2026世界人工智能大会（WAIC）的现场，机器人无疑是本届大会的焦点，一个颇具代表性的现象是：具身智能参展企业明显增多，一个展馆几乎全部被各类机器人企业占据。
新的变化也出现了：聚焦真实落地，行业讨论的重心从“让机器人完成动作”转向“让机器人进入真实世界”，竞争焦点从硬件本体转到模型能力。
对模型能力的考量标准，不在能否刷新排行榜，行业更多关注的是能否真正走进家庭、工厂和服务场景，解决现实世界的复杂任务。
大会期间，昆仑万维孵化的机器人公司黎曼动力正式推出面向通用具身智能的世界动作模型Riemann-1.0，在长时序操作、跨场景泛化以及真实部署等行业关键挑战上完成突破。
黎曼动力正式推出面向通用具身智能的世界动作模型Riemann-1.0
从行业视角来看，Riemann-1.0的发布回应了目前机器人迈向真实世界过程中面临的核心难题，也进一步补齐了昆仑万维AGI布局中连接数字智能与物理世界的重要一环。
01 从VLA到WAM的具身模型探索
过去几年，机器人行业把“动起来”这件事完成了，本体硬件性能突飞猛进，运动控制、灵巧手、双臂协同等能力大幅提升，机器人的身体越来越灵活。而当机器人真正走出实验室，行业很快发现，一个更大的挑战才刚刚开始。
机器人会拿起一个杯子，但不意味着它能够在不同情景下都顺利找到杯子；能够完成一次桌面整理，也不意味着面对不同家具摆放、光照变化或者障碍物时依然能够稳定执行任务。
在长流程任务中，机器人需要识别目标物品、做出动作判断、规划移动路径、预测操作后环境可能发生的变化，并根据实时反馈不断调整下一步动作。这种连续、多步骤、动态变化的任务，对机器人的“大脑”提出了远高于单一动作控制的要求。
更高的需求下，机器人模型技术路线不断演进。今年WAIC，超过200家企业围绕智身智能展开，其中模型层的发布尤其热闹，诸多企业亮出了新的探索结果。
如蚂蚁灵波推出的LingBot-VLA 2.0，探索利用一套模型驱动不同机器人完成复杂任务；大晓机器人Kairos系列聚焦端侧世界模型，核心亮点是降低实时交互中的推理延迟；银河通用等企业则尝试将VLA与世界模型结合，提升机器人连续任务执行能力。
可以看到，行业还没有形成统一的技术路线，但方向逐渐明确，相比传统VLA技术路线，世界模型重新被推向台前，更关注机器人如何理解物理世界、学习环境规律，提升跨场景泛化能力和长时序决策能力。
进一步来看，更强的模型能力需要海量的数据训练支撑。与大语言模型时代不同，语言模型可以依托海量文本快速完成训练，具身模型所需的数据必须来源于真实世界的交互，需要持续积累高质量操作数据，并建立完整的数据采集、训练和反馈体系。
因此，当前机器人模型的探索，在数据获取、架构建立、训练效果等多个层面都在寻求突破。
02 Riemann-1.0如何解决关键挑战？
此次黎曼动力发布的世界动作模型Riemann-1.0，正是围绕这些核心问题完成了提升，重点解决机器人场景泛化能力不足、长时序多步骤任务执行稳定性较弱，以及跨机器人本体知识迁移困难等挑战。
世界动作模型Riemann-1.0
首先，围绕高质量、多样化的数据需求，黎曼动力的解决方案是构建一套覆盖开放世界的具身交互数据体系。
据了解，Riemann-1.0累计训练数据超过23.2万小时，整合了20余万小时人类第一视角操作视频、1.2万小时UMI及外骨骼手套演示数据，以及2万小时机器人真实轨迹和仿真数据，覆盖41种机器人本体和数千种交互场景。
这种多源、多场景的数据结构，更接近机器人未来真实面对的开放世界，为机器人学习复杂操作和跨场景泛化提供底层支撑。
与此同时，团队建立了自动化数据处理流程，通过VLM语义校验、3D手部重建、几何动作过滤、多级语义均衡等技术，将大量无标注视频自动转换为可训练的数据，实现人类操作经验向机器人训练能力的规模化迁移。
拥有数据之后，如何让机器人真正理解世界？Riemann-1.0提出的World Action Model（WAM世界动作模型）是将机器人动作与世界变化统一建模。
具体而言，模型采用全因果动作—视频联合建模框架，在同一模型中同时学习机器人动作生成以及动作执行后环境如何变化，将机器人策略学习和世界动态建模统一到连续状态转移过程中。
此外，数据和模型架构解决了机器人学什么、怎么学的问题，而一个普遍的难题是，很多模型在实验室环境下表现优异，但一旦面对真实场景的复杂因素，性能便会明显下降。
这也是机器人行业常说的“Demo容易，落地难”，针对这一问题，Riemann-1.0设计了三阶段渐进式预训练体系，让模型能力层层递进、稳步跃迁。
第一阶段，模型利用海量无标注人类视频完成视觉动力学预训练，建立对物理世界运行规律的基础认知。
第二阶段，引入UMI演示数据、带3D手部标注的人类视频以及机器人真实轨迹数据，让模型逐步完成视觉信息与真实机器人动作之间的对齐。
第三阶段，则进一步聚焦高质量机器人轨迹数据，通过强化训练针对不同机器人本体进行适配，最终形成能够直接部署于真实机器人的控制策略。
这种渐进式训练路径，本质上是让机器人经历一个类似人类学习技能的方式，从而让模型由研究成果走向真实部署。
从公开成绩看，Riemann-1.0已经在多个国际主流机器人Benchmark中取得SOTA性能，在LIBERO标准操作评测中取得99.0%的任务成功率，在RoboTwin 2.0测试中达到94.3%。
此外，面向家庭长流程组合任务的RoboCasa-365测试，更能体现机器人进入真实环境后的挑战。
家庭场景往往包含多个连续步骤，机器人不仅需要完成抓取、移动等基础动作，还需要理解空间关系、任务顺序以及环境变化。在这一测试中，Riemann-1.0取得62.6%的任务成功率，较此前最佳结果提升8.4个百分点。
与此同时，黎曼动力基于天机双臂机器人构建了积木堆叠、衣物折叠、桌面整理、厨房收纳四类典型家居操作任务的测试显示，Riemann-1.0平均任务成功率达到85.0%，过程成功率（PSR）达到94.4%，四项任务成功率均超过80%。
真实部署能力测试结果：Riemann-1.0 vs 其他模型
03 攻坚核心技术，AGI向物理世界突围
如果将视角进一步拉高，会发现机器人行业的飞速发展，并非孤立发生。AI产业竞争必然要从数字世界逐步延伸至物理世界，机器人，正是连接数字智能与物理世界的重要载体。
这一趋势在今年WAIC上体现得尤为明显，越来越多科技企业开始围绕机器人、Physical AI展开布局，作为完善AGI能力版图的重要组成部分。
昆仑万维也在持续推进AGI战略，今年3月，昆仑万维对外升级AGI战略，提出“3+1”生态架构，即以四个SOTA级基础模型为底座，支撑三大AI原生平台，并由Skywork Super Agents作为统一的超级智能体，串联模型能力与应用生态。
这一战略更强调构建完整的AGI能力体系，让基础模型、智能体、应用平台形成协同演进，此次发布Riemann-1.0的黎曼动力是昆仑万维重磅孵化的高精尖技术企业，补充昆仑万维在机器人领域的布局。
在AI底层能力体系里，世界模型也是昆仑万维长期探索的重要方向。早在2025年，昆仑万维便推出Matrix系列世界模型，探索AI对于空间环境和动态世界的理解能力。
其中，Matrix-Zero聚焦空间智能，通过3D场景生成和可交互视频生成探索AI生成世界；随后推出的Matrix-Game系列，进一步向交互式世界生成方向发展。
今年3月，昆仑万维升级至Matrix-Game 3.0，首次系统性地将记忆问题纳入开源解决方案。从Matrix-Game 1.0实现开源空间智能大模型，到Matrix-Game 3.0、3.5持续提升实时生成、长序列记忆和高保真交互能力，昆仑万维不断推进世界模型从“生成内容”向“理解和模拟世界”演进。
在本次WAIC大会期间，昆仑万维还发布了Matrix-3.5世界模型，核心突破在于攻克世界模型长时序生成中的记忆瓶颈，并实现5B参数模型在720P分辨率下的实时生成能力。
Matrix系列是昆仑万维在数字虚拟世界的构建引擎，最新发布的黎曼动力Riemann-1.0，是将触角伸向物理现实世界 向AI物理世界迈进。
值得关注的是，相较于将机器人作为内部业务部门推进，昆仑万维选择将机器人业务由黎曼动力独立孵化。这一选择背后，体现了企业对硬科技创新的一个关键判断：任何硬核科技赛道，唯有长期垂直深耕才能构筑核心壁垒。
相比互联网产品快速迭代，机器人研发周期更长，技术链条更加复杂，需要长期的数据积累、算法优化以及真实场景验证。尤其是在世界模型领域，技术突破并非依靠短期投入即可完成，而需要持续构建数据积累、模型训练、真实部署、反馈优化的长期循环。
因此，昆仑万维构建起成熟的硬核科创孵化体系，为初创企业注入资金与产业生态支持，赋予创始团队自主决策空间。通过独立运营，黎曼动力能够拥有更加聚焦的研发方向、更稳定的资源配置以及更灵活的技术路线，持续攻坚机器人世界模型等底层核心技术。
从行业来看，无论是大模型、Agent，还是具身智能，最终考验的都是企业能否持续完成技术积累，并将创新能力转化为真实生产力。可以预见，具身模型的发展将迎来更大的想象力，机器人行业从技术探索阶段进入能力验证阶段。
声明：新浪网独家稿件，未经授权禁止转载。 -->双融配资提示：文章来自网络，不代表本站观点。
