大语言模型的能力，已经在海量文本训练与规模化扩展中得到验证。它之所以能够持续强化，一个重要基础是：海量来自书籍、网页还是对话的知识，最终都能被统一到“文本”这一输入输出空间中，模型才能在其中完成学习、组合与迁移。那么，具身智能能否找到一条类似路径？机器人如何从不同来源的经验中学习，让感知、动作与物理世界的变化形成统一理解？走向 Physical AGI，它的“原生统一空间”又应该是什么？

10月12日，跨维智能（DexForce）发布全球首个机器人任务原生3D世界模型UNITAS（A 3D-Native World Action Model for Embodied Manipulation），探索为Physical AI建立统一表示空间的新路径。

UNITAS提出的核心观点是：只有让模型原生理解三维物理世界，世界模型才真正接近“世界”本身。

那如何让机器人在三维世界里理解“动作”与“变化”？机器人真正进入物理世界，面对的不只是“如何行动”的问题，也包括“行动之后世界会如何变化”。

传统机器人策略模型关注的是：机器人下一步应该执行什么动作；而世界模型关注的是：执行这个动作后，环境会发生怎样的变化。过去，这两个问题通常被作为不同任务分别建模，但从真实物理过程来看，二者本质上是一件事。

当机器人伸手拿起一个杯子时，机械臂移动是动作，杯子离开桌面并发生位移是结果，两者共同构成了一次完整的物理交互过程。机器人如果只学习“怎么动”，却不了解动作会如何影响世界，就很难真正理解物理规律。

UNITAS提出的核心思路，正是将观察、行动和世界变化统一到同一个三维物理空间中建模。

也许你会好奇，机器人领域已经有不少方法引入了三维信息。而UNITAS的“3D原生”（3D-Native）是直接让模型在三维物理空间中学习世界。简而言之，“世界”模型直接作用在统一坐标系下的三维Token上，而不通过图片Token作为桥梁。

例如，机器人执行“拿起杯子”任务时，模型不仅需要知道杯子在哪里、机械臂应该如何移动，也需要理解夹爪靠近、抓取、抬起过程中，杯子的位置如何变化，以及整个场景将如何响应。

UNITAS用三维点的轨迹描述这个过程：动作流（Action Flow）：人手或机器人夹爪上的点如何随时间移动。场景流（Scene Flow）：以这些点为条件，杯子等场景中的点如何移动。在UNITAS中，这些过程不再被拆分成多个独立问题，而是在同一个三维坐标系中进行联合建模。因此，模型既能够根据任务目标生成可执行动作，也能够根据动作预测未来的世界变化。

预测的动作流以及对应的场景流

只有让模型原生理解三维物理世界，世界模型才真正接近“世界”本身。该观点不仅是一个技术思路，UNITAS已在多项机器人操作评测中展现出了实力：仅凭1.7B（17亿）参数，在LIBERO上取得99.8%的平均成功率、在LIBERO-Plus上达到89.1%，并在RoboTwin 2.0双臂操作的Clean与Randomized设置中分别取得92.94%和93.04%的成功率，超越参数规模达6B（60亿）的Fast-WAM、8B（80亿）的Motus，以及π0.5、LingBot-VA、PointWorld等模型，在多项基准测试中全面夺冠，进一步在真实机器人操作执行上同样表现突出，任务平均成功率达到85%。

未来，跨维与全球开发者、产业伙伴携手，让机器人真正理解物理世界，并在持续学习与进化中走向更广泛的应用，推动具身智能成为下一代生产力的重要组成部分，让机器人逐步走进更多生产与生活场景，服务千行百业，创造更广泛的价值。

文/广州日报新花城记者：张露
广州日报新花城编辑：李光曼