一篇由李飛飛、Yilun Du 等十餘位頂尖學者聯合署名的論文《Masked Visual Actions for Unified World Modeling》近日在 arXiv 上公開，迅速引發關注。論文提出一種名為 MVA 的方法，通過將機器人動作轉化為畫素遮罩軌跡，讓機器人直接利用現成的影片生成模型，而無需訓練專屬的機器人大模型。這一思路可能為具身智慧領域帶來範式轉變。
論文的署名陣容堪稱豪華，包括 ImageNet 締造者、如今專注空間智慧的李飛飛，斯坦福助理教授、物理推理方向代表人物吳佳俊，ControlNet 作者張呂民，斯坦福計算成像實驗室負責人 Gordon Wetzstein，以及機器人基礎模型核心推動者黃文龍等。更令外界意外的是，哈佛助理教授 Yilun Du 也參與其中。李飛飛與 Yilun Du 恰好是具身智慧領域兩條技術路線的代表人物：一個主張讓 AI 直接在視覺畫面中思考，另一個主張先將一切壓縮為抽象數字再思考。兩人學術交集極少，上次合作還是五年前 Yilun Du 在 MIT 讀博期間，此後觀點一直存在分歧。此次同署一篇論文，被解讀為兩條路線可能找到了某種共識。
論文的核心觀點是，機器人或許根本不需要自己的專屬大模型，甚至無需重訓已有的影片生成模型，只需找到合適的介面，就能直接利用日趨成熟的影片生成模型。這一結論對當前產業界構成挑戰，因為許多大廠和創業公司正投入巨資研發機器人大模型，不少創業公司僅憑一個基座模型就撐起數十億估值。
過去，影片生成模型雖然具備物理直覺，但無法直接控制機器人，因為機器人操作需要關節角度、末端位移等低層動作表徵，這與影片模型理解的畫素流動、顏色變化語言完全不對應。此前的研究嘗試過多種方案，如 UniPi 用文本引導影片生成規劃，但文字指令模糊；Track2Act 用點軌跡預測，但稀疏的點難以描述連續動作；Ctrl-world 直接輸入關節角度，卻因換機械臂即失效而顯得脆弱。這些方法的共同問題是強迫影片模型學習一門它不熟悉的外語。
MVA 的思路則相反，它用影片模型自己的語言——畫素——來傳達動作。具體分為三步：首先，用 Meta 的 SAM 工具將影片中的機器人和操作物體分割出來，得到隨時間變化的區域，形成兩條運動軌跡；其次，遮住其中一條軌跡，讓模型預測被遮住的部分，從而同時實現世界模擬（給定機器動作推演世界變化）和動作生成（給定世界變化反推機器動作），且始終使用同一個模型、同一套引數；最後，不從頭訓練模型，而是用 LoRA 微調阿里的開源影片生成模型 Wan2.2（140 億引數），僅用 15 小時資料即可讓機器人實現 zero-shot 泛化，從單臂操作泛化到未見過的雙臂機器人。
論文的實驗結果頗具說服力。在衡量生成畫面與真實畫面差異的 LPIPS 指標上，MVA 達到 0.0945，而對比方法 Ctrl-World 為 0.362，差距近四倍。更關鍵的是，當測試時換上訓練階段從未見過的雙臂機器人時，Ctrl-World 當場失靈，而 MVA 仍能輸出靠譜的預測。論文還演示了三種應用：為現有策略打分、作為規劃器、以及反推動作。
產業界人士對這篇論文的評價聚焦於其泛化能力。深圳韋特嘉機器人 CTO 李琳鑫指出，文章的核心不在於模型訓得好，而在於泛化性的增強，解決了異構機械手的識別與遷移問題。他特別提到論文中關於 URDF 的細節：MVA 在生成動作時，先通過逆運動學（IK）解算出各關節的配合，而不是直接輸出與特定本體繫結的低層動作表徵。這使得指令可以通用，而執行方式各自適配。URDF 檔案作為機器人的通用說明書，記錄了關節數量、角度限制、連桿長度等資訊，MVA 利用它既限制了影片生成模型的想象力，又實現了跨本體泛化。
李琳鑫還指出，具身智慧領域今年的行業趨勢是將“看”和“動”拆開：視覺部分用網際網路海量影片訓練，資料量遠超機器人實機資料；動作部分用相對少的機器人資料加運動學計算補齊。MVA 正好卡在這個趨勢的介面上。儘管李琳鑫團隊走的是受 Yann LeCun 影響的隱空間世界模型路線，但他認為在 URDF 匯入和 IK/FK 解算上，兩條路線可以結合，思路甚至相通。
這篇論文的深層含義在於，具身智慧的發展或許不在於把機器人專屬模型越練越大，而在於想辦法直接借用已經很強的視覺大模型。網際網路影片資料近乎無窮，而機器人真機操作資料稀缺且昂貴，誰能讓機器人有效利用前者，誰就握有更大的籌碼。當學術界的頂尖力量與產業界的架構變化不約而同指向同一方向，這條路徑值得密切關注。