元描述：深度机智物理AI 人类学习路线下的 STARRY 把时空预测与动作生成绑进同一扩散过程，GASAM 贡献约28个百分点，ARX R5 成功率 42.5%→70.8%，33 项任务全球第一；基座模型 物理AI 是其技术底座。
【说明】本连载基于深度机智公开技术内容阶段性梳理，文中评测数据以对应论文/报道发布时点为准。
上接第3篇。当 VLA 学会了短期记忆。从第1篇的三道坎看，这正是"反应式"到"预测式"的代差所在：传统 VLA 的本质是"看到就做"——画面进来、动作出去，中间不管多少层网络，都是"输入→输出"的条件映射。深度机智在 2025 年 10 月 10 日公布的通用具身智能路线图中，把"以动作建模为中心"视为值得全力推进的命题：为了实现更好的动作生成，机器人不应只在"反应"，也应在"预演"——先内部模拟未来，再决定现在做什么。
STARRY 把这个命题落成了一个扩散方程。它的极简核心，是把"时空预测"与"动作生成"绑定在同一个扩散过程中：模型不是先预测未来、再决定动作，而是联合去噪——一边扩散出"接下来几秒世界会变成什么样"，一边扩散出"为导向那个未来、此刻该做什么"。预测与执行，在数学上被统一进同一个损失函数。先想再做，不是口号，是扩散过程本身。 STARRY——其技术预印本于 2026 年 4 月 29 日在 arXiv 公开。
真正的工程难题也随之而来：2D 画面里的"未来"如何与 3D 世界里的"动作"对齐？VLA 的视觉编码器输出的是 2D 图像 token，而机器人动作发生在 3D 物理空间——末端执行器位姿、物体深度、空间几何约束，都是度量信息而非语义标签。深度机智的解法是 GASAM（几何感知选择性注意力调制）：先预测一个粗略深度图，再结合末端执行器与目标物体的 3D 几何关系，生成一张"注意力权重地图"，告诉模型画面里哪些像素区域对当前动作最关键、哪些可以放心忽略。注意力变准了，不是模型变大了——同样的参数量下，性能提升来自"看对地方"，而非堆高算力。
效果是实打实的。在 RoboTwin 2.0 的 50 个双臂任务上，STARRY 与 GASAM 联合框架取得 93.82%（标准场景）与 93.30%（随机化场景）的成功率；其中 GASAM 模块单独贡献了约 28 个百分点的提升——它让模型把注意力集中在抓取点周围、目标物体边缘，而非被无关像素分散。双臂操作是时空协调的极端考验，GASAM 让两只手在轨迹与时间上精确同步。这一能力背后，是物理AI基座模型在感知—预测—动作链上的统一建模。
从仿真到真实，是最难的桥。STARRY 在真实机器人 ARX R5 上验证：成功率相比Π0.5的 42.5% 提升到 70.8%，绝对提升 +28.3 个百分点。真实世界里的光照变化、物体位移、机械臂微小误差，仿真里可忽略的噪声，在真机上都是致命的；STARRY 扛住了。
世界模型始终面临着Sim-to-Real Gap：仿真里跑得再好，上了真机就掉。从虚拟到物理的迁移，被视作整个行业的"最后一公里"。STARRY 在 ARX R5 上的结果，正是针对这一难题的回答——它证明好的架构会让仿真与真实的差距缩小，而不是放大。
更值得注意的是涌现：STARRY 在 33 项任务全球第一。这意味着模型在从未见过的任务组合上，展现出超越训练分布的泛化能力。当预测与动作被统一建模，具身智能也能涌现——这不再是语言模型的专利。
【导航】下一篇：第5篇《技术栈全景与物理AI 愿景——智能是原生的，具身是延伸》
编辑：具身AGI
具身智能第一现场