橫掃全球15項SOTA！高德首個面向AGI的全棧具身技術(shù)體系大公開

一水 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

等等——你是說，高德也闖入具身智能賽道了。

咱品，咱細品。一個國民級導(dǎo)航APP，怎么就和機器人、機器狗這些鐵家伙聯(lián)系起來了。

難道說，高德也開始跟風(fēng)搞噱頭了？？

細一吃瓜才知道，誤會了家人們：

這件事并非噱頭，人家不僅有實打?qū)嵉臇|西，而且成績還位列全球第一梯隊。

揭開面紗你會看到，高德這次帶來了首個面向AGI的全棧具身技術(shù)體系A(chǔ)Bot——

AGI、全棧、具身，這幾個詞我都懂，但放在一起到底啥意思？

再一看才明白，原來這是一套讓機器人/機器狗（當然也不止這些），從炫技表演到真正走進現(xiàn)實世界幫大家干活的完整解決方案。

大多數(shù)行業(yè)玩家還在卷單點突破的時候，高德卻率先把數(shù)據(jù)、模型、Agent從下到上全打通了。

而且得益于地圖時代攢下的底層數(shù)據(jù)優(yōu)勢，其世界模型近期在依托CVPR 2026 Video World Model Workshop舉辦的國際挑戰(zhàn)賽中，分數(shù)超過谷歌英偉達。ABot體系橫掃具身智能全球15項SOTA，躋身全球第一梯隊。

看到這兒，估計你和我一樣好奇：

一個做導(dǎo)航的，憑什么能在具身智能賽道跑到前面？

（別急，咱火速開扒gogogo）

原來不是“數(shù)據(jù)多”就行了

答案，很多人第一反應(yīng)可能是“數(shù)據(jù)”。

畢竟瞟一眼高德ABot全棧具身技術(shù)體系，最底層的就是數(shù)據(jù)。

• 數(shù)據(jù)層：ABot-World可交互世界模型
• 模型層：導(dǎo)航基座模型ABot-N/執(zhí)行基座模型ABot-M
• Agent層：機器人應(yīng)用層操作系統(tǒng)ABot-Claw

但如果你只看到“數(shù)據(jù)”，那就錯過了高德真正的殺手锏——

它沒有停留在“數(shù)據(jù)多”，而是構(gòu)建了一個“物理優(yōu)先、動作可控、閉環(huán)進化”的機器人世界操作系統(tǒng)。

這是一個從“視覺渲染范式”向“可微分物理引擎范式”的根本性遷移。

當其他模型還在生成“看起來像”的視頻時，高德的ABot-World已經(jīng)在輸出“符合物理規(guī)律”的動態(tài)變化過程。

它不只告訴你“發(fā)生了什么”，更告訴你“為什么發(fā)生”、“如果這樣做會發(fā)生什么”。

而這，才是它成為全球唯一三項指標（物理合規(guī)性/動作可控性/零樣本泛化）全面SOTA的真正原因。

所以，與其說高德贏在“數(shù)據(jù)”，不如說它贏在范式創(chuàng)新+系統(tǒng)工程+物理智能內(nèi)核。

核心解決思路：可交互世界模型

具體來說，面對“如何讓機器人理解真實物理世界”這一終極挑戰(zhàn)，高德沒有選擇傳統(tǒng)的“采集→標注→訓(xùn)練”路徑，而是另辟蹊徑——

它沒有去“收集數(shù)據(jù)”，而是去“重建物理世界”。

傳統(tǒng)方法要么靠人拍（眾包），要么靠機器跑（遙控），成本高、效率低、覆蓋窄。

而高德的答案是：

與其等待機器人在真實世界中緩慢積累經(jīng)驗，不如先在高保真的數(shù)字世界中，高效、批量地生產(chǎn)具身智能所需的一切物理交互場景。

而這，正是高德推出的可交互世界模型ABot-World的核心使命——

構(gòu)建一個可交互、可推演、可進化的機器人世界操作系統(tǒng)。

等等，這不就是數(shù)據(jù)合成、數(shù)據(jù)仿真那一套嗎？

繼續(xù)深挖才發(fā)現(xiàn)，雖然二者思路看起來相似，但底層邏輯其實不太一樣。

個人理解，合成仿真有點像“照貓畫虎”，目標是讓模擬盡可能逼近真實。

而高德恰恰相反，它不是從零去模擬真實，而是基于現(xiàn)成的真實世界數(shù)據(jù)，把場景還原出來拿給機器人用。

所以，哪個更精準就不用多說了吧…

說實話，對高德來講，“精密重建與理解物理世界”幾乎就是自己的看家本領(lǐng)——

畢竟它每天都在做的，就是把來自衛(wèi)星、街景車、眾包設(shè)備的大量數(shù)據(jù)，一點點拼起來，變成一個能被機器理解和計算的數(shù)字世界。

emmm……光看文字可能還有點抽象，但轉(zhuǎn)念一想：

這不就是我最近騎行時打開高德看到的畫面嗎？

只不過以前是給人交互，現(xiàn)在則更往底層走——變成了可以讓機器“理解”和“交互”的訓(xùn)練環(huán)境。

到這里，我已經(jīng)搞懂高德ABot-World背后的原理了，但我想知道的可不止原理——

具體方法論呢？？

所以我又接著扒了一下高德ABot-World的具體運作過程。

具體落地：一套雙引擎架構(gòu)

先從最直觀的外觀說起，ABot-World采用的是雙引擎驅(qū)動架構(gòu)：

• ABot-3DGS：物理世界的“數(shù)字孿生工廠”
• ABot-PhysWorld：因果推演的“物理思維引擎”

一開始還以為這不過是簡單的“數(shù)據(jù)生成+模型訓(xùn)練”，但看完才發(fā)現(xiàn)，它這是一個完整的物理智能操作系統(tǒng)。

先說ABot-3DGS。

都工廠了，你就知道高德這是在對傳統(tǒng)那套“貴、慢、覆蓋不全”的數(shù)據(jù)生產(chǎn)方式，來了一次徹底的重拳出擊。

具體來說，它這次干了這樣一件事：

以高德積累的厘米級城市、道路、室內(nèi)空間數(shù)據(jù)+真實軌跡數(shù)據(jù)為基礎(chǔ)，結(jié)合前沿的3DGS技術(shù)，構(gòu)建可編程的數(shù)字孿生空間。

劃重點，可編程。說白了就是，現(xiàn)在你可以隨心所欲生產(chǎn)數(shù)據(jù)了。

在ABot-3DGS里，數(shù)據(jù)不再受制于采集條件——任意視角、光照、遮擋狀態(tài)都可以直接生成，機器人形態(tài)也能靈活切換，不同執(zhí)行體之間的差異被抹平。

更關(guān)鍵的是，這套體系可以系統(tǒng)性補齊那些過去最難覆蓋的部分：

長尾交互場景（也就是機器人容易翻車的地方）。

通過大規(guī)模組合與仿真，極端情況、突發(fā)干擾都能提前構(gòu)造出來，最終把覆蓋率推到99%。

就是說，模型最容易出問題的那一小撮情況，基本都被提前見過、練過了。

還有一個更關(guān)鍵的突破——

這里的“空間”不是只有幾何外觀，而是帶物理屬性的。每個物體都會被賦予質(zhì)量、摩擦系數(shù)等參數(shù)，從一開始就構(gòu)成一個可計算、可干預(yù)的物理環(huán)境。

啥叫可干預(yù)？其實就是通過編程改參數(shù)。

比如把一個物體的質(zhì)量調(diào)大，機器人抓取時需要的力度、軌跡都會隨之改變；把地面的摩擦系數(shù)調(diào)低，同樣的動作就可能打滑失敗。

于是你發(fā)現(xiàn)沒，ABot-3DGS已經(jīng)不是數(shù)據(jù)增強工具，而是在主動創(chuàng)造一個比現(xiàn)實更豐富、更可控、更物理一致的“訓(xùn)練宇宙”。

好，現(xiàn)在我已經(jīng)明白ABot-3DGS可以解決“數(shù)據(jù)稀缺”的問題了，但我還是不清楚其中的細節(jié)：

高德積累的那些真實時空數(shù)據(jù)，是怎么一步步變成“機器人能用的訓(xùn)練材料”的？

順著網(wǎng)線再扒了一圈，腦海里自動浮現(xiàn)了這樣一句口號：一翻譯二重建三Run。

“一翻譯”是指先把數(shù)據(jù)轉(zhuǎn)成機器能讀懂的“多模態(tài)Clip”。

比如騎車經(jīng)過一個路口，高德記錄下來的不只是“一張圖”，而是一整套信息——

包括路口長什么樣（圖像）、紅綠燈在哪（空間位置）、現(xiàn)在是紅燈還是綠燈（狀態(tài)）、你是直行還是準備轉(zhuǎn)彎（行為），甚至還包括周圍有沒有行人、車輛在動。

所有東西打包在一起就是一個Clip，而高德手里有千萬級這樣的Clip。

當機器拿到這些信息后，ABot-3DGS就能把路口、街道、商場這些地方重建出來，形成萬級規(guī)模的3D真實場景。

P.S. 看了下萬級規(guī)模的概念，基本上能覆蓋99%的典型生活場景了。

而且由于前一步拿到的信息都是自帶物理規(guī)則和空間邏輯的，所以這里的3D數(shù)字場景也都是“活”的。

然后就是最后一步——Run起來。

把機器人丟進去，讓它在里面走一遍、做一遍，千萬級訓(xùn)練軌跡數(shù)據(jù)，就這么批量生成。

到這里，剩下的問題就只有一個了：

怎么解決“懂物理”這個行業(yè)公認的老大難？

ABot-PhysWorld為此而生。

它基于14B參數(shù)的DiT主干構(gòu)建，本質(zhì)是一個物理思維引擎，回答的是機器人最核心的問題：

“如果我這樣動，接下來會發(fā)生什么？”

為了打造ABot-PhysWorld，高德做了三件不同尋常的事：

數(shù)據(jù)層面，高德精選300萬條真實操作視頻，用VLM+LLM雙階段標注，構(gòu)建四層級物理語義結(jié)構(gòu)（意圖→動作→軌跡→物理關(guān)系），奠定因果推理基礎(chǔ)。

簡單來說，就是將數(shù)據(jù)拆解成機器人更易“消化”的結(jié)構(gòu)化信息：

• 宏觀層（意圖）：自然語言描述整體任務(wù)目標，如“抓取并放置蘋果”。
• 中觀層（動作序列）：動詞-名詞短語序列，如“接近→抓握→提起→移動→釋放”。
• 微觀層（軌跡細節(jié)）：記錄笛卡爾軌跡、相對運動、夾爪狀態(tài)，如“末端沿Z軸下降5cm，夾爪閉合至20mm”。
• 場景層（物理關(guān)系）：描述接觸、支撐、包含關(guān)系及任務(wù)結(jié)果，如“蘋果與桌面接觸，被夾爪穩(wěn)固抓握，成功放置于袋中”。

看到?jīng)]，這套標注流程不僅在告訴機器人“發(fā)生了什么”，更在解釋“為什么發(fā)生”。

訓(xùn)練層面，高德摒棄傳統(tǒng)MLE（像素相似度優(yōu)化），引入“物理判別機制”。

所謂MLE，是指給模型看大量真實視頻，讓它預(yù)測“下一幀應(yīng)該長什么樣”，預(yù)測得越像真實的那一幀（像素差異越?。梅衷礁?。

換言之，這一機制下模型只關(guān)心“畫面對不對”，不關(guān)心“物理對不對”。

所以高德通過兩個核心組件，把優(yōu)化目標從“像素相似度”轉(zhuǎn)向“物理一致性”：

• Proposer module：負責(zé)根據(jù)當前任務(wù)，列一份物理規(guī)則清單，說清哪些能做，哪些絕對不行。
• Scorer module：對模型生成的多個結(jié)果逐幀打分。

然后用Diffusion-DPO強化合規(guī)行為——

物理正確就獎勵，物理錯誤就扣分。

反復(fù)糾正下來，模型自然學(xué)會了“什么動作不違反物理”。

至此，ABot-PhysWorld已經(jīng)能夠根據(jù)輸入的末端位姿和夾爪狀態(tài)，推演出未來的時空動力學(xué)變化——指令即因果，不再只是像素層面的“看起來像”。

輸出層面，ABot-PhysWorld的每一幀不僅是像素，更是包含質(zhì)量、接觸力場、慣性張量的可微分物理狀態(tài)快照，支持“動作條件化推演”與“零樣本泛化”。

這意味著，給它一個動作指令（比如“下降5cm、夾爪閉合”），它就能精準算出接下來會發(fā)生什么，而不是靠“猜”。

哪怕遇到從沒見過的物體或機器人，它也能根據(jù)質(zhì)量、摩擦、慣性這些通用物理規(guī)律做出合理判斷，不需要重新訓(xùn)練。

這三招下去，結(jié)果是，那些困擾行業(yè)已久的“低級錯誤”開始從根源上消失了——

物體不會穿透、夾爪不會無接觸抓取、動作不會反重力懸浮。

因為，機器人已經(jīng)不再是機械執(zhí)行指令了，它開始知道“為什么不能這么做”。

而當把兩個引擎放在一起，你會發(fā)現(xiàn)ABot-World內(nèi)部已經(jīng)形成了一個持續(xù)增強的“數(shù)據(jù)-模型”飛輪。

ABot-3DGS負責(zé)造數(shù)據(jù)，ABot-PhysWorld負責(zé)學(xué)物理——

前者不斷生成高質(zhì)量訓(xùn)練材料，后者不斷提升對真實世界的理解。

但這個飛輪不止于此。

ABot-World不是一個靜態(tài)模型，而是一個具備自我修正能力的認知基座——

它還能接入真實世界的執(zhí)行反饋，讓自己越用越準。

具體來說，它支持完整的VLA閉環(huán)（預(yù)測→執(zhí)行→反饋→自我修正）。

比如機器人根據(jù)ABot-World的推演去抓杯子，結(jié)果實際執(zhí)行中夾爪滑脫了。這個誤差信號會立刻回傳給ABot-PhysWorld，模型自動調(diào)整參數(shù)，下次預(yù)測就會更精準。

對整個行業(yè)來說，這種“自生長、自修正、自適應(yīng)”的能力，意味著機器人不再依賴人類演示，而是能在真實環(huán)境中持續(xù)進化。

而這，或許才是AGI時代機器人應(yīng)有的“操作系統(tǒng)級”能力。

到這里，我對高德如何使用自己的數(shù)據(jù)已經(jīng)很清晰了，咱捋一捋：

核心解決思路是“可交互世界模型”，世界模型的數(shù)據(jù)來自ABot-3DGS，經(jīng)“一翻譯二重建三Run”加工成訓(xùn)練材料，物理對齊則交給ABot-PhysWorld完成。

這一整套下來，高德本質(zhì)上其實干了兩件事：

一是把數(shù)據(jù)生產(chǎn)成本打下來了，二是把“物理正確”這件事，真正嵌進了系統(tǒng)里。

成本下降，意味著能喂給模型的數(shù)據(jù)量可以做到足夠大；物理正確，意味著喂進去的數(shù)據(jù)質(zhì)量足夠真。

當“量大”和“真實”同時滿足，模型看到的不再是零散樣本，而是接近真實世界分布的數(shù)據(jù)——

于是它學(xué)到的也不再是“某幾個場景的解法”，而是更通用的物理規(guī)律。

這樣一來，具身智能最后的大BOSS——泛化問題，也就真正有了被攻克的可能。

就是說，數(shù)據(jù)開始反過來定義模型能力本身以及邊界了……

為什么是高德？

看到這里，估計大家和我一樣，終于反應(yīng)過來高德憑啥跑到具身賽道前列了。

說白了，這不是一次跨界，而是一次升維：

從給“人”導(dǎo)航，到給“機器人”構(gòu)建物理世界的操作系統(tǒng)。

高德真正的護城河，從來不只是“數(shù)據(jù)多”——

還有過去地圖時代練出來的空間理解、地圖構(gòu)建、實時更新能力，這些共同構(gòu)成了它難以被復(fù)制的底氣。

這當中，尤為值得一提的就是一張關(guān)鍵王牌：業(yè)界領(lǐng)先的POI（興趣點）數(shù)據(jù)庫和路網(wǎng)語義信息。

說人話就是，高德給ABot-World提供的數(shù)據(jù)都是帶“語義”的——

不只是幾何軌跡，還有“這里是星巴克的入口”、“前方是人行橫道”、“左轉(zhuǎn)50米是停車場出口”等語義錨點。

為什么這很重要？

因為行業(yè)里大多數(shù)機器人的導(dǎo)航訓(xùn)練，用的只有幾何坐標和視覺特征。

機器人只是知其然，而不知其所以然。

它可以學(xué)會從A走到B，但很難理解為什么這里要繞行、為什么這里要停一下、為什么這條路更安全。一旦環(huán)境稍微變化，比如多了行人、臨時施工、規(guī)則調(diào)整，就很容易出錯。

而帶語義的數(shù)據(jù)，相當于把“規(guī)則”和“常識”一起教給它。

這也是為什么，它更容易直接落到真實世界里用。

恰逢北京亦莊機器人半馬，高德也帶著它的四足機器狗亮相了——

它已經(jīng)能幫助盲人朋友走出家門，實現(xiàn)精準導(dǎo)航。

實際上，拋開所有技術(shù)不談，從地圖時代到現(xiàn)在，高德的角色其實并沒有變——

以前，它是連接人和現(xiàn)實世界的基礎(chǔ)設(shè)施；現(xiàn)在，它開始變成連接機器人和物理世界的基礎(chǔ)設(shè)施。

只不過服務(wù)對象變了，能力邊界被放大了。

當然更重要的是，高德已經(jīng)決定把ABot-World開源了。

它正提供一個統(tǒng)一的、物理合規(guī)的、可進化的機器人世界模型操作系統(tǒng)，讓所有開發(fā)者都能在其上構(gòu)建自己的Agent、訓(xùn)練自己的機器人。

從這個角度看，高德這次亮劍的并不只是一款產(chǎn)品，而是一個面向下一代機器人智能的底層平臺。

有了這個平臺，行業(yè)就不用再各自重復(fù)造輪子了，以前數(shù)據(jù)不夠、仿真又不夠真的問題，也會被系統(tǒng)性緩解。

由此我們看到，一個統(tǒng)一的“操作系統(tǒng)”正在成型，而生態(tài)也將圍繞這一底座快速收斂并加速爆發(fā)。

只能說，高德的心思不要太好懂（doge）——

一邊把底座鋪好，一邊把生態(tài)帶起來。

等大家都在這套體系上跑起來，它自然也就站在了具身賽道最核心的位置。

One More Thing

2026年，具身智能賽道依然熱火朝天，融資紀錄不斷刷新。

但歷史經(jīng)驗告訴我們：

當行業(yè)在底層基礎(chǔ)設(shè)施上開始成型，局面就會迅速收斂。

就像TCP/IP統(tǒng)一了網(wǎng)絡(luò)連接方式，Linux成為事實上的操作系統(tǒng)底座，云計算把算力變成公共資源——

現(xiàn)在的具身智能，正站在從“百花齊放”走向“生態(tài)收斂”的臨界點。

而高德，已經(jīng)率先亮劍。

橫掃15項SOTA、“拿下全球唯一三項指標全面領(lǐng)先”、發(fā)布首個“物理優(yōu)先”的世界模型操作系統(tǒng)——

這些不只是數(shù)字和稱號，而是它已經(jīng)站上牌桌的證明。

站在高德的角度而言——

無論最終誰能勝出，它都已經(jīng)為行業(yè)鋪好了通往AGI的第一塊基石。

（好好好，原來你小汁打的是這個主意…）