生数科技发布新世界模型 Motus 2，将策略、模拟与评估统一进闭环，并引入触觉、记忆和 Ego 数据。五项真机任务平均成功率达到 84%，但它距离严格意义上的 RSI 仍有明显距离。

Motus 2让机器人学会复盘

生数科技近日发布具身世界模型 Motus 2，试图把机器人的动作决策、未来模拟、结果评估和策略改进接进同一个闭环。公开结果显示，Motus 2 在放置小球、多指操作、贴合橡皮、拧灯泡和放置手机五项真机任务中的平均成功率达到 84%；在单独评测的放置手机与多指操作任务中，引入基于模型的强化学习和推理时规划后，平均成功率由 65% 提升至 75%，增加 10 个百分点。

Motus 2 是一个面向机器人灵巧操作的具身世界模型。 它不只预测“下一帧画面会变成什么样”，还把候选动作放到预测链条的前面，让模型先提出动作，再模拟动作后果、判断结果好坏，并据此调整策略。与常见的“视频生成模型外接动作头”相比，这套结构真正值得关注的地方不是画面生成得更逼真，而是世界模型开始进入机器人的学习回路。

这也是生数科技把它与 RSI 联系起来的原因。RSI（Recursive Self-Improvement，递归式自我改进）是智能系统利用自身运行与反馈结果，持续改进其能力或学习策略的机制。 不过，Motus 2 目前展示的更准确表述，应当是“任务级、数据驱动的策略自改进”，而不是一个机器人已经能够自主改写模型架构、训练算法乃至自身目标。前者已经很有价值，后者仍属于更强意义上的 RSI，二者不能混为一谈。

Motus 2以动作为起点，连接策略生成、世界模拟、结果评估与策略更新的闭环架构图

世界模型不再只是机器人的“视频播放器”

世界模型是学习环境状态、动作与未来结果之间关系的预测模型。 对机器人而言，它相当于一套可以在内部运行的低成本“沙盘”：在机械臂真正伸手之前，模型先估计不同动作会导致什么结果，再选择成功概率更高的一条路径。

传统视觉世界模型擅长预测连续画面，却不天然等于一套可执行的控制系统。很多方案的做法，是先训练一个预测视频或潜在状态的模型，再外挂一个负责输出动作的策略头；模拟器知道“世界可能怎么变化”，动作头知道“下一步该怎么动”，但两者往往没有围绕同一动作语义深度耦合。最终结果是，机器人可以生成看起来合理的未来，却未必能把预测误差转化为策略更新。

Motus 2 的核心变化是采用“动作优先”的因果信息流。 策略模块先产生候选动作，世界模型根据动作预测未来状态，评估模块再判断结果是否符合任务目标。这样一来，同一套接口既能用于推理阶段的规划，也能用于训练阶段的策略优化。机器人不必只执行一次前向预测，而可以比较多条候选轨迹，或者把真实执行后的偏差重新送回学习流程。

这套设计可以类比为棋手的复盘。普通行为克隆更像背棋谱：看到局面就复现训练数据中的落子；带有闭环的世界模型则会在落子前推演数步，并在实战后分析“哪一步判断错了”。后者不保证每次都正确，却有机会把失败经验变成下一轮策略提升的材料。

触觉和记忆补上了纯视觉的两个盲区

触觉专家是把接触、压力或受力相关信息纳入动作判断的专门模块。 对灵巧手来说，视觉只能告诉模型手指和物体大致位于哪里，却难以稳定判断物体是否已经夹紧、螺纹是否咬合、橡皮是否贴合，以及继续施力会不会滑落或损坏。

Motus 2 引入轻量级触觉专家，不是为了让触觉取代视觉，而是让接触信号在关键时刻拥有更高权重。拧灯泡就是典型场景：摄像头可以看见灯泡在旋转，但螺纹阻力和拧紧瞬间主要体现为力学变化。没有触觉反馈，机器人可能继续旋转、空转，甚至挤压损坏物体。

记忆机制是模型保存并利用历史状态，以弥补单帧观测信息不足的能力。 机器人当前看到的画面经常具有歧义：同样一个手指姿态，可能代表“刚刚接触”，也可能代表“已经稳定夹持数秒”；同样一部手机位于夹爪附近，可能正在移动，也可能已经发生滑动。只有结合前序状态，模型才能判断动作处于哪个阶段。

Motus 2 默认使用有界滑动窗口保存近期上下文，并评估了两类扩展方案：一类是全历史的全局自回归，另一类是类似 MemoryWAM 的混合记忆，把近期帧、初始锚点帧和压缩后的记忆 token 组合起来。三种思路对应不同取舍：滑动窗口计算成本可控，却可能忘记早期目标；全历史信息完整，但上下文和推理成本随时间增长；混合记忆试图保留关键节点，同时压缩不重要的过程。

记忆与触觉解决的是两个不同问题：前者恢复时间信息，后者补足接触信息。 这两项能力看似只是增加模态，实际上会直接改变策略能否闭环。模型若不知道过去发生过什么，也感受不到当下是否真正接触，就很难判断一次动作失败的原因，更谈不上利用失败改进策略。

Ego 数据扩大规模，机器人数据完成“身体对齐”

Ego 数据是从人的第一视角记录操作过程的视频或视频—动作数据。 它的价值在于，人类日常活动天然包含大量物体交互、手部运动和因果变化，比逐台机器人采集真机数据更容易扩展。对于开门、整理、抓取、旋拧等任务，第一视角视频能提供丰富的物理常识。

Motus 2 的数据路径呈金字塔结构：先利用单目 Ego 视频学习广泛的人类操作经验，再加入双目视频—动作数据增强空间与动作对应关系，最后用约 100 多小时的机器人领域数据完成本体适配。公开披露的消融结果显示，只使用人类数据预训练时，机器人在相关任务上的平均成功率为 51%；经过完整数据体系和关键领域对齐后，平均成功率达到 84%，提高 33 个百分点，相对增幅约为 64.7%。

这个结果说明，人类视频与机器人数据不是简单的替代关系。人类数据提供规模和行为先验，机器人数据则校准机械臂关节、夹爪尺寸、控制频率、相机位置和触觉传感器等具体差异。就像一个看过大量烹饪视频的人，仍需适应某把刀的重量和某口锅的受热特点；“知道怎么做”与“这副身体能做出来”之间，存在不可省略的控制鸿沟。

Ego 数据路线真正的商业价值，是降低每个新任务对昂贵真机采集的依赖。 如果通用物理知识能从人类视频中获得，而新机器人只需较少数据完成身体对齐，那么模型迁移到不同机械臂、灵巧手和移动平台的边际成本就有机会下降。不过，公开结果尚不足以证明这种优势可以无损扩展到高度动态、强遮挡或安全要求极高的工业场景。

84%成功率意味着什么，又不意味着什么

84%的平均成功率证明了 Motus 2 在既定灵巧操作任务上已具备较强可执行性，但它不是通用机器人能力的统一跑分。 五项任务的物体、环境、初始位置分布、允许重试次数和成功判定方式，都会显著影响最终数字。若没有统一测试协议，不同机构之间的成功率不能直接横向排列。

| 对比项 | 结果 | 变化 | 可以支持的结论 | |---|---:|---:|---| | 五项主要真机任务 | 平均成功率 84% | — | 模型在指定灵巧操作组合上具备较高完成度 | | 放置手机与多指操作：基础方案 | 平均成功率 65% | — | 作为规划与策略优化前的对照基线 | | 加入模型强化学习与推理时规划 | 平均成功率 75% | +10 个百分点 | 闭环规划带来可测量收益 | | 仅使用人类数据预训练 | 平均成功率 51% | — | 人类经验不能直接替代机器人领域适配 | | 完整金字塔数据与约100多小时对齐 | 平均成功率 84% | +33 个百分点 | 少量关键真机数据对落地仍然决定性 |

从 65% 到 75%的提升尤其值得看，因为它更直接指向世界模型闭环的贡献。 10 个百分点意味着每 100 次任务平均多完成 10 次，但 25%的失败率同样说明系统距离稳定生产仍有差距。在消费级演示中，四次失败一次可能可以接受；在流水线、医疗辅助或高价值物料搬运中，这一比例通常远远不够。

因此，Motus 2 当前更像一套研究底座，而不是可以忽略工程约束的通用机器人产品。开发者真正需要继续追问的是：长序列任务中误差如何累积，触觉传感器更换后是否需要重训，模型规划增加了多少延迟与算力开销，以及面对训练分布之外的物体、光照和材质时，84%还能保留多少。

Motus 2与主流具身路线有何不同

VLA（Vision-Language-Action，视觉—语言—动作模型）是把视觉观察、语言指令与机器人动作映射到同一模型中的技术路线。 VLA 的强项是把互联网语义知识和多任务指令跟随能力迁移到机器人，但许多 VLA 仍主要学习“观察到动作”的直接映射，对动作后果的显式模拟与失败评估较弱。

世界模型路线则把重点放在“如果这样做，接下来会怎样”。Motus 2 尝试进一步统一策略、模拟和评估，让模型既能生成动作，又能预测动作后果，并借助反馈优化动作。它与 VLA 不是非此即彼：语言模型适合拆解目标与调用技能，世界模型适合处理物理后果，触觉专家负责接触瞬间的细粒度判断。真正可用的具身系统，大概率会把这些能力组合起来。

| 路线 | 核心输入输出 | 主要优势 | 主要短板 | Motus 2的处理方式 | |---|---|---|---|---| | 行为克隆 | 观察直接映射到动作 | 训练与部署简单 | 容易复制数据偏差，失败后难以纠正 | 加入后果模拟和评估闭环 | | VLA | 视觉、语言映射到动作 | 指令理解和多任务迁移较强 | 物理后果建模可能不充分 | 可作为高层策略接口，与世界模型互补 | | 视频世界模型外挂动作头 | 预测未来画面，再输出动作 | 具备环境预测能力 | 模拟与控制链路割裂 | 采用动作优先信息流统一策略、模拟和评估 | | Motus 2式闭环 | 动作、视觉、历史、触觉到未来与评分 | 支持推理规划和训练优化 | 计算成本、评测范围与泛化仍待验证 | 在五项真机任务上给出84%平均成功率 |

“自我进化”成立，但必须加上边界条件

Motus 2 所展示的自我进化，是机器人利用交互结果改善任务策略，而不是系统完全摆脱人类设计。 模型的目标函数、数据管线、传感器配置、训练流程和安全边界仍由研发者设定；它能在这个框架内复盘动作并提高成功率，却没有证据表明其能够自主发明更优架构、修改训练基础设施，或无限递归地提升一般智能。

这个边界不妨碍其意义。具身智能此前最难的问题之一，就是失败数据很贵：机械臂每次试错都占用真实时间，可能损坏物体，还需要人工复位。若世界模型能先在内部推演候选动作，再把少量高价值尝试放到真机执行，真实采样效率就可能提高。进一步把执行结果回流训练，则形成“预测—执行—评估—更新”的数据飞轮。

但闭环也会放大模型偏差。世界模型如果错误地预测某个动作安全，规划器可能反复选择同类动作；评估器如果只奖励任务完成、不惩罚过大接触力，机器人可能学会危险但有效的捷径。因此，下一阶段的关键不只是提高平均成功率，还要报告失败类型、最坏情况、接触力上限、分布外检测能力，以及真实模型与内部模拟之间的误差。

我们的判断：方向比单次跑分更重要

Motus 2 最值得肯定的地方，是把世界模型从“会生成未来”推进到“能用未来改进动作”。 触觉解决接触不可见，记忆解决单帧无历史，Ego 数据解决规模不足，机器人数据解决身体差异，策略—模拟—评估统一则把这些信息变成可迭代的控制闭环。几项技术单独看都不是全新概念，但被放进同一训练与推理框架后，产品意义明显高于简单堆模态。

Motus 2 尚不足以证明机器人已经进入强 RSI 阶段。 目前公开数字主要集中在五项真机操作，尚缺少跨本体迁移、长时任务、开放环境、安全约束和持续在线学习等更严苛证据。尤其是“自我进化”容易让人联想到模型不受约束地自我改写，而当前成果更接近可验证、可限定的策略迭代。

对行业而言，真正的信号是机器人模型的竞争指标正在变化。 下一轮比较不会只看参数量、视频质量或单次任务成功率，而会看模型能否用更少真机数据适配新身体，能否从失败中定位原因，能否在推理时以可接受的延迟规划，以及能否把触觉和历史稳定地转化为动作收益。谁先把这套闭环做成可复用的数据引擎，谁才更有机会跨过具身智能最昂贵的数据鸿沟。