一款能自行批改作業的機器人，是北京針對「模擬差距」所提出的解決方案

每個致力於發展靈巧操作技術的機器人實驗室，都會遭遇相同的瓶頸：在模擬環境或人類示範影片中訓練出的模型，雖然在實驗室中表現優異，但一旦遇到實際物體——只要其行為與訓練資料的預測稍有差異——表現便會立即下降。 北京盛舒科技——這家以 Vidu 模型聞名、並獲得阿里巴巴和螞蟻集團投資的人工智慧影片生成新創公司——於 9 月 10 日在上海外灘峰會上公布了一項解決方案： Motus2 是一款與清華大學共同開發的「世界模型」，它不僅能預測機器人的動作會產生什麼效果，還能評估該預測結果是否真正理想，並在機械臂實際動作之前就更新自身的策略。

該公司成立於2023年，迄今主要以針對設計、廣告及娛樂工作室的「文字轉影片」生成技術聞名， 相較於目前與之競爭的人形機器人及機器人模型專家，盛樹在具身人工智慧領域算是新進者，而 Motus2 正是該公司最明確的賭注——旨在驗證其為 Vidu 開發的影片生成技術，能否直接應用於預測機械手臂在實體空間中的動作發展。 在針對五項操作任務（放置球體、多指操作、裝上橡皮擦、擰入燈泡以及放置手機）進行的經實機驗證測試中， Motus2 達成了 84% 的平均成功率；該公司表示，將其規劃方法與基於模型的強化學習相結合的版本，在另一項基準測試中，將成功率從 65% 的基準值提升至 72.5%。

取代試錯法的迴圈

大多數機器人學習系統可分為兩大類：一類是根據特定動作預測接下來會發生什麼的模型，另一類則是決定應採取何種動作的獨立策略，並由人類研究人員或固定的獎勵函數在訓練過程中將兩者整合起來。Motus2 則將這兩種模式整合為一個具有共享參數的模型，該模型可執行三項

依序執行各項功能，先產生一項候選動作，預測該動作的物理後果，並評估預測結果是否確實有助於推進任務，接著將該評估結果反饋至其提出的下一項動作中。 盛樹將此結果稱為「閉環遞迴自我改進」，這正是該模型名稱中「自我演化」標籤背後的運作機制：當機器人遇到不熟悉的物體時，無需每次都仰賴新的一輪人類標註的訓練資料， Motus2 會利用自身對結果的評估作為訓練訊號，藉此優化下一次嘗試。

這種架構在商業上至關重要，因為標註過的機器人示範數據是具身人工智慧開發中最昂貴的單一輸入，而每個致力於建構靈巧操縱模型的實驗室，都在競相降低系統每單位任務能力所需的數據量。Motus2 的訓練方法則倚重一個規模異常龐大但相對廉價的數據來源： 130,000 小時的人類第一人稱視角影片——這些從頭戴式裝置的第一人稱視角拍攝的影像，被盛樹用來預先訓練模型，使其在接觸真實機器人手臂之前，便能掌握人類雙手操縱物體的方式。 若單獨考量，僅憑該人類影片資料訓練出的模型，在轉移至實體機器人時，任務成功率可達 51%。透過增加第二階段訓練，使模型適應機器人自身硬體的特定動力學特性， 即盛樹所稱的「領域適應」，將成功率提升至84%，這33個百分點的躍升，被該公司視為證據，證明其人類影片預訓練確實轉移了真實的操作知識，而非僅是死記硬背那些無法推廣至機械夾爪的人類專屬動作模式。

觸覺彌合了視覺無法彌合的差距

Motus2 的另一項重要增益是觸覺感測，其透過輕量級專家模組整合，而非完全重新設計感測器融合系統，並疊加於模型現有的

基於攝影機的感知。 在依賴接觸力而非視覺對齊的操作任務中，例如旋入燈泡或安裝公差極小的微型元件，加入觸覺回饋使成功率較僅靠視覺的配置提高了 12.5 個百分點。這項提升與過去一年來更廣泛的「具身人工智慧（embodied AI）」領域所達成的共識相符： 僅靠視覺雖能讓機器人掌握物體的位置，但那些需要精確力控制的操作任務——例如插接連接器、旋入緊固件——往往會在僅靠視覺的系統上失敗，原因正是相機無法向控制器傳達夾爪實際施加的壓力大小。 盛樹將 Motus2 的觸覺功能部署於兩款靈巧手平台：具備 22 自由度的 Sharpa Wave 以及 20 自由度的 WUJI Hand 2。這兩款終端執行器相較於目前大多數工業協作機器人上仍常見的簡單兩或三指夾爪——這類夾爪在大多數工業協作機器人上仍很常見——這表明盛樹正將 Motus2 定位於類人型機器人領域正競相追求的、更靈巧且類人手的操作任務，而非現有自動化系統已能妥善處理的簡單取放工作。

另一項測試結果則揭示了完全不同的限制：記憶力。執行多步驟任務的機器人往往會遺忘先前的上下文，一旦初始指令與後續步驟之間間隔時間過長，便會重複動作或失去多階段任務的脈絡。 Motus2 採用了盛樹所描述的「完整歷史記憶」配置，在專門設計用於測試長期情境保留能力的任務中，成功率達 57.5%；該公司將此結果視為進展而非問題已解決， 且這項成果也印證了，即使在處理較短任務時的操作精準度不斷提升，記憶與長時程推理仍屬具身人工智慧領域中較難解決的未解難題之一。

這為盛樹在面對資金更充裕的競爭對手時帶來了什麼優勢

競爭對手

盛樹將 Motus2 定位為正朝該公司公開闡述的五級世界模型層級中的第三級與第四級邁進，其中最高級別代表一種通用性足夠高的模型，無需針對特定任務進行重新訓練，即可預測並評估任意任務與化身形態下的結果。 這種框架設定是一項刻意策劃的定位策略：它邀請外界將其與中美兩地規模更大、資金更雄厚的實驗室所推動的世界模型研究議程進行比較——這些議程已被列為其具身人工智慧路線圖的核心， 同時也藉此鞏固盛樹在該競賽中的地位——其優勢在於影片生成技術的背景，而懷疑論者原本可能會將此背景視為與機器人學「相鄰」而非其「核心」。關鍵問題在於，一個主要基於人類影片數據訓練的自進化世界模型，能否擴展至實際工廠或倉庫現場那些更混亂、 且較難控制的實際工廠或倉庫環境中進行擴展，而非僅限於盛樹曾發表成果的、經過精心策劃的五項任務基準測試，這將決定 Motus2 究竟能否成為其他公司人形機器人及工業機器人技術堆疊中的授權元件，抑或僅止於盛樹自身展示中的引人注目研究成果。

主張背後的學術合作

Shengshu 並非獨自開發 Motus2。 該模型是與清華大學合作開發的成果，這種合作關係對於如何評估研究結果至關重要：一家新創公司發布關於自身模型的基準測試數據，所受到的審視程度，遠高於一項由大學附屬研究團隊進行、且共同作者為教職員的研究——因為後者的學術聲譽與所報告數據的準確性息息相關。 這種學術共同作者關係，同時也是一種招募與驗證管道，規模較小、資金較少的實驗室越來越依賴此管道來與資金更充裕的競爭對手抗衡；因為大學合作關係能提供研究人才與獨立的同儕審查，而若新創公司單獨運作，則必須在內部耗費遠

更高的成本。過去一年來，中國幾項進展最迅速的「內嵌式人工智慧」公告皆遵循相同的模式：由商業實驗室提供運算能力、數據基礎設施及產品架構，搭配大學實驗室提供基礎研究的嚴謹性，而 Motus2 則與此模式極為吻合。

Shengshu 發布的五項任務基準測試，其範圍也比行銷敘事所暗示的更為狹窄，買家應據此審慎解讀。 放置球體、裝上橡皮擦以及擰緊燈泡，雖是測試靈巧度的有用指標，但與實際倉庫揀選站或處理數十種存貨單位（SKU）的組裝線所面臨的多變幾何結構、照明條件及雜亂環境相比，仍有很大差距。 Shengshu 已明確說明，該 84% 的數據源自這組特定的五項任務，而非更廣泛的工業基準測試；這雖是應有的揭露，但也意味著此數值不應被解讀為適用於任意任務的一般性操作成功率。 該公司自有的五級世界模型框架也隱晦地承認了這一點，將 Motus2 歸類於第三至第四級，而非宣稱其已達到頂級水平——即單一模型無需針對特定任務進行調校即可處理任意任務。

該模型的架構與研究論文均已公開，盛樹亦表示技術發布時將同步提供真實機器人的示範影片；這種透明度選擇，讓外部實驗室能嘗試重現 84% 的成功率，而非僅憑信賴接受該數據。 對於正在評估未來兩年應基於何種世界模型方法進行開發的自動化採購方或機器人平台整合商而言， Motus2 在短期內的實際應用範圍，比其頭條宣稱的更為狹窄——這僅是一項研究成果發布，而非上市產品；而且，從 13 萬小時的人類影片預訓練資料集，到能可靠部署於工廠車間的過程，仍必須仰賴那種至今仍成本高昂的特定領域適應性資料。

值得關注的是，該公司接下來的動向在於，是否會將 Motus2 的世界模型核心授權給正在開發人形機器人或工業機械臂的硬體合作夥伴——此舉將表明盛樹科技意圖以「具身人工智慧」技術棧基礎設施供應商的身份參與競爭，而非僅止於作為發布基準測試結果的研究實驗室。

本分析基於盛舒科技的公開研究成果及在 2026 年外灘峰會上的發言。本文僅供一般資訊參考，並不構成投資、財務或法律建議。

首圖來源：盛樹科技。