币安交易所官网

过去两年，大模型赛道最热闹的战场集中在语言和多模态领域。从ChatGPT到视频生成模型，行业关注的焦点始终围绕“理解世界”。而到了2026年，一个越来越明显的变化正在出现——资本和技术资源开始向“进入世界”转移。

越疆最新发布的世界动作模型空弈DobotWAM，正是这一趋势下的产物。

根据官方披露的数据，DobotWAM在具身智能领域广泛采用的LIBERO标准测试集上完成了libero-spatial、libero-object、libero-goal和libero-10四项核心任务评测，平均成功率达到99.25%。这些测试覆盖空间关系理解、目标指令执行、物体泛化以及长序列任务规划等能力，本质上是在考察机器人能否像人一样完成从理解到行动的完整闭环。

相比传统工业机器人时代，这其实是一种完全不同的技术逻辑。

过去二十年，工业机器人更多依赖预设程序运行。机械臂能够高精度完成焊接、搬运、组装，但前提是环境足够确定。一旦工件位置发生变化，或者任务流程出现调整，就需要重新编程和调试。

问题在于，现实世界从来不是标准化流水线。

家庭服务、物流分拣、零售补货、实验室自动化，这些场景都充满随机性。机器人不仅要看见物体，更要理解任务意图，并在执行过程中不断调整动作策略。这也是为什么具身智能被认为是人工智能迈向物理世界的重要一步。

从技术架构看，当前行业正在经历从“机器人控制系统”向“机器人基础模型”的转变。

这与大语言模型的发展路径颇为相似。过去每一个机器人任务都需要单独训练和适配，如今越来越多企业尝试构建统一的动作模型，通过海量数据训练形成通用能力，再将其迁移到不同机器人平台和场景。

英伟达推出Isaac平台、特斯拉持续推进Optimus计划、Figure与OpenAI合作开发机器人系统，本质上都在押注同一个方向：未来机器人竞争的核心，不再是机械结构，而是智能系统。

越疆此次强调的“世界动作模型”概念，也反映出行业思路正在变化。

单纯的视觉识别已经不足以支撑复杂任务执行。机器人需要同时建立环境认知、动作规划、任务拆解和实时反馈能力。换句话说，一个真正成熟的具身模型，需要同时具备“大脑”和“小脑”的功能。

当然，实验室成绩与商业落地之间依然存在距离。

LIBERO等标准测试更多用于衡量模型泛化能力和任务完成率，而现实工厂、仓库和家庭环境往往更加复杂。光照变化、物体遮挡、传感器误差以及机械磨损，都可能导致模型表现出现偏差。因此，评测成绩刷新纪录只是第一步，持续稳定运行才是真正的商业门槛。

不过，从产业发展的角度看，具身智能已经进入新的加速阶段。

一方面，大模型技术降低了机器人获取通用能力的成本；另一方面，制造业自动化升级和劳动力结构变化正在创造真实需求。尤其是在中国，拥有全球最完整的机器人产业链和制造场景，这为具身模型训练提供了天然优势。

过去几年，机器人企业更多比拼硬件参数和运动控制能力。如今，竞争正在向数据、模型和智能体生态延伸。谁能率先建立大规模动作数据飞轮，谁就有机会在下一轮机器人产业升级中占据主动权。

越疆此次发布DobotWAM，意义或许不只是一次模型更新。它释放出的信号是，具身智能的竞争已经从机械臂本身，逐渐转向机器人的“认知系统”。而这场关于动作智能的竞赛，才刚刚开始。