隨著互聯(lián)網(wǎng)自然語言數(shù)據(jù)逐漸耗盡，AI想要獲得進(jìn)一步的突破性成長，需要走出數(shù)字世界，邁向物理世界。

如同人類的進(jìn)化軌跡——當(dāng)機(jī)器能夠在現(xiàn)實(shí)物理世界中自主探索，便能完成自我迭代與持續(xù)進(jìn)化。

近日，由全國工商聯(lián)人工智能委員會(huì)傾力主辦，商湯科技承辦的“大愛無疆·模塑未來” WAIC 2025大模型論壇上，商湯科技正式發(fā)布「悟能」具身智能平臺(tái)，從開悟世界模型到明晰智能、開悟智能，旨在為具身智能打造一個(gè)能夠在現(xiàn)實(shí)世界中自由探索成長的強(qiáng)大“訓(xùn)練場”。

基于方舟視覺感知、大裝置、日日新大模型等多種技術(shù)的長期積累，商湯「悟能」具身智能平臺(tái)以商湯“開悟”世界模型為核心引擎，依托商湯大裝置提供強(qiáng)大的端側(cè)和云側(cè)算力支持，能夠?yàn)?a target="_blank">機(jī)器人、智能設(shè)備賦予強(qiáng)大的感知、視覺導(dǎo)航及多模態(tài)交互能力，推動(dòng)智能終端向更高層次的自主化與智能化演進(jìn)。

商湯科技董事長兼首席執(zhí)行官徐立表示，“世界模型和具身AI的結(jié)合，將開啟AI發(fā)展的下一個(gè)階段，完成由‘工具’向‘人’的躍遷，加速邁向AGI時(shí)代。商湯希望「悟能」具身智能平臺(tái)能夠幫助各類具身智能企業(yè)，幫助他們完成和現(xiàn)實(shí)世界交互的夢想?！?/p>

感知全能、導(dǎo)航精準(zhǔn)、交互靈活

為具身智能打造“三大核心引擎”

感知、導(dǎo)航和交互，是具身智能的三大核心能力。

商湯科技在這三大方面均擁有深厚的技術(shù)積淀，如今這些積累轉(zhuǎn)化成了「悟能」具身智能的能力。

首先，感知是機(jī)器探索現(xiàn)實(shí)世界的基礎(chǔ)。

憑借商湯方舟在視覺AI領(lǐng)域十余年的深耕積累，從機(jī)器狗到機(jī)器人，「悟能」具身智能平臺(tái)能為各類終端硬件賦予對(duì)萬物的識(shí)別與理解能力，同時(shí)具有強(qiáng)大的場景適配性，可完全嵌入端側(cè)芯片實(shí)現(xiàn)端側(cè)推理，讓感知更高效、響應(yīng)更敏捷。

無論是機(jī)器狗的視角（上方視頻）還是機(jī)器人的視角（下方視頻），都能對(duì)外界有整體的天然感知識(shí)別，對(duì)物體形成自然劃分切割。

導(dǎo)航是機(jī)器在現(xiàn)實(shí)世界中行動(dòng)的“骨架”。

商湯絕影在純視覺端到端智能輔助駕駛方案上的技術(shù)積累，可泛化適配至機(jī)器人、機(jī)器狗等硬件設(shè)備，讓機(jī)器人在更多樣的環(huán)境中實(shí)現(xiàn)精準(zhǔn)路徑規(guī)劃與導(dǎo)航。

同樣，無論是在綠化小路中四足奔走的、體型較小的機(jī)器狗（上方視頻）還是行駛在城區(qū)正常車道的自動(dòng)駕駛車輛（下方視頻）都在實(shí)現(xiàn)精準(zhǔn)路徑規(guī)劃與導(dǎo)航的同時(shí)，準(zhǔn)確地進(jìn)行了自動(dòng)避障。

交互是機(jī)器與現(xiàn)實(shí)世界連接的橋梁。

基于“日日新”大模型的技術(shù)積累與不斷迭代，“悟能”具身智能平臺(tái)可以賦能機(jī)器人具備和現(xiàn)實(shí)世界的交互能力，具備有溫度、有深度、長記憶、超穩(wěn)定等能力亮點(diǎn)。

以AI生成的《長安的荔枝》電影介紹PPT為例，由“悟能”具身智能平臺(tái)賦能的人形機(jī)器人，能夠以各種風(fēng)趣幽默、嚴(yán)謹(jǐn)務(wù)實(shí)等各種語言風(fēng)格進(jìn)行生動(dòng)講解。

同時(shí)，它還可以自動(dòng)翻頁，實(shí)時(shí)響應(yīng)用戶提問，敏銳捕捉用戶意圖，期間用戶打斷提問，它完成提問后還能回歸繼續(xù)講解。

它還能結(jié)合長記憶能力進(jìn)行階段性回顧歷史用戶提問，作出小結(jié)，即便遇到嘈雜環(huán)境也能輕松應(yīng)對(duì)。

商湯“悟能”具身智能平臺(tái)可廣泛適配包括汽車、機(jī)器人在內(nèi)的各類終端，實(shí)現(xiàn)空間層面的現(xiàn)實(shí)世界互動(dòng)。

構(gòu)建4D真實(shí)世界

為機(jī)器進(jìn)化提供高質(zhì)量現(xiàn)實(shí)世界數(shù)據(jù)

基于強(qiáng)大的多模態(tài)深度理解能力，商湯“開悟”世界模型具備合理的空間一致性和時(shí)間一致性，可生成高質(zhì)量數(shù)據(jù)，有效提升具身智能等終端設(shè)備的智能水平。

“開悟”世界模型能夠僅憑自然語言描述，即可生成逼真的七路攝像頭視角模擬數(shù)據(jù)，且不同視角下的幾何位置高度對(duì)應(yīng)，完全符合物理世界的規(guī)律。

“開悟”世界模型還能夠編輯真實(shí)世界，可對(duì)現(xiàn)實(shí)世界中的車輛等場景元素進(jìn)行替換、刪除、增補(bǔ)，創(chuàng)造更加多樣的現(xiàn)實(shí)場景。

基于強(qiáng)大的生成和編輯能力，“開悟”世界模型可以精準(zhǔn)模擬方向盤、剎車和油門控制，帶來如同在真實(shí)的街道場景中玩“極品飛車”的效果，讓機(jī)器在現(xiàn)實(shí)世界中自由探索。

“極品飛車”啥效果，來這里看看：商湯董事長兼CEO徐立：人工智能的十年演進(jìn) | WAIC 2025主論壇

到了具身世界，發(fā)揮空間則更大。

相較于智能汽車，機(jī)器人適用和覆蓋的場景更加廣泛，能夠通過主動(dòng)探索生成更多高質(zhì)量的現(xiàn)實(shí)世界數(shù)據(jù)，在具身智能數(shù)據(jù)匱乏的當(dāng)前環(huán)境下，可通過構(gòu)建面向人、物、場的4D真實(shí)世界，突破模型泛化能力的邊界。

具身世界模型讓用戶僅需要輸入簡單的提示詞，就能自主進(jìn)行位姿、動(dòng)作骨架和指令的生成，讓機(jī)器人動(dòng)作更合理。

給出“在廚房區(qū)域的架子上找東西”指令，具身世界模型可以準(zhǔn)確生成相應(yīng)的場景視頻和機(jī)器人的連續(xù)位姿，從上圖變成下面連續(xù)的動(dòng)態(tài)視頻

再來一組，還是只給出初始視角。

給出“進(jìn)入娛樂室、向右轉(zhuǎn)，然后打開通往院子的門”指令，具身世界模型不僅可以進(jìn)行連續(xù)位姿生成，還支持多角度查看，并保持高度的時(shí)空一致性

給出“生成一段切黃瓜的機(jī)器人視頻”指令，具身世界模型可準(zhǔn)確生成動(dòng)作骨架，隨后輸出具身第一視角、第三視角4D世界視角等多種視角的視頻。

給出“生成一段白天公園里機(jī)器人跳躍的視頻”指令，具身世界模型同樣可以模擬生成符合3D關(guān)系的4D世界的真實(shí)視頻。

即便是不同相機(jī)位姿視角的視頻生成，具身世界模型也能輕松拿捏，來看下具身世界模型生成的多視角視頻

商湯“悟能”具身智能平臺(tái)正在實(shí)質(zhì)性打破虛實(shí)界限，構(gòu)建AI與物理世界交互的高效通路。

未來，商湯科技希望助力賦能具身智能企業(yè)實(shí)現(xiàn)感知、理解與生成能力的躍遷，將具身交互的不確定性挑戰(zhàn)轉(zhuǎn)化為產(chǎn)業(yè)升級(jí)的確定性路徑，推動(dòng)AI向下一個(gè)十年加速進(jìn)化。