华为云在11月16日发布昇腾原生具身世界模型CloudRobo-WM1.2,并在两项具身智能评测中同时登顶:在RoboTwin 2.0上平均成功率为88.98%,在LIBERO-Pro 2.0上为81.73%,均排名第一。更值得关注的是,华为云这次不只把模型放到昇腾芯片上跑通,而是从模型架构、训练框架、核心算子到推理部署,围绕具身模型的特点做了软硬件协同优化,并计划把整套底座开放给外部团队。

在第三方独立测试中,5种机器人本体参与了13项操作任务,覆盖转旋钮、双臂连续交接、玩具入篮等场景,CloudRobo-WM1.2的平均成功率比第二名高出23个百分点。测试中还出现一个细节:机器人将插头插入后意外滑脱,模型能根据新观测画面动态调整动作并重试插接,体现出对物理交互结果的实时响应能力。

这一表现背后,是华为云对“让机器人更懂物理世界”的针对性设计。常规模型能识别杯子并定位其空间位置,但学到的多是特定视角下的外观特征;一旦涉及推动杯子会滑动还是倾倒这类物理预判,普通模型误差明显,在遮挡、视角变化和动态运动场景下更甚。华为云采用PPA(Perceive-Predict-Act)多模态世界表征架构,把感知、预测和动作放在同一阶段联合训练,同步接入RGB视频、DINO语义特征、深度和三维点云等多类信号,使模型不仅知道物体是什么、在哪里,还能理解空间结构、运动状态并预判动作后果。

具身数据常面临动作标注、深度和相机视角不齐的问题。华为云在预训练时引入多粒度监督掩码,把缺失或无效部分从损失计算中剔除,让模型只学可靠信息。其意义不在于容忍脏数据,而在于让大量不完美的异构数据进入训练,避免因局部缺失丢弃整条样本。背景数据是:真机采集成本高达500元至1000元/小时,存量有效数据仅百万小时级别,而头部厂商判断需求在亿小时级,数据缺口是具身智能规模化的核心瓶颈之一。

模型在动作生成上设置了两条分支:一条是action expert动作专家分支,直接生成动作、速度更快,适合响应要求高的任务;另一条依托世界模型骨干world generator,在理解场景的同时预测未来状态,精度更高,适合精细复杂、需考虑物理变化的任务。针对不同机器人本体差异,模型保留机器人96维、人类运动168维各自的原生状态表征,再用本体标记区分运动接口。据华为云披露,训练数据已扩至2.75万小时,接入20个数据源、33种本体。推理侧则提供World/Expert Action与Joint/Action-only组合出的四种弹性推理模式,研发调试可兼顾精度,实际部署可侧重速度。

算力层面,具身世界模型需同时处理视频、深度、三维点云和动作序列,算力与显存需求远超普通大模型;到了真机阶段,又要控制推理开销以保证及时出动作。华为云围绕昇腾做了多项工程优化:统一存储视频、关节状态、末端轨迹、底盘和任务标签并按完整操作建索引,常用数据提前缓存、下一批提前读取,减少算力空等;训练框架对显存占用不同的视频、点云和动作样本做重计算与长序列、模型并行,均衡各卡负担;多卡交换结果时利用数据在途时间先算可算部分。

仿真训练环节,华为云与清华大学于超团队把开源具身强化学习框架RLinf接到昇腾上。在一组LIBERO测试中,模型一次给出10步动作,第10步才需看新画面,前9步画面无需逐帧渲染,物理仿真照常推进、奖励照常计算,从而在动作规划周期内减少渲染开销。RLinf公布的测试显示,GR00T N1.5和N1.6单位时间内能算出的动作增加195%至278%,StarVLA的训练调用吞吐提升186%至240%。

真机接入通过R2C(Robot to Cloud)完成,现场画面和状态上传、模型动作下发;遇到新工况,团队把作业数据带回CloudRobo定位问题,再补训、评测并部署更新后的模型。平台留出API、SDK、CLI和插件接口,CloudRobo-WM1.2的权重、推理代码和后训练代码计划于11月30日开放。华为云还设立“行业AI梦工厂”具身智能专区,伙伴可发布数据集、模型、工具链和方案;华为云具身智能产品线总裁、具身智能Lab主任吴小东表示,同等条件下华为云优先推荐伙伴的模型和方案。

生态数据方面,具身智能专区从6月上线至今已与230多家企业及高校合作,吸引超1.65万名开发者,积累1500多项行业资产;浙大、上海交大等已与华为云深度合作。产业落地也在推进:与福龙马围绕无人环卫合作,与亿嘉和联合发布配网带电作业机器人,与山河智能推进矿山场景,CloudRobo触角已延伸至20多个行业。从产业视角看,国产算力训练具身模型逐步成熟后,竞争焦点正转向谁训得更快、能用上更多数据、部署成本更低、落地更快,而开放底座能否吸引足够多的开发者和行业伙伴,将决定这一生态的厚度。