机器之心发布

论文地址:https://www.techrxiv.org/doi/full/10.36227/techrxiv.176153394.41323502开源主页:https://dexforce.com/embodichain/index.html#/代码仓库:https://github.com/DexForce/EmbodiChain技术文档:https://dexforce.github.io/EmbodiChain/introduction.html

大语言模型的爆发，让大家见证了 Scaling Law 的威力：只要数据够多、算力够猛，智能似乎就会自动涌现。但在机器人领域，这个公式似乎失效了。

在 LLM 时代，数据是「存量」，我们只需要负责「清洗」；在具身智能时代，数据必须是「增量」，我们必须具备「创造」数据的能力。

不同于互联网上唾手可得的万亿级文本，机器人所需的、经过 3D 标定且符合物理规律的高质量交互数据，极度稀缺且昂贵。正因如此，数据采集范式成为了近年来行业研究的绝对焦点。

可以看到，整个行业正在向着更低成本、更便捷的方向全速推进：从昂贵的遥操设备，到基于动捕手套的灵巧手捕捉和更加便携式的夹爪方案，再到如今甚至不再需要佩戴手套、仅凭双手演示即可采集数据的创新方案。这些轻量化的数采范式正在将人类的经验数字化，这一路径不仅充满价值，更值得持续深耕，它是连接人类技能与机器人动作的桥梁。

整个行业在将具身智能推向大模型时代的这个目标上狂奔。

但是，即使是最极致的采集效率，客观上仍受限于物理时间的流逝和人力成本的边界。当下没有任何现有的物理采集范式，能匹配 LLM 训练所需的「互联网级」规模。这成为了具身智能迈向更高阶智能的最大桎梏。

效率定律

效率定律 (Efficiency Law) 下模型性能与数据生成速率的关系

要跨越这个鸿沟，除了物理采集的持续精进，另一种极具潜力的解决方式，就是构建一个能够超高速、自动化生成物理现实的数字世界（跨维智能团队在《GS-World》中详述了这一路径）。

在这个基于物理引擎的生成式世界中，数据的生成速率超越了时间的限制（Efficiency Law）；机器人可以在零成本的试错中习得对物理因果的深刻理解；所有的边缘情况（Corner Cases）都可以在这里被模拟、被攻克。

GS-World 与 EmbodiChain

今天，跨维智能正式开源 EmbodiChain。作为通往GS-World（基于生成式仿真的世界模型）的基石，EmbodiChain 不仅仅是一个数据和模型平台，更是一次对具身智能学习范式的重构。

跨维团队提出并验证一个大胆的假设：仅凭 100% 的生成式仿真数据，只要生成速率（Rate of Generation）突破临界点，机器人就能在真实世界中涌现出超越 SOTA 的泛化能力。

这不是科幻，这就是跨维正在验证的效率定律（Efficiency Law）。

然而，要将 GS-World 从蓝图变为现实，绝非易事。跨维研究团队必须面对并攻克三个核心科学难题，这也是 EmbodiChain 致力于解决的关键：

如何实现数据生产自动化？真实世界极其复杂，如何仅凭少量先验（如一段视频、一句描述），就在数字世界中自动重建、生成海量且物理一致的场景与任务，而无需人工手动搭建？如何打破「虚实鸿沟」（Sim2Real Gap）？仿真数据再多，如果不能迁移到真机也是徒劳。如何在不依赖或尽量少依赖真实数据微调的情况下，让模型习得适应真实世界噪声与动态变化的鲁棒策略？如何突破数据生成的「IO 墙」？Scaling 需要亿级甚至十亿级的交互步数。传统的「生成 - 存储 - 读取 - 训练」模式效率极低。如何构建极致高效的数据流转机制，实现「在线数据流」？

EmbodiChain：一条永不停歇的「在线数据流和模型生产线」

为了实现这一愿景，跨维智能构建了GS-World（Generative Simulation World Model，生成式仿真世界模型）的核心基石 ——EmbodiChain。

EmbodiChain 作为一个底层的基建技术，可以把它看作去存储化的数字化流水线。Scaling 需要亿级甚至十亿级的交互步数，传统的「生成 - 存储 - 读取 - 训练」模式在面对海量 3D 数据时，存储与传输将成为不可承受之重。

在 EmbodiChain 的架构中，可以彻底抛弃「先存硬盘、再读硬盘」的陈旧范式，取而代之的是在线数据流（online Data Streaming）和模型自动生产线。

EmbodiChain 的核心工作流。数据在生成的同时即被消费，橘色的数据流贯穿全场，无需落地存储。

这条流水线是如何工作的？

世界生成（Generative Simulation）：引擎不仅是环境，更是造物主。Real2Sim 模块从极少的真实样本中提取物理先验，Gen2Sim 模块则响应语言指令，自动构建出符合牛顿力学等物理规律的 3D 场景与资产。数据扩增（Data Scaling）：数据不仅要多，还要「难」。系统自动进行视觉增强、物理参数随机化，并剔除那些机器人「够不着」的无效采样。自我修复（Closed-loop Recovery）：真正的智能来自于从错误中学习。当仿真中的机器人抓取失败，系统会自动生成修正轨迹。这种「失败 - 修正」的闭环，比单纯的成功演示更有价值。

这一切都在 GPU 内部并行高速运转，数据如洪流般产生，训练完即销毁，不留下一丝冗余，只留下模型能力的增长。

路线之争：机器人需要的是物理精确的生成式模型

在通往具身智能世界模型的路上，目前存在两条截然不同的路线。

一条是近期火热的视频生成路线（Video World Model），如 Sora 或 LTX-Video，它们试图通过「画出」下一帧来模拟世界。虽然视觉效果惊艳，但一些对比实验揭示了其致命弱点：幻觉。

视频模型生成的画面往往缺乏长程的时空一致性，且很难精确遵循动力学方程。用这种「做梦」产生的数据训练机器人，就像让一个飞行员在爱丽丝的仙境中学习开飞机 —— 看着很美，一上真机就坠毁。

相反，EmbodiChain 选择的是GS-World 路线（基于生成式仿真的世界模型）。

物理先验（Physical Priors）：跨维智能坚持世界模型必须是 3D 的、交互式的、物理严谨的。特权信息（Privileged Information）：在 EmbodiChain 中，使用者拥有上帝视角。比如使用者能够获取物体的精确掩码、空间关系和可供性（Affordance）。通过训练模型预测这些真实世界中不可见的「特权信息」，迫使模型理解了场景背后的几何本质，而不仅仅是表面的像素。

这正是 Yann LeCun 所倡导的理念：世界模型应该是对世界状态的预测与规划。

EmbodiChain中可以获取的特权信息示例

零真实数据，VLA 真的可行吗？

为了验证这套「效率定律」，跨维智能做了一件极端的测试：不使用任何真实数据训练模型。

跨维智能训练出的 Sim2Real-VLA 模型，在真实世界中执行任务。结果令人惊讶：

远超基线：在没有任何真实数据微调的情况下，它在操作成功率上大幅领先 ACT、Diffusion Policy 等主流方法。无惧干扰：即使跨维智能像「捣乱者」一样更换桌布、移动物体、改变光照，模型依然稳如泰山。甚至在某些任务中，由于去除了真实数据中容易过拟合的背景噪声，模型的表现反而比用真实数据训练还要好。

Sim2Real-VLA 在全生成数据训练下，不仅击败了 SOTA，更展现了惊人的鲁棒性。

愿景：通往 GS-World 的「效率奇点」

EmbodiChain 的开源，只是一个开始。

GS-World 蓝图远不止于此。在跨维智能的规划中，这是一个引擎驱动的闭环路径（Engine-driven Loop）：

不仅环境是生成的，任务也是生成的；不仅策略是进化的，机器人的身体结构（Morphology）也会随着任务需求协同进化。

跨维智能希望 EmbodiChain 能成为每一位具身智能研究者的基础设施。不需要再为了几千条数据而在实验室里没日没夜地遥操作，不需要再为几十 TB 的硬盘存储发愁。

因为智能的未来，不应该被困在数据的匮乏中。

EmbodiChain 现已开源，邀请你一起见证具身智能的「效率奇点」。

文中视频链接：https://mp.weixin.qq.com/s/IGe1myOEmAW7JOrQyBLhBA