对话大晓机器人：世界模型上真机，商业化先过三道关

21世纪经济报道记者 雷晨 北京报道

2026世界机器人大会（WRC）在北京举办期间，大晓机器人开悟世界模型研发负责人王飞、研发副总裁刘春晓接受21世纪经济报道等媒体采访，回应了世界模型的数据规模、端侧推理速度、商业化落地进展等问题。

这是大晓机器人首次参加WRC，现场展出了开悟世界模型3.1（Kairos 3.1）、环境式数据采集方案2.0，以及面向即时零售、酒店服务和开放场景的三套行业方案——晓满、晓新、晓途。

受访者认为，世界模型要出现明显的能力涌现，人类第一视角数据可能需要接近千万小时级别。而从技术演示走向真实的商业闭环，必须先过三道关：场景泛化、持续作业和规模化。公司计划今年下半年先完成百万级数据储备。

（图为大晓机器人展台）

数据储备瞄准千万小时级

关于世界模型要解决什么问题，王飞表示：“给定当前看到了什么，以及接下来准备做什么，去推演未来可能发生什么。”

简单说，大语言模型和VLA（视觉语言动作模型）预测的是下一个词（next token），而世界模型预测的是下一个世界状态（next state）。

这样一来，机器人在行动前就能先在脑海里推演多种可能，判断每个动作会带来什么结果，然后挑成功概率最高的方案去执行。

开悟3.1采用理解、生成、预测一体化的架构。视觉图像、文本指令、力触感知、本体运动轨迹等多类信息，通过混合Transformer和共享注意力机制，被压缩进同一个隐空间里进行端到端联合训练。

去年12月，大晓机器人首次提出这一架构；今年3月，英伟达在GTC大会上发布的Cosmos 3也走了同样的方向。王飞认为，这说明行业趋势正在从传统的VLA走向世界模型，底层逻辑从预测下一个词转向预测下一个状态。

与VLA的核心差别在于平行推演。VLA拿到图片和指令后直接输出动作轨迹；世界模型则会同时生成多条候选轨迹，并附带每条轨迹对应的未来5到10秒视频。比如开冰箱门，模型会生成3到5种抓取方式，并在虚拟空间里预演每种方式的效果，再通过评估器打分排序——就算用一种别扭的姿势也能打开门，但代价高、效率低，就不会被选中。

推理速度决定了世界模型能不能真正控制实体机器人。王飞透露，Kairos 3.1是80亿参数（8B）的模型，在英伟达Jetson Thor芯片、BF16精度下，单次推理延迟为百毫秒级。作为对比，π0.5模型约33亿参数，延迟也在百毫秒级；而Cosmos 3 Nano有160亿参数，延迟达到千毫秒级。实时性主要靠自研的KairosRT高性能计算引擎，通过线性注意力、混合精度量化和多流水线并行等技术压缩耗时。

王飞认为，百毫秒级延迟是实现流畅移动、动态避障和精细操作的重要门槛。“如果延迟太高，就会直接影响机器人对环境变化的响应速度，也会影响商业化场景的节拍和成本。”

而要真正训练出这样的模型，关键是数据。

大晓提出三层数据范式：第一层是开放物理世界的视频，从海量真实影像里学习自然规律和运动规律；第二层是以人为中心的第一视角交互数据（即人类自己看到的画面和操作过程）；第三层是机器人真机数据，用相对少量真实操作数据，让模型对齐到具体硬件上。Kairos 3.1的训练规模明显扩大：视频数据从约100万条增加到400万条，语言Token规模从约2万亿增至10万亿，场景标签从约1000个扩展到1万个。

近期，海外公司Dyna Robotics用百万小时级真人第一视角数据训练模型，在精度和能力涌现上都有明显提升，业内再次热议这类数据是否也能形成规模法则（Scaling Law）。

对此，王飞表示，大晓的三层范式框架不会变，变化在于各层数据的比例。他判断：“世界模型要出现比较明显的能力涌现，可能不止需要百万小时级数据，甚至可能接近千万小时级。未来一两年，以人为中心的数据占比会显著提高。”

王飞透露，公司从今年下半年开始进行百万级数据规模储备，未来继续向千万级推进，希望通过更大规模的数据和更好的模型，尽快推动具身智能迎来类似ChatGPT时刻的能力跃迁。

产业合作方面，算力侧，大晓与壁仞、沐曦、曙光、辉羲等国产芯片企业做适配优化；本体侧与宇树、智元、众擎、银河通用等厂商合作，用世界模型适配不同硬件。

下一步，公司计划把80亿参数的模型轻量化到20亿参数级别，部署到Jetson Thor、Orin及国产芯片上，同时也向更大参数规模拓展，并打通真机数据闭环，让真实交互数据持续回流，驱动模型迭代。

商业化落地三道关

除了技术，团队还详细介绍了商业化进展。刘春晓透露，公司在WAIC 2026期间发布了晓满、晓新、晓途三套行业方案，分别对应即时零售、酒店服务和开放场景自主作业。“我们认为这几个场景里，行业需求和当前技术能力已经形成了比较好的匹配。”

但真实业务中有更棘手的问题——长期作业一定会遇到意外情况（corner case）和单次执行失败，所以方案必须有自我恢复能力。刘春晓说： “这种状态判断、自我纠错和恢复能力，是机器人真正进入无人化长期运营必须具备的能力。”

他进一步指出，大多数演示（Demo）都是在受控环境里、针对有限物体展示最理想状态，但真正落地至少要过三关：  

第一，场景泛化。不同便利店的布局、货品和操作要求都不同，模型要能适应变化；  

第二，持续作业能力。真实业务要把下单、拣选、打包、交付整个流程闭环起来，远不止抓一下、放一下这种单点动作；  

第三，规模化能力。单店、单台机器人表现好不够，推广到多店、多台后，系统一致性必须保持。

具体怎么纠错？他给出的答案是平行推演加反思：“执行前，模型会基于当前观测在平行空间里比较不同策略，选择行动代价更小、预期收益更高的方案；执行之后，如果真实结果和预期不一致，失败数据会及时回到模型更新状态。

下一次推演时，模型首先要知道‘我刚才失败了’，还要知道失败发生在哪里、应该怎样规避，再调整下一步策略。对于大规模真实落地来说，这种持续纠错和恢复能力是必须解决的问题。”

数据配比方面，刘春晓介绍，公司先训练基模（基础模型），落到即时零售、酒店等具体行业后，再用几百到几千小时的行业数据做适配。基模训练遵循三层数据范式，目前仿真合成数据用得不多。

他认为，人类第一视角数据更容易大规模获取，未来会成为训练主力，用这些数据训练基模，是让模型从人的行为中学到人为什么会这样与环境交互，落到具体应用时，再结合机器人本体形态和任务需求，用少量真机数据做最后一层对齐。