隨著互聯(lián)網(wǎng)自然語言數(shù)據(jù)逐漸耗盡，AI想要獲得進一步的突破性成長，需要走出數(shù)字世界，邁向物理世界。

如同人類的進化軌跡——當機器能夠在現(xiàn)實物理世界中自主探索，便能完成自我迭代與持續(xù)進化。

近日，由全國工商聯(lián)人工智能委員會傾力主辦，商湯科技承辦的“大愛無疆·模塑未來” WAIC 2025大模型論壇上，商湯科技正式發(fā)布「悟能」具身智能平臺，從開悟世界模型到明晰智能、開悟智能，旨在為具身智能打造一個能夠在現(xiàn)實世界中自由探索成長的強大“訓練場”。

基于方舟視覺感知、大裝置、日日新大模型等多種技術的長期積累，商湯「悟能」具身智能平臺以商湯“開悟”世界模型為核心引擎，依托商湯大裝置提供強大的端側和云側算力支持，能夠為機器人、智能設備賦予強大的感知、視覺導航及多模態(tài)交互能力，推動智能終端向更高層次的自主化與智能化演進。

商湯科技董事長兼首席執(zhí)行官徐立表示，“世界模型和具身AI的結合，將開啟AI發(fā)展的下一個階段，完成由‘工具’向‘人’的躍遷，加速邁向AGI時代。商湯希望「悟能」具身智能平臺能夠幫助各類具身智能企業(yè)，幫助他們完成和現(xiàn)實世界交互的夢想?！?/p>

感知全能、導航精準、交互靈活

為具身智能打造“三大核心引擎”

感知、導航和交互，是具身智能的三大核心能力。

商湯科技在這三大方面均擁有深厚的技術積淀，如今這些積累轉化成了「悟能」具身智能的能力。

首先，感知是機器探索現(xiàn)實世界的基礎。

憑借商湯方舟在視覺AI領域十余年的深耕積累，從機器狗到機器人，「悟能」具身智能平臺能為各類終端硬件賦予對萬物的識別與理解能力，同時具有強大的場景適配性，可完全嵌入端側芯片實現(xiàn)端側推理，讓感知更高效、響應更敏捷。

無論是機器狗的視角（上方視頻）還是機器人的視角（下方視頻），都能對外界有整體的天然感知識別，對物體形成自然劃分切割。

導航是機器在現(xiàn)實世界中行動的“骨架”。

商湯絕影在純視覺端到端智能輔助駕駛方案上的技術積累，可泛化適配至機器人、機器狗等硬件設備，讓機器人在更多樣的環(huán)境中實現(xiàn)精準路徑規(guī)劃與導航。

同樣，無論是在綠化小路中四足奔走的、體型較小的機器狗（上方視頻）還是行駛在城區(qū)正常車道的自動駕駛車輛（下方視頻）都在實現(xiàn)精準路徑規(guī)劃與導航的同時，準確地進行了自動避障。

交互是機器與現(xiàn)實世界連接的橋梁。

基于“日日新”大模型的技術積累與不斷迭代，“悟能”具身智能平臺可以賦能機器人具備和現(xiàn)實世界的交互能力，具備有溫度、有深度、長記憶、超穩(wěn)定等能力亮點。

以AI生成的《長安的荔枝》電影介紹PPT為例，由“悟能”具身智能平臺賦能的人形機器人，能夠以各種風趣幽默、嚴謹務實等各種語言風格進行生動講解。

同時，它還可以自動翻頁，實時響應用戶提問，敏銳捕捉用戶意圖，期間用戶打斷提問，它完成提問后還能回歸繼續(xù)講解。

它還能結合長記憶能力進行階段性回顧歷史用戶提問，作出小結，即便遇到嘈雜環(huán)境也能輕松應對。

商湯“悟能”具身智能平臺可廣泛適配包括汽車、機器人在內的各類終端，實現(xiàn)空間層面的現(xiàn)實世界互動。

構建4D真實世界

為機器進化提供高質量現(xiàn)實世界數(shù)據(jù)

基于強大的多模態(tài)深度理解能力，商湯“開悟”世界模型具備合理的空間一致性和時間一致性，可生成高質量數(shù)據(jù)，有效提升具身智能等終端設備的智能水平。

“開悟”世界模型能夠僅憑自然語言描述，即可生成逼真的七路攝像頭視角模擬數(shù)據(jù)，且不同視角下的幾何位置高度對應，完全符合物理世界的規(guī)律。

“開悟”世界模型還能夠編輯真實世界，可對現(xiàn)實世界中的車輛等場景元素進行替換、刪除、增補，創(chuàng)造更加多樣的現(xiàn)實場景。

基于強大的生成和編輯能力，“開悟”世界模型可以精準模擬方向盤、剎車和油門控制，帶來如同在真實的街道場景中玩“極品飛車”的效果，讓機器在現(xiàn)實世界中自由探索。

“極品飛車”啥效果，來這里看看：商湯董事長兼CEO徐立：人工智能的十年演進 | WAIC 2025主論壇

到了具身世界，發(fā)揮空間則更大。

相較于智能汽車，機器人適用和覆蓋的場景更加廣泛，能夠通過主動探索生成更多高質量的現(xiàn)實世界數(shù)據(jù)，在具身智能數(shù)據(jù)匱乏的當前環(huán)境下，可通過構建面向人、物、場的4D真實世界，突破模型泛化能力的邊界。

具身世界模型讓用戶僅需要輸入簡單的提示詞，就能自主進行位姿、動作骨架和指令的生成，讓機器人動作更合理。

給出“在廚房區(qū)域的架子上找東西”指令，具身世界模型可以準確生成相應的場景視頻和機器人的連續(xù)位姿，從上圖變成下面連續(xù)的動態(tài)視頻

再來一組，還是只給出初始視角。

給出“進入娛樂室、向右轉，然后打開通往院子的門”指令，具身世界模型不僅可以進行連續(xù)位姿生成，還支持多角度查看，并保持高度的時空一致性

給出“生成一段切黃瓜的機器人視頻”指令，具身世界模型可準確生成動作骨架，隨后輸出具身第一視角、第三視角4D世界視角等多種視角的視頻。

給出“生成一段白天公園里機器人跳躍的視頻”指令，具身世界模型同樣可以模擬生成符合3D關系的4D世界的真實視頻。

即便是不同相機位姿視角的視頻生成，具身世界模型也能輕松拿捏，來看下具身世界模型生成的多視角視頻

商湯“悟能”具身智能平臺正在實質性打破虛實界限，構建AI與物理世界交互的高效通路。

未來，商湯科技希望助力賦能具身智能企業(yè)實現(xiàn)感知、理解與生成能力的躍遷，將具身交互的不確定性挑戰(zhàn)轉化為產(chǎn)業(yè)升級的確定性路徑，推動AI向下一個十年加速進化。