作者：彭堃方     编辑：吕鑫燚     出品：具身研习社

智源大会上，具身智能企业上演“华山论剑”。

今年的重点落在了世界模型，这也是当下最拥挤、也最容易被误读的技术。有人从语言出发，有人从视频生成出发，有人从 3D 重建出发，也有人从隐空间表征出发。不同路线之间，看似各有山头，但放到具身智能里，一个朴素的共识正在形成：机器人要真正进入物理世界，必须学会“预测下一个物理状态”。

像“预测下一个token”一样，这条路乍一听很熟悉，但落到机器人身上很难。因为机器人面对的不是静态图像，也不是可以撤回重写的一段文本，而是一个被自己动作持续改变的物理世界。手伸出去，物体会移动；脚迈出去，重心会变化；夹爪闭合，接触关系会发生改变。每一次动作都会改写环境，也会改写后续动作的可能性。

所以，世界模型对具身智能的价值，不只是让机器人“知道世界会怎么变”，更关键的是让它在行动之前先想一遍：如果我这样做，会不会错？这也是星源智在智源大会上发布具身交互世界模型 ω-EVA 的关键所在。

在模型发布前的圆桌上，星源智创始人兼 CEO 刘东预告了ω-EVA 的两个核心点：一是目前世界上最快的、可端侧部署的具身世界模型；二是把动作交互作为一个反思闭环加进去，让模型不只预测下一个物理状态，还能基于一个动作做出反思，选择更正确的路线去执行。

这两个点，正好对应了今天具身智能最现实的两道门槛：技术上，世界模型不能只停留在论文、榜单和云端大算力里；商业上，模型必须能进入机器人本体，进入真实任务，进入交付链条。

星源智这家公司的特殊性也在这里。它并没有把“世界模型”做成一个宏大的概念标签，而是把它压进动作决策、端侧推理和商业落地里。值得一提的是，这家成立仅 10 个月、融资 10 亿的具身大脑公司，已经以整体方案解决商的身份，拿下了 70% 本体厂商份额。

这让星源智呈现出一种很特别的位置：它不是本体厂商，却越来越多地出现在本体厂商背后；它不追逐造一台最像人的机器人，却试图成为更多机器人背后的“大脑”和“端侧底座”，让它们像人一样生产生活。

换言之，如果说具身智能行业正在从演示走向部署，那么星源智想抢占的，正是这场迁移里最关键的基础设施位置。

过去讨论世界模型，人们往往习惯把重点放在“预测”上。

预测下一帧视频，预测未来状态，预测物理变化，预测环境演化。这个方向当然重要。对于机器人来说，只有理解未来，才可能摆脱单步反应，进入连续任务。但预测本身并不等于控制，知道未来可能发生什么，也不意味着机器人一定知道现在该怎么做。

星源智这次提出的 ω-EVA，真正想推进的是后半步：让预测进入动作修正。

模型名称里的 EVA 分别对应 Envision、Verify、Act，也就是预演、验证、行动。机器人先生成候选动作，再在潜在空间中预演这个动作可能带来的后果，随后根据这个后果反馈修正动作，最后再执行。ω 取自 Omega，指向“以终为始”的动作生成方式：不是从当前状态一路莽过去，而是先看见动作可能导向的结果，再反过来修正当前动作。

这套逻辑和人类行动很接近。一个人端起一杯咖啡之前，并不会在脑中生成一段高清视频，但他会隐约判断杯子会不会晃、手腕角度是否合适、递过去时对方能不能接住。一个熟练的工人搬动物料时，也不会每一步都重新计算物理公式，却能预判这个动作会不会碰撞、会不会卡住、会不会影响下一步。

机器人过去缺的，恰恰是这种行动前的内在校验，ω-EVA 把世界模型安放在这个关键缝隙里。

它的过程可以概括为三步：Proposal、Latent Consequence、Refinement。先提出动作，再想象后果，再重写动作。这里的“想象”并不是生成一段给人看的未来视频，而是在潜在特征空间里推理这个动作可能导致的结果。最后，refiner 会把当前状态、想象后果和原始动作提案联合起来，输出修正后的动作片段。

这看似是一个技术细节，背后却是世界模型角色的变化。

过去，很多世界模型更像训练辅助工具，帮助模型形成更好的表征，或者作为离线模拟器提供额外数据。ω-EVA 想把它变成动作生成过程里的反馈模块。世界模型不再只是回答“未来会怎样”，还要进一步回答：“如果执行这个动作，未来会怎样？如果这个后果不好，动作该怎么改？”

这也是星源智反复强调“交互世界模型”的原因。星源智联合创始人孙振国表示，交互世界模型中的“交互”，核心目的是探索世界模型在实际机器人系统中的有效使用方式。目前世界模型的技术路线尚未收敛，业界仍在尝试如何将其真正应用于最终的控制策略（policy），并提升控制效果。

他指出，如果仅将世界模型作为传统训练中的一个额外信号，用于约束表征空间等，其实际发挥的作用非常有限。因为引入世界模型带来的训练成本，远高于它所能贡献的那几个百分点甚至零点几个百分点的性能提升。在这种情况下，继续沿着VLA路线深入探索更高效的模仿学习架构，反而更有意义。

孙振国认为，世界模型真正的核心价值在于其对未来的强大预测能力——在空间和时间维度上具备整体理解优势，远超单纯基于VLM的VLA基座。基于这一判断，他们提出了“交互”的概念：让世界模型真正参与到动作决策的闭环中，通过与环境的交互，利用其对未来的预测来进一步优化当前的动作，形成反馈优化回路。这种交互机制能够让系统成为一个自我进化、自我提升的智能体，从而最大化地发挥世界模型的价值，同时更好地平衡开发成本与实际收益。

从这个角度看，ω-EVA 具身交互世界模型把世界模型原本强调的“预测世界”概念又往“修正行动”推了一步。并且沿着这条路走，世界模型的探索才更具落地意义，否则只会是“更烧钱”的新词。

但具身智能的难题从来不止在算法。

一个世界模型再聪明，如果只能在云端大算力上跑，或者只能在桌面 GPU 上做演示，它离机器人真实部署仍然有很远距离。机器人需要移动，需要避障，需要抓取，需要和环境发生连续交互。它不能每一步都等待云端返回，也不能永远拖着一根线在实验室里行动。

端侧部署因此成了具身大脑的生死线。

刘东在专访中提到，如果模型不能放在机器人里运行，机器人就需要依赖有线连接或无线传输。但真实机器人通常会搭载多个摄像头、激光雷达和其他传感器，要把这些数据实时传到云端，带宽和延迟都会成为巨大问题。更重要的是，机器人控制有频率要求，感知、推理和执行都必须在很短时间内闭合。端侧跑不起来，机器人就很难真正摆脱演示状态。

这也是多数视频生成式世界模型在具身场景里面临的工程瓶颈，比如前段时间登榜的英伟达DreamZero。生成未来视频听起来很直观，但对机器人控制并不经济。机器人不一定需要一段清晰、完整、可观看的未来影像，它更需要的是关键状态变化：会不会撞、会不会掉、会不会偏、会不会影响下一步。把大量算力花在像素级未来生成上，很多时候并不能直接转化为动作质量。

星源智选择的是在 latent feature space 中完成后果推理。也就是说，模型保留后果推理，但不把未来解码成完整视频，不依赖额外的像素级模拟器或多轮 rollout 搜索。这种路线的好处是更轻，更快，也更接近端侧实时控制所需的工程形态。

技术路线背后，其实是一种产业判断：具身世界模型不能只追求看起来生成的更像未来的“世界全貌”，那只能是一种学术上的路径探索。

如果未来预测不能进入动作修正，它只是模型内部的一种表征；如果未来预测太重，无法端侧部署，它也难以成为机器人身体的一部分。真正有价值的世界模型，必须同时满足可反馈、可重写、可部署。可反馈，意味着预测结果要能进入控制决策；可重写，意味着它不只是评估动作，而是能推动动作改写；可部署，意味着它能在机器人端侧实时运行。

这也是星源智把具身大脑和端侧算力平台一起做的原因。

在智源大会现场，星源智展示了围绕机器人端侧智能构建的产品体系，包括面向高性能本体部署的 N5、面向量产机器人与多类本体适配的 T5，以及面向灵活扩展与外接部署的算力背包。T5 已搭载于智元精灵 G2 等机器人本体，支持任务理解、动作规划与实时执行；N5 则面向更高算力需求和复杂场景任务，支撑多模态感知、世界模型推理与端侧闭环控制。

这种软硬一体的路径，决定了星源智并不只是一个“模型公司”。

它更像是具身智能时代的端侧 Infra 提供者。模型、算力平台、传感器方案、任务理解、动作规划、端侧推理，这些能力被打包成一套可以适配不同本体的解决方案，交给本体厂商进入数采、测试和部署。

这也解释了为什么星源智的商业叙事并不只围绕模型参数、论文指标或单点能力展开，而是反复强调“部署态”。

因为具身智能真正的分水岭，不能只看机器人能不能在展台上完成一次漂亮演示，而要更多地强调它能不能在本地、实时、稳定地把感知、理解、决策和执行跑成闭环。端侧部署是技术问题，也是商业问题。它决定模型能不能离开实验室，进入客户现场；决定机器人能不能从“能动”走向“能干”；也决定一家具身大脑公司能不能从概念提供者变成产品供应商。

刘东在圆桌上提到，接下来的一年将是机器人部署落地元年。

这句话放在今天的具身赛道里很有警醒意味。一边，行业仍然沉浸在模型路线、数据规模、世界模型、VLA、WAM 等技术讨论中；另一边，真正进入生产环节、真实场景和客户交付的机器人仍然不多。很多机器人还停留在 demo、评分榜单和发布会视频里，模型在物理世界中的“体感”并不充分。

这会带来一个问题：如果模型永远只在实验室里被验证，行业很难知道技术路线到底有没有走对。

具身智能需要长期主义，但不能无限等待一个抽象的“ChatGPT 时刻”。大语言模型的爆发有自己的路径，机器人行业未必完全复刻。对具身智能来说，更可能出现的路径是：先在一部分结构化、半结构化场景里打磨能力，把模型推向真实任务，再通过数据、反馈和部署形成循环。

这更像是一个从垂类开始的“Claude Code”式路径：先把一类真实问题解决到足够好，再逐渐外溢到更复杂的场景。

星源智的落地逻辑也沿着这条线展开。

在采访中，刘东提到，具身落地不应该被局限在人形机器人或轮式双臂上。任何一辆车辆、叉车、搬运设备、拣选机械臂，只要装配了拟人化的大脑，可以像人一样理解环境和任务，就可以成为具身设备。这个判断很重要，它把“具身智能”的边界从人形机器人的外观里解放出来，重新落回“智能体与物理世界交互”的本质上。

具身叉车就是一个典型案例。叉车自动化并不是新问题，传统方案早已存在。但在真实物流场景里，卡车形态各异，货物形态各异，托盘状态也不统一。传统基于规则的方法，对位置、条件和流程的要求很高，一旦场景稍微变化，泛化能力就会不足。星源智试图把世界模型和具身大脑放到叉车上，让它识别不同情形，规划卸货逻辑，判断先卸什么、后卸什么，避免碰撞和遗漏，再一步步执行。

在智源大会现场，星源智还展示了动态产线分拣、机器狗清洁官、机器人咖啡服务、华容道世界模型互动等场景。流水线分拣考验的是动态目标识别、连续流程判断和跨本体协同；机器狗清洁官考验的是开放环境中的目标发现、路径判断、避障与任务状态检查；咖啡服务考验的是任务链执行和精细操作；华容道则更直观地展示了连续决策和后果预演。

这些展示放在一起，其实呈现的是同一条能力链：感知、理解、规划、行动、反馈。这条链条越完整，星源智作为“具身大脑供应商”的位置越清晰。

刘东在采访中把星源智比作行业里“卖铲子的人”。这不是一个谦虚的说法，反而是一种很强的商业定位。具身智能的淘金热还在早期，本体厂商众多，路线各异，形态分散。不是每一家本体公司都有能力、资金和时间从底层模型、端侧算力、传感器方案、任务规划到场景数据全部自研。尤其在真正销量起来之前，全栈自研的经济账并不好算。

这和自动驾驶行业有相似之处。少数头部车企会坚持自研智驾，但更多车企会选择华为、Momenta 这样的供应商合作。具身行业也可能出现类似分工：少数头部本体公司全栈闭环，大多数本体厂商围绕自己的硬件能力、制造能力和场景资源，选择外部大脑方案。

星源智想站的就是这个位置。它自己不做本体，因此可以和更多本体厂商合作；它提供模型、端侧算力平台和端侧 Infra，帮助本体厂商进入数采和部署态；它通过不同场景的数据积累，反过来增强模型和跨本体适配能力。

目前，星源智作为软硬一体方案解决商，已覆盖国内超过70%的头部具⾝智能公司，成为英伟达Jetson Thor平台的全球最⼤出货商。

这些商业份额不只是一个市场数字，更说明具身赛道正在出现新的产业分工。本体厂商负责把身体造出来，把成本、供应链、形态和场景入口打磨出来；具身大脑与整体方案解决商负责把模型、端侧算力和智能闭环接进去。行业不可能长期停留在每家公司都从零造全栈的阶段，随着交付压力上升，分工会变得越来越现实。

星源智的机会，就来自这种现实。

具身赛道需要自己的“华为”

成立 10 个月，融资 10 亿，拿下 70% 本体厂商份额，星源智身上有很强的速度感。

但真正值得讨论的，还不是这家公司跑得有多快，而是它踩中了具身智能从技术热潮走向产业分工的关键节点。过去一年，行业最热闹的是模型概念；接下来，行业真正要面对的是模型如何部署、如何交付、如何适配不同本体、如何进入真实任务闭环。

这也是“具身华为”这个说法有想象力的地方。

华为之于智能汽车，并不只是一个供应商，而是在整车厂之外，提供了一整套可被采用、可被交付、可被持续迭代的智能化底座。具身智能如果要走向大规模落地，也需要类似的基础设施角色：它不一定站在台前造每一台机器人，但会进入越来越多机器人的身体里，成为它们理解世界、规划任务、执行动作的共同底座。

当然，具身智能比智能汽车的场景更分散，也更难。车至少都在路上跑，而机器人要进入工厂、仓库、家庭、公共空间、服务场景、危险作业现场。每个场景都有自己的数据、规则、物体和交互方式。正因为如此，具身大脑供应商的壁垒也不会只来自模型参数，而来自模型能力、端侧工程、跨本体适配、场景数据和行业 Know-how 的复合积累。

未来的机器人行业，不会只奖励会讲故事的公司，也不会只奖励会做 demo 的公司。真正的竞争会逐渐回到一个更朴素的问题：谁能让机器人稳定进入真实任务，谁能让本体厂商更快完成部署，谁能把模型从云端、论文和发布会带到机器人的身体里。

星源智押注的，正是这个转折点。

当世界模型从预测未来走向修正行动，当具身大脑从技术概念走向端侧部署，当本体厂商从各自造脑走向产业协同，具身智能才真正开始接近它的产业化时刻。机器人部署落地元年，行业需要的不只是更大的模型，也是一批能把模型送进真实世界的人。星源智想成为的，正是这样一个送模型下场的人。