理階段的當次動作選擇，另一條用於訓練階段的長期策略更新。
具體而言，在推理階段，模型通過 Best-of-N規劃生成多個候選動作，分別預測其後果並評分，再選擇較優方案執行。完成一個動作片段後，機器人重新獲取真實環境中的觀測，隨後開始下一輪規劃。這種方式僅改變本次動作選擇，但不會更新參數。
第二種發生在訓練階段。Motus2通過引入基於模型的強化學習（MBRL），可以將模擬器預測的未來和評估器給出的價值轉化為策略更新信號：高價值方案得到更強引導，低價值動作逐漸減少。這意味著，世界模型預測出的未來不再只用於展示，也能反過來影響動作策略，使模型以後更容易生成有利於完成任務的方案。
另外，區別於主要依賴高質量成功示範進行行為克隆的訓練方式，失敗數據在此體系中也獲得了新的用途。例如，經過篩選的成功示範可以直接監督動作學習；失敗和次優軌跡雖然不適合作為模仿目標，卻可以用於學習動作導致的環境變化，並為價值模型提供「哪些結果偏離任務目標」的判斷依據，間接參與策略優化。
研究團隊在放置手機和多指操作兩項真機任務中，分別進行了每項20次閉環測試。基礎策略的平均成功率為65％，單獨加入規劃後達到67.5％，單獨加入 MBRL後達到72.5％，同時使用兩種機制後達到75％。
從對照結果看，推理時規劃使成功率提高了2.5個百分點，MBRL帶來的提升為7.5個百分點。二者結合後較基礎策略共提高10個百分點，說明在這兩項任務中，更新策略產生的作用更明顯，而規劃可以在此基礎上進一步改善當次動作選擇。
如何學習13萬小時的數據
在搭好了行動、預測和評價框架後，下一道門檻是數據。
靈巧手單手可有20個以上自由度，遙操作採集既需要設備、操作者和標定，也要承擔磨損與安全成本。因此，如何獲得足夠豐富的操作數據，並將其擴展至不同任務和機器人本體，成為訓練靈巧操作模型的一大難題。
目前，業內常見的數據擴展路徑包括大規模機器人遙操作、仿真生成與從人類視頻中提取先驗。其中，機器人數據最接近部署本體，卻昂貴且覆蓋有限；仿真便於批量試錯，但接觸、材質和傳感噪音與現實仍有差距。網際網路或第一視角視頻規模更大，卻通常缺少可直接執行的機器人動作標籤。
為緩解高質量機器人數據稀缺、不同數據源又難以直接對齊的問題，Motus2採用了分層的數據擴展路徑，先從人類第一視角視頻中學習操作經驗，再逐步遷移到機器人。
其數據體系包含約13萬小時原始錄影，訓練依次使用單目視頻、同步雙目視頻與人類動作，最後加入機器人軌跡和人機對應數據。
圖｜人類數據金字塔：從大規模視頻中的操作經驗，逐步連接到真實機器人動作
論文披露的第一視角語料約13萬小時，其中超過11萬小時為單目數據，覆蓋多種物體、場景和人類操作行為，幫助模型學習較廣泛的視覺知識及狀態變化。
第二階段引入約1.74萬小時同步雙目素材。左右視角不僅增加畫面數量，更提供視差形成的隱式深度線索，並支持更準確的三維手部姿態估計，使模型進一步學習手與物體之間較細粒度的空間關係。
不過，由於人手與靈巧手在關節數量、尺寸、活動範圍和控制接口上並不一致，，若把人類姿態生硬映射到機器人關節，輕則動作變形，重則產生自碰撞或無法形成有效抓握。
為跨越這道「本體鴻溝」，Motus2使用數十小時人機對齊數據，以及包含機器人軌跡在內、總計超過100小時的中間訓練數據。此後，模型還要通過目標任務數據完成後訓練，才能把人類操作經驗轉化為特定機器人可以執行的動作。
五項真機任務中，僅經人類數據預訓練的模型平均成功率為51%，加入機器人域中間訓練後升至84%。放置小球和貼合橡皮為100%，擰燈泡90%，多指操作70%，放置手機60%。人類視頻提供操作先驗，機器人數據仍負責動作落地。
圖｜在2,000至20,000小時的實驗範圍內，雙目數據規模增加對應更低的人類動作預測誤差。
此外，團隊還用2,000至20,000小時雙目數據比較人類動作預測誤差。數據增加時，最優誤差持續下降，並在測量範圍內與數據時長的對數近似線性。但該指標是留出集上的人類動作預測，並非真機成功率，也不能推出擴張會無限保持同樣收益。
因此，「以人為牽引」並不等於讓機器人照搬人。更準確的說法是，先用人的視角和動作擴大模型對物理交互的認識，再用少量但更昂貴的對齊數據、機器人軌跡和目標任務數據逐級校正。數據路徑要與模型接口匹配，而能否遷移又受到硬體形態約束，模型、數據與硬體在這裡形成了相互制約的三角。
補全記憶與觸覺
完成本體適配後，機器人仍不等於擁有人的操作能力。有些任務依賴已經發生的歷史信息，另一些則取決於手指與物體間的實時接觸，僅憑當前畫面難以準確判斷。
一般而言，業內會選擇以擴大視覺上下文、壓縮歷史為記憶標記，或引入力覺和觸覺傳感來補足信息。但前者將面臨歷史完整度與計算量的取捨，後者則要處理採樣頻率、噪音、傳感器形態和模型融合成本。
為此，Motus2分別引入工作記憶與觸覺專家，使機器人能夠調用此前觀測，並根據最新觸覺反饋調整動作。
尋找隱藏方塊時，機器人先要記住方塊進入哪只杯子，再經歷杯子移動和遮擋。固定滑動窗口開銷不隨任務時長增長，但早期線索會被逐出上下文。Motus2比較了保留完整歷史的全局自回歸，以及把中間歷史壓縮成標記的混合記憶。
測試結果顯示，在尋找隱藏方塊和依據歷史提示按鍵兩項測試中，全局自回歸在仿真環境中的平均成功率為78％，混合記憶為52％。轉移到真機後，兩者分別為57.5％和25％。這意味著，在兩項測試中，直接讀取完整歷史比壓縮歷史信息更有利於完成任務。
這些結果也反映出記憶方式需要在信息完整度與運行成本之間取捨。完整歷史能夠保留更多線索，也會增加上下文長度和計算開銷。同時，真機成功率低於仿真結果，表明真實環境中的視覺變化、遮擋和執行誤差仍會影響歷史信息的調用。
圖｜Motus2九項真機演示
觸覺處理的是另一種不可見信息。抽取疊放紙杯時，夾得太松會滑落，太緊則可能帶出下層紙杯。撕紙時，雙手的受力位置和方向持續變化。攝影頭通常要等物體發生明顯位移後才能確認失誤，指尖傳感器卻能更早捕捉接觸力和形變。
若讓完整策略模型隨每次觸覺更新重新推理，高頻傳感會帶來延遲。因此，Motus2沿用 T-Rex的觸覺響應思路，設置輕量觸覺專家，主模型生成動作片段並緩存特徵，每個短片段執行前，專家讀取最新觸覺，對尚未執行的動作作最後修正。
這一分工體現了模型與硬體的協同。主幹負責較低頻的全局語義和動作規劃，觸覺專家處理高頻、局部的接觸變化。訓練時還預測動作後的真實力信號，幫助模型學習接觸如何演化，部署時則只輸出修正後的動作，避免每一步都重新運行大模型。
在抽取紙杯和撕紙兩項任務中，加入觸覺後平均成功率從60%升至72.5%。其中抽取紙杯由65%升至75%，撕紙由55%升至70%。這組消融實驗支持了觸覺對精細接觸操作的作用，但範圍仍限於兩項任務與特定平台，不能視作對所有材料和操作的普遍結論。
上述測試使用了單手20自由度的 WUJI Hand2和單手22自由度的 Sharpa Wave等平台。
圖｜生數科技提出的通用世界模型五級演進路線
此外，生數科技還提出了通用世界模型（GWM）五級路線，以描述通用世界模型從生成環境走向自主行動的能力演進。五級路線依次為 L1「生成世界」、L2「與世界交互」、L3「在世界中行動」、L4「自主世界智能體」和 L5「世界組織者」。
按此框架，Motus2已掌握 L3「在世界中行動」的關鍵能力：既能理解當前狀態，也能預判行動後的未來，還能生成可執行的真實機器人動作。更進一步，它把 Evaluation與 Feedback明確接入閉環，形成「行動→預測→評估→反饋→再學習」的循環。
由此，這一機制初步展現出類似 RSI（Recursive Self-Improvement，遞歸自我改進）的特徵：模型會藉助自身對世界的預測和評估結果，反向優化行動策略。
世界模型開始擁有一定的自我演進能力，也是生數為從 L3邁向 L4「自主世界智能體」的一次重要探索。
值得注意的是，Motus2始終「以人為牽引」進行技術疊代，進一步印證了人類經驗在機器人能力演進中的重要性。未來，若要繼續邁向長期自主決策，仍需更可靠的預測、跨本體評測和規模化觸覺採集，也取決於模型、數據與硬體能否協同演進。