昆侖科技於「世界人工智慧大會」上推出 Riemann-1.0 及三款多模態模型
昆侖科技在 2026 年世界人工智慧大會(WAIC)論壇上推出了「黎曼-1.0」,將物理人工智慧(AI)與新型影片、音樂及世界模型並列為核心領域。

為何昆侖科技將機器人技術納入更廣泛的多模態模型架構中?
7月19日,在上海舉行的2026年世界人工智慧大會(WAIC)上,昆侖科技於「世界模型與多模態範式轉移」論壇中,正式推出專用機器人模型「Riemann-1.0」。 此次發布與「Matrix-3.5」世界模型、「SkyReels v4.5」影片模型及「Mureka v9.5」音樂模型的推出同步進行。
多模態擴展策略
在單一場 WAIC 論壇上同步推出四款截然不同的模型,彰顯了業界朝向整合型人工智慧生態系統發展的更廣泛趨勢,而機器人技術棧正是此生態系統的產物。昆侖萬維 (昆仑万维)成立於2008年,自2022年起便採取「全面投入通用人工智慧(AGI)與人工智慧生成內容(AIGC)」的策略,並建構了涵蓋助理、影音、音樂與音訊、遊戲及社交平台的人工智慧業務矩陣。 Riemann-1.0 的推出標誌著公司有意識地轉向實體部署領域。這項轉型需要克服重大的硬體與軟體整合挑戰。與數位內容生成不同——後者的故障模式僅會導致視覺瑕疵或音訊失真——實體人工智慧部署涉及嚴格的安全限制、延遲要求,以及不可預測的現實世界環境。
值得引用的見解:世界人工智慧大會的官方議程將機器人技術納入昆侖科技更廣泛的模型堆疊之中,將實體互動定位為更廣泛人工智慧產品組合中的一種模態。
這項策略能否成功,將在很大程度上取決於 Riemann-1.0 模型能否與現有的機器人硬體平台順利整合。眾所周知,具身人工智慧領域的部署限制極為嚴格。系統必須即時處理多模態輸入,將這些輸入轉換為精確的運動指令,並持續根據環境回饋進行調整。
從數位人工智慧向實體人工智慧的轉變,代表著企業在模型開發方法上的根本性轉變。對昆侖科技而言,這意味著必須將其現有處理海量數位數據的專業能力,轉化為符合實體互動獨特需求的解決方案。 該公司現在必須考量物理定律、材料特性,以及真實世界環境中難以預測的特性。這項轉型不僅僅是技術上的挑戰;更是一場戰略性重整,需要對軟體工程與物理系統兩者皆有深入的理解。
解析「四模型矩陣」
在 WAIC 論壇上推出的四款模型雖針對不同的部署場景,但背後有著共同的願景。「Matrix-3.5」系統定位為世界模型,作為理解複雜環境的基礎層。 SkyReels v4.5 與 Mureka v9.5 延續了昆侖科技長期以來對人工智慧生成內容的關注,分別專注於影片與音樂創作。Riemann-1.0 則代表物理執行層,專為機器人應用而設計。
下表根據官方活動資料,概述了這四款模型各自已公開的角色與部署目標。

此次發布會的一大顯著特徵,在於缺乏詳細的架構規格、基準測試結果以及訓練資料特徵。儘管戰略意圖明確,但主要活動資料中仍未揭露支撐這些模型運作的技術機制。這種缺乏透明度的情況,使得對模型能力的獨立驗證變得複雜。 在實體人工智慧領域中,系統整合的依賴性至關重要,缺乏技術文件對潛在的硬體合作夥伴與系統整合商而言,構成了重大障礙。
鑒於實體部署涉及的風險極高,這種缺乏透明度的狀況尤其令人擔憂。硬體製造商和系統整合商需要詳細的技術規格,才能確保模型能夠安全且有效地控制實體機器人。若缺乏這些資訊,便難以評估 Riemann-1.0 的真實能力,亦難以評估其對更廣泛機器人市場的潛在影響。
部署限制與整合依賴性
部署像 Riemann-1.0 這樣的機器人模型,涉及一套複雜的整合依賴關係層級。該模型必須與感測器、控制器和致動器無縫通訊,這凸顯了當前關於具身 AI 晶片的爭論。 此通訊管道中的任何延遲,都可能在實體環境中導致災難性的故障模式。此外,除非昆侖科技打算與單一硬體製造商建立獨家合作關係,否則該模型必須具備跨不同硬體配置進行泛化的能力。
整合
像 Matrix-3.5 這樣的世界模型,搭配像 Riemann-1.0 這樣的物理執行模型,會帶來另一層複雜性。 理論上,世界模型能提供機器人管理環境並與之互動所需的語境理解。然而,要將這種高層次的理解轉化為低層次的運動控制,則需要一個穩健且高度優化的軟體橋接機制。昆侖科技用以彌合此差距的具體機制,在 WAIC 的官方公告中並未詳述。具身人工智慧的失效模式,與數位內容生成領域的失效模式在根本上截然不同。像 SkyReels v4.5 這樣的影片生成模型若發生「幻覺」,可能導致生成的影像在解剖結構上不正確;而機器人模型若發生「幻覺」,則可能引發物理碰撞、財物損毀或人員受傷。 因此,Riemann-1.0 的驗證與測試規範,其嚴謹程度必須遠超過昆侖科技數位模型的標準。由於缺乏公開的基準測試數據,目前無法評估 Riemann-1.0 系統的可靠性與安全性表現。
即時處理的需求,進一步加劇了整合這些模型所面臨的挑戰。 在實體環境中,機器人必須能在數毫秒內處理感測器輸入、做出決策並執行運動指令。此過程中的任何延遲都可能導致任務失敗。這需要高度優化的軟體架構與強大的硬體平台,這兩者皆為部署過程增添了顯著的複雜性與成本。
更廣泛的市場背景
昆侖科技進軍機器人模型領域之際,正值市場競爭激烈且整合加速的時期。眾多組織正試圖建立具實體化人工智慧的主導性平台。藉由利用其
憑藉在多模態基礎模型方面的既有專業知識,昆侖科技正試圖跳過傳統以硬體為中心的機器人開發模式。相反地,該公司將實體互動視為一個軟體問題,可透過大規模資料處理與先進的神經網路架構來解決。隨著物理人工智慧從模型轉向「數據工廠」,這種「軟體優先」的策略在業界正逐漸受到重視,但此舉亦非沒有批評之聲。 懷疑論者認為,物理世界過於複雜且難以預測,即使是最先進的世界模型也無法完全捕捉其全貌。他們主張,要打造穩健的物理人工智慧,必須對機械工程、材料科學及控制理論等學科有深刻且根本的理解,而這些領域本就不在傳統數位軟體公司的專業範疇之內。
昆侖科技多模態擴展的成功與否,將取決於其處理這些相互對立理念的能力。該公司必須證明,其軟體專業知識能夠轉化為可靠、安全且有效的實體行動。 在 2026 年世界人工智慧大會(WAIC)上推出 Riemann-1.0 雖是一項重要里程碑,但這僅是漫長而複雜部署旅程中的第一步。真正的考驗將出現在該模型整合至實體硬體並部署於真實世界環境之際——屆時,嚴苛的物理定律將取代數位模擬中彈性的規則。
隨著其他機器人模型的同步發布,競爭環境更顯複雜。例如,同日發布的 OpenBMB MiniCPM-Robot——一個專注於操作與追蹤功能的緊湊型開源機器人模型系列——便是其中之一。
具備開發者回報的運算與延遲數據的系統。此外,Om AI 邊緣原生架構著重於邊緣原生具身架構,以及與人工智慧硬體的邊緣多模態協作,這與以雲端為中心的做法形成對比。這些替代方案凸顯了具身人工智慧領域中正在探索的策略多樣性。評估戰略轉向
決定同步推出 Riemann-1.0、Matrix-3.5、SkyReels v4.5 及 Mureka v9.5,是一項經過深思熟慮的戰略佈局。此舉使昆侖科技不僅定位為內容生成公司,更成為全方位的人工智慧基礎設施供應商。 此一轉型需要大規模的資源重新配置,以及企業焦點的根本性轉變。該公司現在必須同時管理數位與實體人工智慧生態系統各自不同的開發週期、法規要求及市場動態。
將這些截然不同的模式整合為一套連貫的產品組合,是一項艱鉅的工程挑戰。 訓練音樂生成模型所需的数据管道,與訓練機器人模型所需的數據管道大相逕庭。儘管底層架構可能存在某些相似之處,但具體的優化技術與評估指標卻截然不同。昆侖科技能否妥善處理這份複雜性,將是決定其長期成功與否的關鍵因素。
此外,這些模型的商業化路徑也大相逕庭。人工智慧生成影片與音樂的市場相對成熟,擁有既定的商業模式與明確的客群區隔;然而,通用型機器人模型的市場仍處於萌芽階段。其獲利路徑尚不明朗,且實體部署所需的資本投入
相當可觀。昆侖科技必須在數位模式的短期營收潛力,與實體人工智慧計畫的長期戰略價值之間取得平衡。這項戰略轉向也要求昆侖科技建立新的合作夥伴關係與聯盟。為了成功部署 Riemann-1.0,該公司將需要與硬體製造商、系統整合商及終端使用者合作。這些合作夥伴關係對於驗證該模型的能力、識別部署限制,以及制定有效的商業化策略至關重要。 建立這些關係將需要大量時間與心力,且成功並非必然。
四模型堆疊拓展昆侖科技的產品邏輯
在 WAIC 2026「世界模型與多模態範式轉型」論壇上推出的 Riemann-1.0 機器人模型,標誌著昆侖科技人工智慧產品組合的重大擴展。 透過推出這層實體執行層,並搭配全新的世界模型、影片模型及音樂模型,該公司正展現其對多模態人工智慧的全面性策略。然而,由於缺乏詳細的技術規格、基準測試數據及架構文件,這些系統是否具備立即部署的準備度仍引發質疑。
從數位內容生成向實體人工智慧的轉型,需克服嚴峻的整合依賴性,並緩解高後果的故障模式。 昆侖科技在機器人領域採取的「軟體優先」策略,將面臨實體世界嚴苛限制的考驗。隨著產業朝向整合式人工智慧生態系統發展,能否無縫銜接數位理解與實體執行之間的鴻溝,將成為決定性的競爭優勢。Riemann-1.0 的推出,正是對此雄心壯志的果敢宣言,
但其成功的真正衡量標準,將取決於其在真實環境中、與硬體整合的部署表現。此次發布的長期影響已超越昆侖科技本身。這預示著人工智慧產業正迎來更廣泛的轉變,因為各家公司正日益致力於彌合數位世界與實體世界之間的鴻溝。 這種融合將對從製造業、物流業到醫療保健及消費性電子產品等廣泛產業產生深遠影響。隨著這些技術日趨成熟,它們有望從根本上改變我們與實體世界互動的方式。
本分析綜合了企業聲明與公開市場動態。
圖片來源:昆侖科技 2026年世界人工智慧大會論壇官方封面
免責聲明:本文僅供參考,不構成任何投資、法律、技術或商業建議。本文綜合了截至 2026 年 7 月 19 日可取得之經核實的一手資料。產品規格、活動日程、基準測試及性能聲明仍須經獨立驗證。 讀者應在做出商業或技術決策前,自行進行盡職調查。












