机器人竞技场上，一场前所未有的变革正在上演。从刷新人类百米纪录到“原地起飞”近三米，从“害羞跑”姿势火遍海外到赛博张三丰腾空外摆540°，这些曾经只存在于科幻电影中的场景，如今正被机器人一一实现。今年的世界人形机器人运动会更是热闹非凡，来自六大洲16个国家的666支队伍，携2056台机器人齐聚北京，比赛项目也从传统的田径、武术扩展至家庭、酒店、工业和应急救援等真实场景。
然而，当机器人从竞技场迈向真实生活，挑战也随之而来。在赛场上，机器人的“翻车”或许能博人一笑，但在家庭环境中，打翻水杯、撞倒家具或扯乱衣物等失误，却可能带来不小的麻烦。真实世界没有固定的跑道和统一的道具摆放，任何细微的变化都可能导致机器人训练好的动作失效。如何让机器人在动手前先预演，避免这些失误，成为当前科技界亟待解决的问题。
世界模型，这一旨在还原符合物理规律环境的技术，正试图为机器人提供这样的预演能力。它通过理解当前画面和一组准备执行的动作，预测接下来可能发生的情况。然而，不少现有的世界模型在实现可靠的“虚拟测试”方面仍面临挑战。它们可能看懂了画面，却未能真正听从动作指令，推演时间一长，物体和位置便开始漂移，导致虚拟世界里表现优异的策略在真机上未必奏效。
就在机器人开始从竞技场走向真实场景之际，自变量机器人公司发布了自回归世界模型WALL-SS，为这一难题提供了新的解法。WALL-SS构建的“虚拟训练场”突破了传统世界模型的瓶颈，确保动作能真正改变结果，长任务中保持连贯，且虚拟成绩能经得起真机检验。它能够推演持续60秒的倒水和物品整理任务，测试不同动作的结果，如抓水杯的方式是否会导致抓空、碰倒或成功抓起。
研究团队将多套机器人策略分别放入WALL-SS和真实世界进行测试，发现虚拟世界里执行效果良好的动作策略，在物理世界中往往也能取得好结果。这意味着，机器人做的“梦”开始能够用于练习和筛选真实动作，为机器人技术的实际应用奠定了坚实基础。
世界模型作为具身智能领域最受关注的方向之一，可以理解为机器人脑中的预演系统。它根据当前画面和一组准备执行的动作，预测接下来会发生什么，帮助机器人比较多个未来，选择最佳动作路径。然而，许多世界模型在训练时过于依赖成功示范，导致模型在预测时容易走捷径，忽略实际动作与结果之间的复杂关系。
这种偏差在跑步、跳舞等大动作中或许不明显，但在精细操作中却会直接决定成败。夹爪与杯把相差几毫米，机器人就可能抓空；插头角度偏一点，就难以顺利插入接口。机器人从“会做”到“做成”，往往就卡在这最后几毫米。世界模型如果直接抹平这几毫米，给出的未来越流畅，机器人越容易高估动作的可靠性。
世界模型在生成画面时还会面临误差累积的问题。前面一点小误差，会在后续不断累积，导致物体偏离原位，夹爪与杯子的接触关系发生变化。为了解决这些问题，WALL-SS采用了独特的预测方法。它在预测接下来几秒的画面时，先搭出一版“低清预览”，确定大方向后再逐层调清画面，补上物体轮廓、夹爪开合和接触位置等细节。
这种从大轮廓到小细节的层级预测方法，确保了动作和画面在同一条时间线上相互对应。哪只夹爪在什么时候移动到哪里，头部相机和腕部相机应该看到什么变化，都要相互匹配。同一张初始画面配上不同动作后，模型会生成不同未来，确保动作变化能够真正影响结果。
为了验证WALL-SS的有效性，研究团队进行了一系列测试。在衡量模型对动作变化敏感程度的指标上，WALL-SS得到了0.290的高分，远超其他模型。在轨迹精度方面，WALL-SS也获得了0.539的最高分，表明其生成的画面中的机械臂更能沿着指令指定的路线移动。
然而，家庭任务往往包含多个连续步骤，机器人需要记住抽屉是否已经打开、物品目前在桌面还是手里等信息。为了解决这一问题，WALL-SS采用了“尺度压缩的长时间跨度记忆”方法。它让记忆随着时间自动变得“模糊”，刚刚发生的动作保留更多细节，更早的历史则被压缩。这样，模型不需要记住过去的每个像素，只要了解哪些变化还会影响下一步即可。
尽管如此，预测画面的过程中仍不可避免地会积累小误差。为了让机器人学会自己纠正误差，WALL-SS采用了“逐尺度梦境强迫”的训练方法。研究团队给历史信息加入扰动，要求基于有误差的信息预测正确的未来。这样，机器人平时就在“有小错误的梦”里继续往下走，学会别把一个小错滚成整段任务崩溃。
在长时测试中，WALL-SS连续推演了60秒的任务，轨迹误差、片段衔接、物体状态和视觉质量都比对照模型更稳定。其中倒水任务包含接近水瓶、抓握、抬起、倾倒和放回等阶段，机械臂逐帧轨迹误差保持在画面对角线的0.5%以下。这表明，在持续1分钟的操作里，机器人仍能记得自己做过什么，能够稳定地推演未来。
然而，即使动作对了、记忆也没断片，虚拟世界仍然可能和现实存在偏差。为了解决这一问题，WALL-SS给自己的预测安排了两位长期在线的“裁判”。一个裁判检查动作，确保画面里的机械臂按照给定方向移动、物体产生对应变化；另一个裁判负责审核长期一致性，看机器人和物体的状态有没有漂移、前后片段能否接上、多个摄像头看到的世界是否一致。最后，模型根据评分调整下一次生成不同未来的概率，实现“视觉动力学的在线策略对齐”。
经过对齐后，WALL-SS的动作跟随和轨迹精度都得到了显著提升，跨片段边界误差也有所降低。研究团队选取了5个不同训练阶段的策略，在6项任务、20组匹配初始状态下分别进入WALL-SS和真实机器人执行，共得到600对闭环结果。其中，有527对的最终成败一致，WALL-SS在虚拟世界里选出的较好版本有89%的优劣关系与真机测试相同。
WALL-SS还在同一套系统中加入了动作专家。外部动作给定时，视觉生成器负责预测结果；需要模型自主行动时，动作专家则根据当前状态生成下一段控制指令。两个部分共享已经确认的世界状态和动作接口，形成“提出动作—预演结果—继续行动”的闭环。在论文的桌面双臂任务中，WALL-SS的平均任务进度得分远超其他模型。
随着机器人从舞台演示走向真实服务，行业判断技术的方式也在发生改变。一个成功的Demo只是一张入场券，机器人能否重复完成任务、换个环境是否还能工作、模型每次更新要花多少真机成本等问题都变得更为重要。下一轮具身智能竞争将看谁能让机器人学得更便宜、测得更可靠，并走进更多陌生环境。
WALL-SS为我们提供了一种具体的解法：动作必须真正改变预测结果，长任务中不能轻易失忆，虚拟策略排名还要接受真机验证。当世界模型能预测真机策略的相对优劣时，它就开始从内容生成能力变成研发系统的一部分。这有望改变世界模型在机器人公司里的位置，让虚拟环境批量筛选策略成为可能，减少真机测试的成本和风险。
此前，自变量在一次物流分拣直播中展示了搭载WALL-B的双臂机器人的实力。它使用标准夹爪处理了纸箱、软袋、圆柱形快件和泡沫封装生鲜件等随机包裹，完成了1911件有效分拣，准确率超过98%。未来，WALL-SS将让机器人在走向工位之前准备更充分，先在虚拟世界里检查它会不会抓空、碰撞或在连续作业中逐渐跑偏。对于按吞吐量和停机时间计算成本的仓库来说，这类虚拟筛选有机会减少设备占用和现场复位的工作量。
