新智元報道

【新智元導讀】世界模型第一次塞進指甲蓋芯片！X-Era Lab與星宸科技聯手，成本砍掉90%，具身智能終于不靠云端活了。

風箏和鳥，都能飛翔。

但風箏長不出方向，是遠處的手借風借線，決定它自由或回落；而鳥卻長在自己的翅膀上，俯沖與停棲都來自大腦意志，無需指令。

過去的具身智能像風箏：越飛越高，卻被「延遲」系在云端，現實里一只傾倒的杯子、一場驟雨就讓它崩亂，風會亂，線會斷，真實世界等不起信號往返云端。

X-Era Lab（拓元智慧）和星宸科技最近做成的一件事，正是把風箏變成鳥——

他們把自研的世界動作模型 VWA，跑進了一顆指甲蓋大小的端側芯片，完成了「感知—預測—控制」的全鏈路閉環。

這次，他們剪斷了那根線，讓具身智能第一次，飛在自己的翅膀上。

X-Era Lab 與星宸科技聯合推出的首款端側世界模型解決方案

把「大腦」真正裝回身體

一個產品最原始的出發點，決定了它后來所有的形狀，也決定了它日后會在哪里走形。

一件事如果同時背著「炫技」「拿融資」「趕風口」太多目的，就會從「為用戶解決真問題」，悄悄變成「替團隊完成一場表演」。

動作開始替老板做、替發布會做，而不再替那只要去抓住正在傾倒的杯子的手做。

而 X-Era Lab 把發心收斂到了一件事上：做全球第一個原生的世界動作模型。

說穿了很樸素，如果不能穩穩托住現實生活里的一只杯子，再酷炫的 PPT 又有什么用。

所以它從第一天就認定，推理這件事，必須發生在機器人本體上。

具身智能的上半場，比的是誰的模型更大。

下半場要回答的，是另一個更樸素的問題：誰能把「大腦」真正裝回身體，讓它在真實世界里跑起來，并且足夠便宜地跑起來。

世界模型必須走到端側

把模型放云端、機器人傳畫面回來等指令，這套鏈路在大模型時代很順手，可一進物理世界就處處碰壁。

說到底，那根「線」還在。

這個道理幾乎人人都懂。自動駕駛不能只靠云端決策，肉眼看見的綠燈，等畫面傳上云、決策再傳回來，可能已經變成了紅燈。

云端能告訴你「世界長什么樣」，卻趕不上回答「此刻該怎么辦」。

工業場景里，亞毫米級的精密放置，機械臂的容錯只有零點幾毫米，決策一滯后，物體就被推過了頭。

家庭場景同樣如此，一個幾十公斤的機器人，若對人的狀態判斷慢了半拍，一個抬手就可能傷到人。

在物理世界里，遲到的正確，約等于錯誤。

而在帶寬上，世界模型同樣需要本地處理。

大語言模型往云端傳的是文本，帶寬要求很低；可世界模型要「理解世界」，一旦是多傳感器、多模態融合輸入，上行帶寬會急劇膨脹。

在 X-Era Lab 研發總監蒲韜看來，這正決定了兩類模型的命運：大語言模型可以留在云端，世界模型必然走向端側。文字可以打包托運，而世界，太重了，傳不動。

依托端側芯片把世界模型從云端搬到智能體上

現階段云端方案大多以 Token 使用量作為收費標準。

然而理解物理空間所需要的 Token 用量遠超現在的大語言模型所需，這使得具身智能商業化遲遲無法落地。

一臺機器人賣二十萬，不便宜，但一算賬才發現，反而是其整個生命周期中需要消耗的 Token 更有可能是個天文數字，誰都不敢保證上限在哪。

這導致廠商看不到利潤空間，客戶估不準落地成本。而一個算不清賬的商業模型，沒有人敢真的下場。

X-Era Lab 的 CTO 陳添水覺得，國內硬件幾乎都是一次性買斷，極少訂閱制能成立，原因正在于此。把模型放到端側，這筆賬才變成確定的：芯片裝上去，怎么用都是那個成本。

隱私問題也在把世界模型推向端側。Token 承載的隱私信息相對有限，但「理解世界」要持續處理大量視覺與空間信息，家里長什么樣、生產線在做什么，這些遠比一段文本敏感。

一旦這些數據必須上傳云端才能用，許多場景從一開始就不會向你敞開。把世界搬到云上的那一刻，很多扇門就已經關上了。

延遲和帶寬，逼著世界模型往端側走；成本和隱私，決定它走到端側之后生意能不能做。前者是物理約束，后者是商業約束，兩股力氣，把答案推向同一個方向。

對世界模型來說，走向端側不是一道選擇題，而是一道必答題；而它們共同指向的那個詞，是確定性。這正是 X-Era Lab 從第一天就選端側的理由。

能塞進端側的

是為端側而生的模型

在市場上，相比友商 Thor-U 芯片動輒 3000 多美元的方案，他們想讓世界模型跑在兩三百美元的芯片上，但靠事后裁剪是塞不進去的，這個模型從娘胎里就為端側而生。

要看清 VWA 的不同，得先看看別人怎么走。當下的「世界模型」，大多走兩條路線。

一條是 VLA，建立在多模態大模型之上，加一個「動作專家」做改造；一條是以視頻生成模型做內核，用 2D 表征渲染出 3D 世界。

VLA 的表征停留在語言模態——你問它面前的水瓶離自己多遠，它能答「大概三十厘米」，但實際可能是十厘米，這是無法容忍的誤差。

視頻生成模型停在 2D 像素空間，對真實 3D 刻畫不足，做動作前還要先生成視頻，成本高，2D 到 3D 的誤差層層累積。

一個把世界「說」出來，一個把世界「畫」出來——可機器人要的，是把世界「算」出來。

X-Era Lab 的世界動作模型（VWA），繞開了兩條路線面臨的障礙。

據陳添水介紹，VWA 在底層架構上做了三件事：

1. 把物理與動作向量放進同一個 Token 內聯合建模，再加上時序維度，共同構成 4D 數據；

2. 沒有沿用現成的多模態大模型骨干，而是專門為幾何與動作設計了預訓練網絡；

3. 讓預訓練和后訓練的目標保持統一。別人是在后訓練階段、針對特定場景「打補丁」，而 VWA 在預訓練階段就把對物理世界的理解灌進了模型。

把三條路線擺在一起，差異其實落在同一個問題上：模型對「世界」的理解，到底停在哪一層？

VLA 停在語言層，所以它只能把物體的位置估個大概；視頻生成式停在 2D 像素層，做動作前先得生成畫面，3D 信息在這一步就漏掉了精度。

原生世界動作模型的 4D 表征

VWA 通過預測未來的 4D 世界來建模真實物理世界，也就是刻畫 3D 空間隨時間如何變化。

在這樣統一的時空表征中，場景的深度結構、機器人的動作軌跡，以及交互過程中蘊含的接觸、碰撞、形變等物理規律，都可以被放在同一套模型里聯合學習。

不同于許多基于視頻生成的世界模型，VWA 不把主要算力消耗在紋理、光影、背景等與動作決策弱相關的視覺細節上，而是繞過這些表象，直接建模三維幾何和時序運動。

當模型學習點云如何位移、物體如何碰撞、形變如何發生時，它學到的不是「世界長什么樣」，而是「世界會怎樣變化」。

更關鍵的是，X-Era Lab 并不是把 4D 表征只當作后訓練階段的輔助工具，用來重建空間或合成數據；而是從預訓練階段就把 4D 作為統一底座，讓物理理解、空間預測和動作生成落在同一套表征里聯合學習。

換句話說，別人是在用 4D 補數據，VWA 是從一開始就長在 4D 上。

因此，VWA 能以更小模型完成更復雜任務，并不是靠后期裁剪或蒸餾硬擠出來的，而是因為它從源頭減少了無效負擔。

不需要背一個龐大的多模態大模型骨干，也不需要反復生成冗余視頻畫面。

它把參數和算力集中用在與機器人行動最相關的空間、時間和物理規律上。

這也是 VWA 同時具備端側部署可行性和 Scaling Law 潛力的根本原因。

VWA 的每個物理 token 的預測都基于過往 N 個時刻所構成的 4D 表征

模型怎么「住」進芯片

模型再好，最終都要落到一顆具體的芯片上——能不能「住」得進去，才見真章。

這次的合作方是星宸科技，一家以圖像信號處理、AI 處理器、音視頻編解碼為核心 IP 的上市公司，2025 年上半年機器人視覺 AI SoC 出貨量已居全球第二。

視覺與 ISP 本就是它的老本行，而這恰恰是「理解世界」最需要的那只眼睛。

X-Era Lab 與星宸的合作一拍即合。它認為，在具身領域，軟硬協同不是加分項，而是必選項。

而星宸恰好是那個愿意「協同」的芯片方。雙方對「機器人的腦子要長在機器人身上」判斷一致，星宸也在資本和內部資源上給予了支持。

更關鍵的是，這不是「模型做完了再找芯片」的接力，而是從模型訓練的第一天，兩邊就坐在了一張桌子上。

世界模型表達的是連續的世界空間，與常見的離散壓縮不同，普通離散量化會帶來較大精度損失。

世界模型需要刻畫連續變化的物理規律，而將模型壓縮至 4 位極端精度，意味著用最離散的表示去逼近最連續的世界，本身就是一項極具挑戰的課題。

為此團隊與星宸科技展開深度合作，從底層工具鏈、算子實現到內存調度策略進行全棧聯合優化，專門為 VWA 架構量身定制，讓模型在端側芯片上既能高效運行，又能精準還原物理世界的連續性與細節。

芯片側也做了全面配合。

星宸 IPU 算力覆蓋 0.1 Tops 到上千 Tops 全檔位，按算力區間布局而非「一顆萬能芯片打天下」；自研 StarShuttle 推理框架已迭代四次，支持多模態算法與 AWQ/GPTQ 量化；面向具身智能提供的是分布式計算架構。

它還針對 VWA 的獨特算子做了芯片級優化，相比軟件級，效率可提升上百乃至上千倍。

正是這種咬合，才讓一顆成本可控的芯片，跑得起一個完整版的世界模型。

而且，星宸正在布局雙目 3D 成像與 Lidar SoC（SS901XX 系列，探測 0.5 至 500 米及以上、精度 ±0.03 米），做的正是 3D 感知。

X-Era Lab 反復強調「理解 3D 物理世界」，芯片伙伴恰好在硬件層做 3D 感知。這場合作便不只是「芯片能跑模型」，而是感知與世界理解在物理層的咬合。

一個把世界看清，一個把世界想透，遠比單純的算力適配走得更深。

X-Era Lab 表示，星宸是目前性能與成本的最優選。

它還提供跨場景、跨芯片、可量產的統一軟件底座，并以開放方式向行業釋放能力，從 Comake 開發者社區、Comake Pi 開發板，到全棧 AI 工具鏈和開源模型庫，構成「開發者賦能→產品化落地→生態規模放大」的正向飛輪。

換句話說，端側從來不是一次性的單點合作，而是一個能不斷接入新伙伴的底座。

星宸描繪過一個「多形態共存的機器人世界」：掃地的、陪伴的、清理泳池的、修剪草坪的、端茶的……不管四足的、還是兩腳的。它們形態各異，卻被同一句話框定，場景驅動，任務清晰。

原生世界動作模型部署在端側 AI 芯片的豐富應用場景

回歸

偉大的遠征，最終都不是為了離開，而是為了有能力，回到最初要去的地方。

機器人最初被改造，是為了變得更聰明，大模型的浪潮將它的「腦」托舉上云。

世界為它的聰明驚嘆，幾乎要忘了它原本是為了「做事」而生的。

一個只會思考、不能伸手的智能，想得再遠，夠不到那只正在傾倒的玻璃杯，便什么也改變不了。

X-Era Lab 與星宸今天合力做的，正是這樁關于「回歸」的事。他們要把那個一度被放逐到云端的智能，重新喚回到指甲蓋大小的身體里，讓它的眼、它的算、它的決斷，重新長在一處。

人類無數次暢想未來驚天動地的樣子。但技術真正成熟的標志，往往是相反的——是它不再被談論。

掃地機器人不再沿記憶里的路線死轉，看見地上一攤水會先繞開，而不是扎進去推得滿屋狼藉。

割草機器人開過被夜雨泡軟的草地，知道這里會陷，便放慢繞行。

服務機器人端著熱水穿過大堂，預判到那個正低頭看手機、即將拐進它路線的人，提前停下。它算的不再是「前方半米有障礙」，而是「那個人下一步會走到哪」。

此刻，在廚房流理臺邊，一只機械臂去夠那只半透明的玻璃杯。而杯子已經在往下滑。它收力、調角、托住。沒有驚險的特寫，沒有該響起的配樂，事情只是平平淡淡地過去了。

今天沒有人會贊嘆電燈會亮、風扇會轉；有朝一日，也不會有人再贊嘆一臺機器人「居然能自己想」。它只是安靜地待在客廳的某個角落，把一件件小事做完，像它本就該在那里。

這是 X-Era Lab 和星宸想做的，一切的不可想象，終將化為尋常。