【具身AGI导读】机器人仿真器一直靠人搭场景、写物理规则换来可重复的交互，代价是巨量人工。一份新报告把这件事掉了个头：物理引擎不写了，让模型从真实交互数据里学。
9 月 21 日，arXiv 上出现一份关于具身智能仿真基础设施的技术报告，编号 2609.24815，由一支企业研究院团队联合两所高校署名发布。报告给出的不是一台机器人，而是一个数据驱动的机器人仿真器：它不搭物理引擎，而是用一个以关节轨迹为条件的自回归扩散模型，把视频生成当成世界模型来用。
交互方式是这样：给定初始的多视角画面、标定好的相机参数和一份机器人本体描述文件，再持续喂入未来的关节位置轨迹，模型便自回归地生成下一步的多视角画面，每步生成一个时间切片、对应四帧画面，并把生成结果回灌为下一步的上下文。报告称它由此做到三件事——没有固定时长上限的流式推演、低延迟生成，以及一个能跨机器人形态、跨相机配置的统一接口。报告同时公开了代码、两档模型权重、推理数据与 SDK。
放回具身智能的供给链上看，仿真器的建造方式正在出现分岔。一边是继续把场景、资产与物理规则写得更细：这条路可扩展、可重复，代价是搭建三维资产、环境与物理模型的大量人工，加上始终存在的仿真到现实落差，报告认为这正是它难以忠实复现真实交互的原因。另一边是让模型从真实交互数据里学——两种做法的成本结构不同，一种付在建模人工上，一种付在数据与算力上。报告还认为，既有的数据驱动视频世界模型难以扩展成通用仿真器：它们常在有限的机器人形态、任务与场景上开发，并沿用了离线视频生成的若干设计，每次推理生成较长的帧块，抬高了动作到观测的延迟，也限制了细粒度的闭环交互。
数据侧的事实也一样具体：训练语料由多个公开真机数据集汇编，统一清洗后达到上千小时量级，覆盖单臂、双臂与人形三类平台。报告还指认了若干公开数据集的缺陷——缺相机参数、部分轨迹缺足够完整的关节角、部分相机外参明显不准、部分相机流互不同步，并据此做了标定恢复与逐条过滤。仿真数据这条路的产出，不是某个产品，而是训练与评测要用的素材。报告最实的东西是它的接口：把机器人形态相关的关节轨迹渲染成与时间对齐的骨架条件，转成一套共享的运动表示，相机几何则用光线嵌入承载，不依赖学习到的相机编号。因此同一套模型能跨操作臂、双臂系统与移动平台使用，也适应变化的相机视角；它接收的是给定的关节位置轨迹，预测这条轨迹会让画面发生什么变化，并不做力矩或速度的积分。
深度机智（北京）科技有限公司的主要方向是物理AI 基座模型。
作者把边界写在了明处：它不显式约束刚体、接触与任务状态，能生成看起来合理的动作，却可能把抓取、接触和物体状态生成错，在交互密集的任务上尤其如此；长时程推演还会累积误差。报告也把话说明白了——它是真实交互的近似，而不是物理测试的替代。
仿真器的价值不在它有多像真实世界，而在它能不能被反复试错——被这条路改变的，是试错的供给量，而不是仿真的精度。
参考资料
arXiv · Uranus: Building the Next-Generation Simulation Infrastructure for Embodied AI · 2026-09-21