共计 1142 个字符，预计需要花费 3 分钟才能阅读完成。
星源智推出世界模型 ω -EVA, 但挑战才刚刚开始
📌 ω-EVA 的核心突破: 从离线预测到实时决策
ω-EVA 模型的核心在于独创的“预演、验证、行动”闭环逻辑。 它通过学习“当前状态—动作—未来状态”之间的动态关系 , 在潜空间中捕捉运动物体与关键状态变化, 并将其用于动作生成、内部预演和动作修正。与大多数停留在“离线预测”或“环境模拟”阶段的世界模型不同,ω-EVA 让机器人能够预判每一个动作将如何改变物理世界的状态, 从而在复杂环境中实现更稳定的作业。
🔍 技术架构: 具身大小脑协同, 端侧部署解决高延迟痛点
星源智采用“具身大小脑”协同方案, 与 PI、Figure AI 等公司的“快慢系统”思路一致。ω-EVA 采用潜空间建模, 但进一步强调动作候选与想象后果之间的实时交互, 让未来预测结果直接参与动作修正。这种端侧部署有效解决了具身智能的高延迟痛点——星源智 CEO 刘东指出, 如果机器人每秒将几个 G 的数据传到云端, 等指令回来可能已经撞上障碍物。ω-EVA 的优势在于重新定义了世界模型在机器人系统中的作用, 让预测结果真正反哺动作生成。
💡 商业路径: 不做本体, 只做“卖铲人”
星源智由智源研究院孵化, 创立仅十个月 , 已累计融资 10 亿元, 并在商业化方面取得早期订单进展。公司明确不做机器人本体, 只提供软硬一体的具身大脑解决方案。创始人兼 CEO 刘东表示, 中国制造业不缺硬件能力, 真正稀缺的是能跨本体、跨场景适配的“大脑”。目前, 星源智已拿下 70% 以上头部本体厂商的份额。
📊 挑战与未来: 路线之争、数据匮乏与落地考验
- 技术路线之争 : 以 VLA 模型为代表的现有路线仍占据主流市场。智源研究院院长王仲远坦言“VLA 是当下, 世界模型是未来”, 但如何让市场接受“VLA+ 世界模型”的混合范式, 仍需教育成本。
- 真实物理数据匮乏 : 构建真正的世界模型需要涵盖力觉、触觉、深度、三维点云的全模态数据, 采集难度高, 且有效数据抓取困难。孙振国指出,VLA 依赖高质量成功轨迹数据,8 小时采集仅产出 3 小时有效数据; 而世界模型能利用失败轨迹提升效率, 但仍无法从根本上解决长尾场景数据的稀缺性。
- 规模化商业落地 : 刘东将当前具身智能比作“2015、2016 年的自动驾驶”——大家瞄着 L4、L5, 但真正的 L2 还没大规模落地。星源智需要通过具体场景的系统或产品, 证明物理可验证、长时序、因果逻辑推断等技术目标能够真正落地。
🚀 总结
星源智通过 ω -EVA 展现了从模型能力到场景执行的落地潜力, 但世界模型技术仍处于发展初期 。正如王仲远所言, 最终需要具体场景的系统或产品来证明技术目标的可实现性。对于具身智能行业而言, 竞争焦点不只是模型发展和技术突破, 稳定的、能够持续交付的落地场景能力才是关键。星源智拿到了船票, 但航程才刚刚开始。
