获得国际大赛冠军，破解“动作幻觉”难题，中国团队为机器人装上“智能大脑”

最近，全球机器人领域的顶级学术会议ICRA在维也纳落幕。会上，中科院自动化所模式识别实验室牵头的一个联合团队，带着他们研发的NeoVerse-ABot模型，拿下了图像质量和动作跟随两项核心指标的全球第一。0.829的高分，从526支队伍中杀出来，这个成绩可不简单。

想象一下，机器人不再只是机械地执行“向前、向左、抓取”的指令，而是在行动前先“想一想”：我的手这样伸过去，能碰到杯子吗？如果夹得太松，杯子会不会在半路滑落？这种更像人的决策方式，正在变成现实。这场比赛的含金量在于，它考验的不仅仅是画面好不好看，更是模型能不能严格服从动作指令、精准预测物理世界的连锁反应。

让机器人学会“三思而后行”

长期以来，大众认知中的机器人大多是“所见即所行”的执行工具——只能依靠实时视觉感知完成预设动作，缺乏对物理世界的理解与预判能力。一旦遇到空抓、物体滑落、轨迹偏移这些非理想场景，传统机器人很容易出现操作失误，根本没法适应复杂多变的真实环境。

NeoVerse-ABot团队把这一点看作区分“高级机器”和“智能体”的关键分水岭。团队成员说得很形象：“可以把它理解为机器人的‘物理想象力’。”传统机器人更像是条件反射的执行者——看到红色就停止，感受到阻力就后退。它们擅长即时反馈和轨迹跟踪，却没法预判自己行为的长远后果。

这个模型的核心，就是为机器人搭了一座连接“感知”与“决策”的桥梁。它接收两类信息：一是机器人当前“看到”的场景，二是它“计划”执行的动作序列。模型的任务，就是精准预测接下来环境、物体和机械臂之间会怎么变化。

过去，大家比拼的是谁能生成更好看的视频。但这次ICRA赛道的要求变了——模型必须服从动作指令。也就是说，模型不能“脑补”出一个画面精美但动作错误的未来。NeoVerse-ABot在图像质量和动作跟随两个核心指标上均排名全球第一。这意味着，中国团队开发的模型不仅能生成高清画面，还能严格遵循物理规律，把控制信号准确转化为物体的运动、接触与状态变化。团队成员说，这说明在具身智能的关键基础问题上，中国已经具备了与国际顶尖队伍同台竞争并取得领先的系统性能力。

“动作幻觉”威胁很大

在世界模型研发领域，“动作幻觉”是个长期困扰全球科研团队的核心难点，也是制约机器人从实验室走向真实场景的关键阻碍。所谓“动作幻觉”，指的是模型脱离机器人实际动作指令与物理逻辑，凭训练数据的常见模式“脑补”理想化结果，出现“空抓却显示抓取成功”这类虚假画面。画面看着真实，但逻辑上根本站不住脚。这种问题会让机器人低估操作风险，做出不安全动作，在工业制造、民生服务等场景里，直接威胁设备、物品甚至人身安全。

备赛过程中，团队把破解“动作幻觉”作为核心攻坚方向。他们摒弃了“失败样本是训练噪声”的传统认知，明确了一个关键判断：真实场景中的失败轨迹、偏移动作、交互误差，都是极具价值的监督信号。系统梳理海量遥操作数据后，团队重点挖掘夹空、滑落、补夹这些失败片段，提升这类长尾样本在训练体系中的权重，让模型充分学习真实物理交互的完整结果分布。

与此同时，团队创新引入了强化学习反馈机制，重构了模型评价体系。传统模型只奖励画面清晰度、流畅度，但这个新机制重点奖励动作匹配、因果合理、物理合规的生成结果，大幅强化了模型对机器人控制信号的敏感度，从根源上抑制了虚假生成问题。经过多轮迭代优化，NeoVerse-ABot能够精准区分成功操作与失败交互，在非理想场景中真实预判物体原位留存、中途滑落等实际结果，彻底摆脱了“默认成功”的固有缺陷。

赛场突围赋能产业

当前，具身智能已经列入我国“十五五”规划重点发展的未来产业。NeoVerse-ABot的夺冠不仅仅是学术上的胜利，更被视为中国机器人产业安装“智能大脑”的关键一步。

放眼全球，国际顶尖模型都在把可交互、可预判、可模拟的世界模型当作下一代AI的核心发力方向，技术竞争越来越激烈。团队负责人坦言，客观来看，世界模型仍处于快速迭代阶段，我国还没实现全面领跑。但在具身智能世界模型这一细分关键领域，中国团队已经彻底摆脱了单纯跟随的局面，在动作精准跟随、失败场景建模、工程化落地等核心维度，实现了与国际顶尖队伍并跑，甚至局部领先。

从国内产业发展的维度看，这次技术突破精准补齐了中国机器人产业的核心短板。目前，我国机器人核心零部件国产化进程持续提速，硬件产业生态日趋完善，但缺乏高精度、高可靠的“智能大脑”，这长期制约着产业从样机展示走向规模化落地。传统机器人研发依赖真机试错，数据采集成本高、长尾场景覆盖难、迭代周期长。而NeoVerse-ABot可以作为高可信的“神经仿真器”，通过虚拟环境预演生成海量物理真实的训练数据，大幅降低真机试错成本，加速机器人策略迭代与场景落地。

长远来看，这项技术拥有非常广阔的应用前景。在工业制造场景，它可以帮助柔性生产机器人适配多样零件与复杂工序，预判操作风险、提升生产柔性；在仓储物流、商业服务场景，它能让高频次、多场景作业的机器人自主调整策略、规避失误；在家庭服务、养老医疗、特种作业等开放场景，它能保障人机交互安全，提升机器人环境适配能力。此外，这项技术还可以延伸到自动驾驶、低空智能、科学实验自动化等领域，成为通用智能体理解、适配真实世界的核心基础能力。

团队表示，对于中国具身智能产业发展，这次夺冠是一个全新起点。未来，他们会持续深化技术研发，推进世界模型与大规模强化学习、在线规划算法的深度融合。一方面优化模型推理速度，适配机器人闭环实时控制需求；另一方面完善虚拟仿真训练体系，降低产业落地门槛。随着核心技术的持续突破，中国具身智能产业将告别“重硬件、轻智能”的发展困境，依托数据、工程、场景的系统性优势，在全球AI新一轮竞赛中持续抢占先机，开启智能机器人规模化、实用化发展的全新篇章。