据10月31日AI早报消息，启元具身研究中心发布了PrimeSim，一款面向机器人操纵任务的世界模型仿真器。它基于预训练视频生成模型，经过“中训练”与“后训练”改造，成为可交互推演的仿真底座，并且一举登顶EWMBench，综合得分6.09。
翻译成人话就是：以后机器人学干活，不用先在真实世界里摔一万次了，可以先在“梦里”练一万遍，练熟了再上岗。
世界模型是什么：给机器人造一个“梦”
世界模型这个概念，说白了就是让AI在脑子里模拟物理世界：杯子掉下去会碎，门把手拧了会开，水倒多了会溢出来。人类小孩学抓东西，靠的也是在心里默默预演无数次。PrimeSim干的就是这件事，只不过它的“梦”是可以交互的——机器人可以在这个仿真世界里动手尝试，系统会推演出每一步操作带来的后果。
这和传统的仿真器有本质区别。传统仿真靠人工编写物理规则，写得再细也覆盖不了真实世界的复杂和混乱；而PrimeSim基于预训练视频生成模型，等于先看过海量真实世界的视频，对物理规律有了直觉式的理解，再被改造成可以交互推演的底座。
打个比方：传统仿真器是给机器人发一本写好的“物理课本”，课本上没有的它就不会；世界模型是让机器人先看了一百万个小时的“生活纪录片”，自己悟出了物理规律。前者天花板看得见，后者越用越聪明。
从视频生成到可交互推演：两次训练的改造
PrimeSim的技术路线很有代表性：先拿预训练视频生成模型打底，再经过“中训练”与“后训练”两轮改造。视频生成模型本来只会按提示生成画面，改造成世界模型仿真器，关键是要让它从“生成视频”变成“响应动作”——机器人伸手了，世界要给出符合物理规律的反馈。
这条路线的聪明之处在于复用。训练一个视频生成模型烧掉的算力已经有人买过单了，站在它的肩膀上做具身智能，比从零开始搭建物理仿真便宜得多，也更接近真实。这也是为什么世界模型正在成为具身智能赛道的热门方向。
6.09分登顶EWMBench意味着什么
EWMBench是评测世界模型能力的基准，PrimeSim拿下综合得分6.09登顶，说明它在多项操纵任务的仿真推演上达到了当前公开评测里的最好水平。榜单第一的意义不在于那个数字本身，而在于证明了“视频生成模型改造”这条技术路线是走得通的。
当然，基准测试的成绩和真实世界的表现之间，永远隔着一道鸿沟。仿真器再逼真，也只是对真实的近似。但方向一旦被验证，剩下的就是工程问题了，而工程问题，恰恰是这个行业最擅长解决的。
具身智能真正的瓶颈，从来不在算法
很多人以为机器人不够聪明是因为算法不行，其实真正的瓶颈是数据。大语言模型之所以爆发，是因为互联网上有取之不尽的文本；但机器人没有“互联网”，每一个“抓取杯子”的数据，都要靠真机在真实世界里一次一次试出来，又贵又慢还容易撞坏设备。
世界模型的价值就在这里：它把数据获取的成本打了下来。先在仿真里大规模试错，只把验证过的策略搬到真机上微调，机器人的学习速度能快一个数量级。PrimeSim这类仿真底座，本质上是在给具身智能修“高速公路”。
还有一个容易被忽视的点：安全。让机器人在真实世界里试错，撞坏设备是小事，伤到人是大事。先在仿真里把危险动作都试一遍，等于给机器人上岗前先做“体检”。这对机器人进入家庭、工厂这些与人共处的场景，是绕不开的一关。
写在最后
从自动驾驶到人形机器人，过去十年AI行业反复验证了一个规律：仿真能力决定落地速度。PrimeSim登顶EWMBench，标志着机器人操纵任务的仿真工具开始成熟了。
值得注意的是，世界模型的竞争才刚刚开场。今天拼的是操纵任务的仿真精度，明天拼的可能是全身控制、长时程任务规划。PrimeSim登顶只是一个起点，真正的考验是：它的“梦”能不能稳定地迁移到越来越复杂的真机上。
可以大胆预测一下：未来机器人公司的核心资产，可能不是那几台样机，而是自家的世界模型——谁的“梦”做得越真，谁的机器人在现实里就摔得越少。具身智能的军备竞赛，正在从“造身体”转向“造梦境”。
