华为云发布昇腾原生具身世界模型WM1.2:双榜第一,11月30日开放权重
智东西(公众号:zhidxcom)作者 | 三北编辑 | 心缘智东西11月16日报道,今日,华为云推出其首款昇腾原生具身世界模型CloudRobo-WM1.2,并宣布于11月30日正式开放WM1.2模型权重、推理后训练代码及预训练最佳实践。该模型采用共享世界模型骨干网络实现预测增强的世界表征,基于世界模型原生DualA
11月16日,智东西报道,
华为云推出首款昇腾原生具身世界模型CloudRobo-WM1.2,并计划在11月30日开放WM1.2模型权重、推理后训练代码及预训练最佳实践。
该模型以共享世界模型骨干网络完成预测增强的世界表征,又依托世界模型原生DualAct架构做原生动作生成。RoboTwin 2.0、LiberoPro 2.0两项评测中,它都排在首位。
华为云在现场用CloudRobo-WM1.2驱动机器人,演示了工业级搬运连续作业、轴承毛刺清洁等真实工业场景实验;无人零售场景里,机器人还完成了物品上架、礼物入柜等收纳任务。
华为云在会上透露:“华为昇腾云在具身智能市场格局中国第一,已有80%的中国具身智能企业选择昇腾云,重点高校基本实现全覆盖。”所谓“格局第一”,应当是企业按自身统计口径得出的生态渗透率、客户覆盖度国内第一,并非第三方机构按营收计算的口径。
华为云同时宣布,与环卫装备龙头福龙马集团联合研制的智能清扫机器人已经开始预售。
华为云具身产品线总裁/具身智能Lab主任吴小东透露,团队此前在行业大模型、商专车自动驾驶、具身智能行业反复尝试落地,碰到不少难题。传统视觉表征一被遮挡就“半瞎”,换个视角就“懵”,动起来又变“傻”,复杂开放环境里的成功率会明显下滑。
放到更大范围看,具身智能正从实验室走进真实物理世界,多模态物理理解困难、世界认知与动作生成耦合难、异构数据难以规模化利用、跨机器人本体泛化难、实时推理算力成本高等问题都在拦路。
针对这些难题,华为云把AI与智能驾驶领域的工程化经验拿来,推出CloudRobo-WM1.2世界模型和CloudRobo开发平台,想做成具身智能的“硅基黑土地”。
围绕具身智能的核心难题,CloudRobo-WM1.2搭起了五项核心技术能力。
1、PPA(Perceive-Predict-Act)多模态世界表征架构:模型除了识别物体,还能预判物理交互的结果。它把RGB视频、语义特征、深度与点云融合起来,并引入未来多模态预测监督。
吴小东谈道,统一表征建模的目标,是让机器人从“看得清一张图片”走到“能看懂一部4K电影”,更好地理解物理世界。比如看到一只杯子,机器人不光知道它是什么、在哪里,还能预判推它一下接下来会怎么动、会不会倒。
2、多粒度监督数据自适应预训练框架:画漫画不必画出完整的刘德华,抓住特点就能认出来。CloudRobo-WM1.2按数据实际拥有的有效信息来组织监督,不让有价值的数据因为局部缺失被丢掉,从而释放异构数据的Scaling潜力。动作标注缺少、部分维度无效、深度缺失、相机视角不完整的数据,它都能兼容。
吴小东谈道,动态监督机制要让模型“既能吃粗糠,又能吃细粮”,把动作缺标注、维度无效、深度缺失的数据放在一起监督,把数据价值用足。
3、世界模型原生DualAct(Dual-path Unified Expert Training)架构:“同一个懂世界的大脑,两种动作生成路径”。人身上有不经过大脑皮层的直接控制(膝跳反射),快而直接;也有学习之后在生活中建立的条件反射(谈虎色变)。世界模型直接输出高精度动作,实现原生机器人动作控制;基于MOT架构,动作专家也能直接高效地输出动作。双通道动作架构设计让开发者可以灵活定义动作专家尺寸,后训练效率随之提高。
4、本体语义保真跨具身运动建模:相当于给单臂、双臂、轮式等各种形态的机器人配一个统一动作翻译器,把多本体的差异统一到语义上。
吴小东提到,多本体不能简单把维度串起来,否则会丢掉“千人千面”的差异。团队构造机器人翻译器,把96维机器人和168维人类运动原生语义放在一起联合训练,共享运动语言,也复用人的运动经验。
5、World/Expert Action,Joint/Action-only四种可按需组合的弹性推理模式:像点菜一样丰俭由人,按需匹配客户的算力资源和推理时延。它支持Joint(输出未来世界+高精度动作)、Action-only(只输出动作)两类输出目标,也有World Action(偏重高精度输出)、Expert Action(偏重快速高效)两种输出头,组合出四种推理模式。客户可以按算力、时延要求灵活搭配。
五项核心技术一起支撑CloudRobo-WM1.2在世界建模、动作生成、数据规模化学习和工程部署上持续演进,也为具身智能从模型研究走向复杂物理场景应用打下技术基础。
顺着五大技术特点往下看,CloudRobo-WM1.2的技术架构分为三层。
第一层,具身原生多模态PPA模型架构:预测增强世界理解+原生双路径动作,把世界理解与动作生成统一建模。
第二层,具身数据Scaling体系:有效监督弹性预训练+本体语义保真跨具身运动建模,解决非完备数据利用与异构本体协同。
第三层,具身原生DualAct动作生成架构:世界模型原生输出与动作专家输出两条路径并存,支持灵活定义动作专家尺寸,提升后训练效率。
与模型三层相配,华为云还搭了云侧三层体系,覆盖数据、训练与推理部署,形成具身智能的“全栈底座”。
从模型到云,华为云试图把具身智能的开发和落地串成一条链路,让机器人厂商与开发者按需取用算力、数据和动作生成能力。
世界模型要真正跑起来,工程化推理是第三层功夫。这一层提供四种模式的弹性推理,既能应对预测任务,也能支撑动作生成,兼顾多种场景的计算效率。
围绕这一目标,华为云搭起了一套端到端的昇腾云计算平台,底层基于云原生全栈具身技术,整体分三层推进。
最底下是算力基础设施,面向多模态和物理仿真做异构计算架构,把异构算力融到一起,用超节点互联,再靠上下文并行、参数分片、激活重计算等手段扛住视频长序列训练。往上是算网数存,针对具身任务把数据流和计算流放在一起优化,PB级多模态数据统一存储、统一检索,具身RL场景下计算与通信联合调度,让推理时延更稳。
AI框架这一层做昇腾原生的多模态与具身强化学习加速,RLinf v0.4对昇腾NPU的支持明显加强,吞吐最高提升2.78倍。吴小东谈道,团队与清华大学于超团队联合把RLinf强化学习框架搬上平台,推理效率和模型训练吞吐率提升2~3倍。
三、六大工程能力,打通具身智能落地“最后一公里”
世界模型从做出来到真正进入真实世界,中间还有很长的路。吴小东谈道,华为云为此打造了端到端工具链,开发者在平台上就能方便地开发自己的模型和应用。
从模型推理走到真实物理作业,CloudRobo把工程能力凝练成六项,支撑具身智能走出实验室、在千行百业规模化落地:
1、仿真使能行业冷启动:高保真物理仿真、极端工况合成、Real2Sim2Real迁移,降低真机数据采集成本。
2、云原生训模型:昇腾多模态训练与强化学习原生加速、弹性算力调度、WAM/VLA/VLN统一开发工具链。
3、星闪鸿蒙生态集成:高并发R2C网关支持1K+本体并发保活,GB级模型分钟级热更新。
4、R2C跨本体快适配:小时级接入,统一多本体数据与动作接口,实现模型能力跨机器人复用。
5、持续学习进化RSI架构:打通作业数据回流、奖励评估、真机强化学习与策略迭代闭环。
6、安全可靠运行:风险感知、自主恢复、任务编排、端边云协同,保障具身智能安全底线。
围绕具身智能,华为云搭建了一套“技术深耕+开放赋能+生态共建”的三位一体战略,吴小东就此作了介绍:核心技术上继续加码,让模型不断迭代升级;模型与工具链借助昇腾云算力向产业伙伴全面开放;再把生态各方的优势聚到一起,共同打造行业解决方案,推动具身智能在各行各业规模化落地。
结语:世界模型竞赛升温,机器人开始学会想与做
放眼全球,具身世界模型正从单纯预测环境,转向预测与动作生成合为一体。各条技术路线都在回答同一个问题:怎么让机器人真正理解物理规律,再把这份理解变成能执行的动作。
华为云这次的不同之处,在于把世界模型和昇腾算力、数据工具链、仿真训练以及机器人部署平台串在一起,同时用开放权重吸引产业伙伴。
往后看,行业竞争不只看榜单排名,还要看跨本体泛化、真实场景成功率和部署成本。谁能先跑通从模型能力到规模化交付的闭环,谁才真正握住产业化的主动权。