生数科技发布Motus 2 自进化通用世界模型集触觉记忆于一体

会懂网AI资讯，9月14日，生数科技发布自进化通用世界模型Motus 2，尝试把递归自我改进机制引入机器人学习流程。所谓递归自我改进，是指模型利用自身生成的数据与经验反哺训练，让能力在迭代中不断提升，而不是完全依赖人工标注数据集的持续扩充与外部采集，这也是具身智能长期追求的目标。

Motus 2把触觉、记忆、Ego数据与自进化能力整合进同一个模型。触觉通道让机器人感知接触力、滑动与材质差异，弥补纯视觉方案在遮挡与精细接触场景下的信息缺失；记忆模块则负责跨时间保留环境状态，支撑需要多步规划的长时程操作任务，避免每一步都从零开始，两者互为补充，缺一不可。

Ego数据指的是以机器人第一人称视角采集的操作数据，与人形机器人、机械臂的真实作业形态最为接近。把这类数据与视觉、触觉信号统一建模，可以让策略学习直接建立在真实执行的视角上，减少从第三人称视频迁移时出现的视角偏差与动作失配问题，从而提升真实环境下的成功率。

官方将灵巧操作能力作为自进化的落点。抓取、装配、插拔、折叠等动作对精度要求极高，传统强化学习需要大量试错样本，而真实机器人采样成本高、磨损大。若模型能借助自我改进机制在仿真与真实之间反复迭代，样本效率将成为决定落地速度的关键变量，这一点在业内已形成共识。

从技术路径看，自进化的难点在于如何避免模型在自我生成数据上反复强化已有偏差，导致能力收敛甚至退化。这通常需要引入外部验证信号、任务成功率约束或人类反馈作为锚点，保证迭代方向始终指向真实任务表现的提升，而不是评测指标上的虚高，这一点在长时程任务中尤为突出。

世界模型与具身智能的结合正在成为国内厂商的重点方向。蚂蚁灵波同期开源LingBot-World 2.0系列模型，Meta的AI应用也在同一时间窗口冲上榜单前列，说明行业关注点正从单纯的视频生成，转向能够驱动实际动作、可在真实环境中完成闭环的决策模型，也对现有评测体系提出了更高要求。