1X 推出機器人世界模型 1XWM：預測動作後果，直接評估任務成敗

想讓一個人形機器人進家幹家務，最頭疼的其實不是教它怎麼做，而是怎麼測試它會不會搞砸。

現實裡的家千奇百怪。今天雜亂的抽屜裡塞了個平時用不上的開瓶器，明天客廳的茶几可能就被搬到了另一邊。要是每改一次控制演算法，都得把機器人放到上百個真實的客廳和廚房裡跑一遍，工程師這輩子大概都要耗在搭樣板間上了。

人形機器人公司 1X 給自家的人形機器人 NEO 找了個省事的解法：他們公佈了名為 1X World Model（簡稱 1XWM）的機器人世界模型。

這個系統做的事情簡單直接：讓機器人在動手之前，先在由資料構成的「虛擬腦海」裡預測未來的物理後果，順便把任務成功率給算出來。

動作可控，而不是靠嘴說說

很多人熟悉的影片生成模型大部分是文生影片，輸入一句話「伸手拿水杯」，畫面就跟著跑。但搞機器人模擬不能靠這種模糊的指令，因為關節往左偏兩毫米，水杯可能就倒了。

1XWM 的核心是「動作可控」。訓練時，模型吃進去的是連續的影片幀、機器人的實際感測器觀測，以及精確的低階動作軌跡。隨後，它在隱空間裡預測未來每一幀的畫面變化。

從同一個初始靜態畫面出發，只要給 1XWM 喂入四種不同的動作軌跡，它就能模擬出四種截然不同的未來：去拿桌上的馬克杯、拿抹布擦拭檯面、往後退一步，或者在原地彈一把假想的空氣吉他。

不僅能看畫面，模型還會預測最後一幀的「狀態價值」，直接給這套動作判定及格還是失敗。換句話說，不用在物理引擎裡辛苦搭碰撞體，也不用真買十個空氣炸鍋讓機器人摔著玩，演算法就能在數字世界裡快速刷經驗。

資料喂得越多，這個世界模型對物理規律的理解就越到位。在早期的測試裡，資料量不夠時 1XWM 會產生幻覺，以為空氣炸鍋的抽屜和機身是焊死的一體，機器人一拉就把整個炸鍋拽翻了。而補充了真實互動資料後，模型不僅知道抽屜能拉出來，還準確模擬出了抽屜卡在滑軌裡的物理限制。

拿 70% 的準確率挑出最好的演算法

1X 並沒有把 1XWM 當成炫技的玩具，而是直接把它做成了策略評估引擎。

團隊用它來解決一個很實際的工程問題：新訓出來的模型權重究竟好不好？比如，機器人控制演算法到底要不要加入關節自身的位置反饋資料。1XWM 預測加入後表現會更好，後續在實機上的抽樣測試完全印證了這個預測。

按照 1X 給出的資料，哪怕兩個策略在現實中的真實成功率只差 15%，一個整體準確率為 70% 的世界模型，也能以 90% 的把握挑出更優秀的那一個。他們用同樣的辦法對比了不同的影像編碼器，模型預測佔優的 ViT-L 版本在現實裡果然更勝一籌。

而且它還能做「反事實推演」。機器人之前在現實裡哪個動作失誤了，工程師可以調出那個失敗的初始狀態，讓世界模型推演如果換一套動作會發生什麼。

不過 1X 也坦白承認，模型目前還遠算不上全知全能。一旦遇到訓練集裡從來沒見過的全新物體——比如一盆沒見過的植物，1XWM 在模擬機器人和它接觸時依然會露怯，動作和畫面的物理互動很容易變形。

為什麼重要

我們認為，1XWM 最聰明的地方，在於它避開了傳統物理模擬器那個吃力不討好的大坑。

搞機器人的人都知道，在 Isaac Sim 或 MuJoCo 裡面建一套逼真的家庭環境有多折磨人：布料怎麼揉皺、流體怎麼晃動、雜亂垃圾的摩擦力是多少，人工調參費時費力還不一定對。1X 選擇直接用影片和動作資料來「腦補」物理現實，把環境建模的問題變成了生成式模型的資料吞吐問題。

對整個具身智慧行業來說，這代表評估體系正在發生轉移。誰能率先把世界模型的預測精度提上去，誰就能以幾千倍的速度迭代控制策略。今天大語言模型靠合成數據自我強化，明天人形機器人也完全可能靠世界模型跑出來的合成經驗完成冷啟動。

但這裡的隱患也很明確。世界模型生成的未來本質上依然是機率預測，一旦模型對某種物理屬性存在認知偏差，演算法就會在幻覺裡越學越偏。對 1X 來說，從廚房特定的幾個小任務，泛化到千家萬戶不可預測的雜亂環境，中間橫亙的算力和資料門檻，可能比重新造一個物理引擎還要高。