Paper Morning 2026-07-08

各位早上好，今天Paper Morning来聊几篇关于世界模型的新工作。 先说第一篇，RynnWorld-Teleop，提出一个很有野心的概念叫“数字遥操作”。我们知道机器人学习现在最大的瓶颈就是数据，需要大量真实的示范轨迹，但靠人一件一件去操作机器人收集数据实在太慢了。这篇工作的思路很有意思：用一个生成式的世界模型来替代真实机器人，操作员的动作不再直接控制真实机器人，而是驱动这个虚拟世界模型，生成第一人称视角的高保真视频。这样记录下来的动作信号就变成了“ embodiment-agnostic”的——它不绑定任何特定机器人，可以迁移到任何目标机械臂上。它的核心贡献是证明了可以通过世界模型来解耦数据收集和物理硬件的约束，这对扩大数据规模是个很实际的思路。但我们也要看到，这里生成的视频质量决定了数据的可用性，如果世界模型本身有幻觉或物理不合理的地方，学出的策略可能也会有问题。 第二篇 RynnWorld-4D 紧接着回答了一个问题：世界模型应该预测什么来表示未来？他们认为仅靠RGB视频是不够的，RGB、深度、光流三者的同步预测，也就是RGB-DF，才能捕捉场景的4D动态。深度信息提供了几何结构，光流编码了运动信息，这两者结合使得预测的表征更接近底层物理，也更接近机器人实际需要的低层级动作空间。这个洞察是合理的——之前很多世界模型停留在“看起来像”的层面，而这篇工作试图让预测结果在物理上更可执行。不过它也引入了一个实际问题：RGB-DF的多模态监督如何有效融合，训练复杂度会不会成为瓶颈。 第三篇 AlayaWorld 则是把世界模型推向了一个更有趣的方向——可玩性。它不再只做预测，而是生成能够交互的“游戏世界”。训练数据来自游戏录制和真实视频的混合，模型根据当前状态和用户输入自回归地生成下一帧，本质上是用视频生成的方式实现了动态环境的实时创建。这让我想到一个cross-domain的联想：如果说传统科学计算是在求解已知物理方程，那AlayaWorld这类工作其实是在用learning的方式“隐式求解”一个动态系统。当我们可以生成无限多样的交互环境时，RL的训练数据问题也就能得到缓解。这和AI4S中用神经网络替代传统数值求解器的思路是相通的——都是在用学习绕过显式建模的困难。 今天的这三篇工作其实都指向同一个趋势：世界模型正在从“预测未来”走向“生成可控的未来”。无论是数字遥操作、多模态预测还是可玩世界，本质上都是在扩展我们能够低成本获取物理交互数据的能力。这种数据获取能力的提升，或许会催生机器人智能的scaling law——当数据不再是瓶颈，模型架构和训练方法的重要性就会更加凸显。这对AI4S领域的启示是：物理模拟和数据生成正在成为基础设施，谁能更好地用learning方式低成本产出高质量物理数据，谁就占据了下一阶段的主动权。早上好，各位。