一款能自行批改作业的机器人，是北京针对“模拟差距”问题给出的解决方案

每个致力于研究灵巧操作的机器人实验室都会遇到同样的瓶颈：在模拟环境或人类示范视频中训练出的模型，虽然在实验室里表现良好，但一旦遇到与训练数据预测略有不同的真实物体，性能就会急剧下降。 北京盛舒科技是一家以Vidu模型闻名、并获得阿里巴巴和蚂蚁集团投资的人工智能视频生成初创公司，该公司于9月10日在上海外滩峰会上公布了一项解决方案： Motus2——这是一个与清华大学联合开发的世界模型，它不仅能预测机器人的动作效果，还能评估该预测结果是否真正理想，并在机械臂开始动作之前就更新自身的策略。

该公司成立于2023年，此前主要以面向设计、广告和娱乐工作室的文本转视频生成技术而闻名， 与目前其竞争对手——那些专注于类人机器人和机器人模型的专家相比，盛树在具身人工智能领域尚属新晋者；而Motus2正是该公司最明确的押注，旨在验证其为Vidu开发的视频生成技术能否直接应用于预测机械臂在物理空间中的动作轨迹。 在针对五项操作任务（放置球体、多指操作、安装橡皮擦、拧入灯泡以及放置手机）的经过验证的真实机器人测试中， Motus2 实现了 84% 的平均成功率；该公司表示，将规划方法与基于模型的强化学习相结合的版本，在另一项基准测试中将成功率从 65% 的基线提升至 72.5%。

取代试错的闭环

大多数机器人学习系统分为两类：一类是根据给定动作预测接下来会发生什么的模型，另一类是决定采取何种动作的策略，在训练过程中由人类研究人员或固定的奖励函数将两者结合起来。Motus2 将这种划分整合为一个具有共享参数的模型，该模型执行三项

该模型依次执行各项功能：生成一个候选动作，预测该动作的物理后果，评估预测结果是否真正有助于任务的推进，然后将该评估结果反馈到其提出的下一个动作中。 盛树将由此形成的闭环称为递归自我改进，这也是该模型名称中“自进化”标签背后的机制：机器人每次遇到陌生物体时，无需每次都依赖新一轮的人工标注训练数据， Motus2 会利用自身对结果的评估作为训练信号，以此优化下一次尝试。

这种架构在商业上至关重要，因为标注过的机器人演示数据是具身人工智能开发中最昂贵的单一输入，而每个正在构建灵巧操作模型的实验室都在竞相减少系统每单位任务能力所需的数据量。Motus2的训练方法则依托于一个规模异常庞大但相对廉价的数据源： 13万小时的人类主观视角视频——这些视频是从第一人称、头戴式视角拍摄的——盛树利用这些视频对模型进行预训练，使其在接触真实机器人手臂之前，先掌握人类双手如何操纵物体。 仅凭纯人类视频数据训练的模型，在迁移到实体机器人时，任务成功率达到了51%。通过添加第二阶段训练，使模型适应机器人自身硬件的特定动力学特性， 即盛树所称的“领域适应”，将该成功率提升至84%，这一33个百分点的跃升被该公司视为证据，证明其基于人类视频的预训练确实在传递真正的操作知识，而非仅仅记忆那些无法推广到机械抓手的、仅适用于人类的动作模式。

触觉弥补了视觉无法覆盖的空白

Motus2的另一项重要新增功能是触觉感知，该功能通过轻量级的专家模块集成，而非对传感器融合进行全面重新设计，并叠加在模型现有的

基于摄像头的感知。 在依赖接触力而非视觉对齐的操作任务中，例如拧入灯泡或安装公差极小的微型部件，添加触觉反馈使成功率比仅依赖视觉的配置提高了12.5个百分点。这一提升与过去一年中更广泛的具身人工智能领域所达成的共识相一致： 仅靠视觉，机器人只能得知物体的位置；但对于需要精确力控制的操作任务——例如插接连接器、拧入紧固件——仅靠视觉的系统往往会失败，原因恰恰在于摄像头无法向控制器反馈夹爪实际施加的压力大小。 盛树将Motus2的触觉功能部署在两个灵巧手平台上：22自由度的Sharpa Wave和20自由度的WUJI Hand 2。这两款末端执行器都比目前大多数工业协作机器人上仍普遍使用的简单两或三指抓手更为复杂，这表明盛树正将Motus2定位于类人机器人领域竞相发展的、更灵活且类似人类手部的操作任务，而非现有自动化技术已能很好处理的简单取放工作。

另一项测试结果则揭示了完全不同的局限性：记忆。在执行多步骤任务时，机器人往往会遗忘先前的上下文信息——一旦初始指令与后续步骤之间间隔时间过长，机器人就会重复动作或丢失多阶段任务的执行线索。 Motus2采用的配置——盛树将其描述为“完整的历史记忆”——在专门设计用于考验长期上下文保留能力的任务中取得了57.5%的成功率。该公司将这一结果视为进展而非问题的解决， 这一结果也印证了，尽管在短任务中的操作精度不断提升，但记忆与长时限推理仍属于具身人工智能领域中较难解决的未解难题。

这为盛树在资金更充裕的竞争对手面前赢得了什么

竞争对手

盛树将Motus2定位为正朝着该公司公开提出的五级世界模型层次结构中的第三级和第四级迈进，其中最高级别代表一种通用性极强的模型，无需针对特定任务进行重新训练，即可预测和评估任意任务及具身形式下的结果。 这种表述是一种有意的定位策略：它邀请人们将其与中美两国规模更大、资金更雄厚的实验室所推崇的世界模型研究议程进行比较——这些实验室已将世界模型研究作为其具身人工智能路线图的核心， 同时，它也凭借视频生成技术的深厚积淀，为盛树在这场竞赛中的地位主张奠定了基础——若非如此，怀疑者可能会将该技术视为与机器人技术相邻而非其核心。一个主要基于人类视频数据训练的自进化世界模型，能否扩展到实际工厂或仓库现场那种更加混乱、 控制程度更低的实际工厂或仓库现场，而非盛树此前针对其发布结果的、经过精心策划的五项任务基准测试，这一问题将决定Motus2究竟能否成为其他公司类人机器人和工业机器人技术栈中的授权组件，还是仅作为一项引人注目的研究成果停留在盛树自身的演示中。

这一主张背后的学术合作

Shengshu并非独自开发了Motus2。 该模型是与清华大学合作开发的，这种合作关系对结果的权重评估至关重要：初创公司发布关于自身模型的基准数据，所受到的审查比大学附属的研究项目更为严格——后者有教师作为共同作者，其学术声誉与所报告数据的准确性息息相关。 这种学术合著关系同时也是一种人才招募和成果验证的渠道，规模较小、资金不足的实验室正越来越多地依赖它来与资金更雄厚的竞争对手抗衡——因为与大学的合作能提供研究人才和独立同行评审，而如果初创公司独自运作，则必须在内部建立这些体系，且成本要高得多

更高的成本。过去一年中，中国几项进展最迅速的“内置AI”公告都遵循了这一模式：一家商业实验室提供计算能力、数据基础设施和产品框架，搭配一家大学实验室提供基础研究的严谨性，而Motus2与这一模式极为吻合。

Shengshu发布的五项任务基准测试，其范围也比营销宣传所暗示的更为狭窄，购买者应据此审慎解读。 放置球体、安装橡皮擦和拧入灯泡虽是衡量灵巧度的有效替代指标，但与实际仓库拣选工位或处理数十种库存单位的装配线上多变的几何结构、光照条件和杂乱环境相比，仍有很大差距。 Shengshu 已明确说明，84%这一数据源自这套特定的五项任务，而非更广泛的工业基准——这种披露是恰当的，但也意味着该数值不应被解读为适用于任意任务的通用操作成功率。 该公司自有的五级世界模型框架也隐含地承认了这一点，将Motus2定位在第三至第四级，而非宣称其已达到顶级水平——即单个模型无需针对特定任务进行调优即可处理任意任务。

该模型的架构和研究论文均已公开，盛树表示技术发布时将同步提供真实机器人的演示视频——这种透明的做法让外部实验室能够尝试复现84%这一数据，而非仅凭信任接受该结果。 对于正在评估未来两年应基于哪种世界模型方法进行开发的自动化采购方或机器人平台集成商而言， Motus2在短期内的实际应用范围比其宣传头条所暗示的更为有限——这毕竟是一项研究成果发布，而非已上市的产品；而且，从13万小时的人类视频预训练数据集到可靠的工厂车间部署，这一过程仍然必须依赖于特定领域的适应性数据，而这类数据的获取成本依然高昂。

值得关注的是，该公司的下一步动向是是否会将Motus2的世界模型核心授权给正在研发类人机器人或工业机械臂的硬件合作伙伴——这一举措将表明盛树科技打算作为具身AI技术栈的基础设施供应商参与竞争，而非仅作为发布基准测试结果的研究实验室。

本分析基于盛舒科技的公开研究报告及其在2026年外滩峰会上发表的声明。本文仅供一般信息参考，不构成任何投资、财务或法律建议。

封面图片来源：盛舒科技。