当“魔兽世界（Wow）”以奇幻大陆承载无数玩家想象时，北京人形机器人创新中心在10月16日在晚八点以直播形式，宣布开源了人形WoW（英文WORLD-OMNISCIENT WORLD-MODEL）世界模型，以140亿参数和200万条机器人互动轨迹，在AI领域构建一个更贴近现实物理规律的“真实世界模拟器”。

图开源直播现场

很多读者可能又是魔兽玩家又是机器人研究者，以后可能会同时研究两个Wow。

WoW世界模型让AI首次通过“亲手互动”掌握物理直觉，打破了当前视频生成模型（如Sora）“只会模仿画面、不懂因果规律”的困局。随着模型、数据与基准测试集的全面开源，AI会越来越满足物理一致性约束。

一、比魔兽世界更神奇：世界真实感

提到“Wow”，多数人会先想到魔兽世界里的魔法、副本与奇幻生物，但北京团队推出的人形WoW世界模型，却用另一种“魔法”颠覆认知——它让AI像人类一样，通过“触摸、推动、摆放”物体，理解“重力会让杯子下落”“推桌子会产生位移”这些朴素却核心的物理规律。

 图 人形机器人世界模型概览图，来自论文《WOW: TOWARDS A WORLD-OMNISCIENT WORLD-MODEL THROUGH EMBODIED INTERACTION》

魔兽世界的魅力在于“构建虚拟规则”，玩家遵循游戏设定的魔法体系与战斗逻辑即可沉浸其中；而人形WoW的突破在于“还原真实物理”——它不再依赖“看一万段杯子落地的视频”来模仿画面，而是通过“机器人亲手推杯子、接物体”的互动数据，学习“动作与结果”之间的因果关系。比如，当AI需要生成“堆叠积木”的视频时，魔兽世界的逻辑可能允许“积木悬浮叠放”，但人形WoW会严格遵循“下面积木支撑上方重量”“倾斜角度过大积木会倒塌”的物理规律，生成的内容不仅视觉真实，更符合现实世界的运行逻辑。

能为所欲为的世界，看似美好，但不一会就会因为缺乏真实感而索然无味。即使游戏世界也要有规则，有真实感，才能吸引玩家。

这种“真实感”正是当前AI最稀缺的能力。此前，Sora等视频模型虽能生成超写实画面，却常出现“人踩水不沉”“物体穿透墙壁”的“物理幻觉”，根源在于它们是“被动的观察者”；而人形WoW是“主动的互动者”，它的“魔法”不是特效合成，而是对真实物理因果的深度理解——这也是它比魔兽世界更具技术突破性的核心所在。

 图世界模型发展的两种路径，根据物理规律推算和根据大模型大数据模拟，来自论文

人形WoW无疑采用了右边的路径--large model + massive data。其结果就是驱动天工机器人能在复杂地形中考虑物理约束自由运行。

图Wow加持天工机器人户外运行，直播截图

二、200万条机器人互动轨迹

人形WoW的核心竞争力，在于学习“200万条机器人互动轨迹”。这些数据记录着机器人与物理世界每一次“动作-反馈”的因果关联，也是AI理解物理规律的“第一手资料”。 

图WoW根据物理轨迹学习，来自论文

一条机器人互动轨迹具体是什么样子？它不是简单的“机器人移动视频”，而是包含多维度数据的结构化记录**、、，我们可以通过一个“机器人推杯子”的案例来拆解：

• 动作数据：精确记录机器人执行的操作细节——机械臂的初始位置（距离杯子左侧10cm、高度5cm）、施加的力度（3牛顿）、推动方向（水平向右）、动作持续时间（0.5秒），甚至包括机械关节的旋转角度（肘部关节转动15度）；

• 环境数据：标注互动时的场景信息——杯子的物理属性（材质为陶瓷、重量200g、底部直径8cm）、桌面状态（木质表面、摩擦系数0.3、是否水平）、环境光照（亮度500lux）、是否存在其他障碍物（如杯子右侧5cm处有一本书）；

• 反馈数据：记录动作引发的物理结果——杯子的位移轨迹（从初始位置向右移动12cm）、运动状态变化（从静止加速到0.2m/s，最终因摩擦力减速停止）、是否发生碰撞（推动过程中未触碰其他物体）、是否出现意外情况（如杯子轻微倾斜但未倾倒）。

图从800万条原始数据提炼到200万条高质量数据，直播截图

这200万条轨迹覆盖了更丰富的场景：从“堆叠不同形状的积木”“抓取不同重量的物体”“推动不同材质的箱子”，到“在倾斜平面上放置物品”“应对物体碰撞后的连锁反应”。每条轨迹都像一次“物理实验记录”，将“动作”与“物理结果”强绑定——比如“用5牛顿的力推塑料杯”和“用5牛顿的力推金属杯”，反馈数据中“位移距离”的差异，会让AI逐渐理解“质量与加速度”的关系（牛顿第二定律的朴素表达）。

图这不是真的，孤独的美食家和吴京，直播截图

上面两个场景一个是机械臂服务志村五郎，把水倒在了桌子上；一个是机械臂递给吴京一个后视镜，都是生成的，但因为符合物理规律所以真实，“生成模型是没有物理规律的，但我们有”。

相比之下，传统视频模型的训练数据（如电影、短视频）只是“结果的展示”——它能看到“杯子移动了12cm”，却看不到“是3牛顿的力推动的”，更无法关联“力度与位移”的因果。而200万条互动轨迹，正是为人形WoW搭建了“从动作到结果”的认知桥梁，让AI不是“看物理”，而是“做物理”。

三、破解AI物理认知难题：从“幻觉”到“直觉”

AI物理认知的核心难题：物理直觉不足、随机性不稳定性突出、物理幻觉频发。

1. 物理直觉：AI的“朴素物理认知”

物理直觉是人类与生俱来的能力——婴儿看到玩具掉落，会预判它会落到地上；成年人推桌子，会知道用的力越大，桌子动得越快。这种“无需复杂计算就能预判物理结果”的能力，正是人形WoW试图让AI掌握的核心。

通过200万条互动轨迹的训练，WoW不再是“机械模仿画面”，而是能基于物理规律做预判。比如给定“在桌子边缘放一个苹果”的场景，它能预判“苹果超过边缘1/3会掉落”，而不是像传统模型那样，可能生成“苹果悬在边缘外却不掉落”的错误结果。这种预判能力，就是AI物理直觉的体现。

2. 随机性不稳定性：概率分布带来的“波动”

研究发现，WoW对物理规律的理解，本质上是“合理结果的概率分布”。比如“推杯子”时，它会根据历史数据，认为“杯子可能移动10-14cm”，而不是一个固定值——这种概率特性虽让模型更贴近现实（现实中推杯子的结果受摩擦、力度微小差异影响，本就不是完全固定），但也带来了“随机性不稳定性”。

例如，在预判“杯子落地时间”时，多次生成的结果在0.8-1.2秒之间波动，虽都在合理范围，但缺乏稳定性。这种不稳定性，是模型从“确定性认知”转向“概率性认知”过程中必然出现的现象。

3. 物理幻觉：AI的“违背物理规律”错误

物理幻觉是当前视频生成模型的通病，指生成内容违背客观物理规律。即使是WoW，初期也会出现这类问题——比如生成“杯子从桌子上掉落，却中途悬浮1秒”“两个物体碰撞后，穿透彼此继续运动”的画面。

究其根源，是模型虽学习了大量互动轨迹，但仍未完全掌握“底层物理逻辑”。比如它知道“推杯子会动”，却没完全理解“重力是持续作用的力”，因此在生成视频时，可能因对“重力作用时间”的判断失误，导致杯子悬浮。而解决物理幻觉，正是SOPHIA框架的核心任务。

4. 逆动力学：连接“想象”与“行动”的桥梁

逆动力学模型是WoW实现“从想到做”的关键。传统AI可能“想到要让杯子移动10cm”，却不知道“该用多大的力、从哪个角度推”；而逆动力学模型通过联合训练，能根据“目标结果”反推“所需动作”——比如已知“让杯子向右移动10cm”，它能计算出“需用3牛顿的力，从杯子左侧水平推动0.5秒”，并将这些参数转化为机器人的具体操作指令（如机械臂关节的转动角度、电机的输出功率）。

图背后屏幕上展示Wow IDM过程，IDM 是 “Inverse Dynamics Model” 的缩写，即逆动力学模型

这一能力让WoW不再是“只会想象的模型”，而是能指导机器人行动的“实用工具”——它可以规划“堆叠10块积木的步骤”，再通过逆动力学模型，让机器人一步步执行，实现“想象-行动”的闭环。

四、SOPHIA框架：给世界模型反馈的触手

为解决WoW的物理幻觉与随机性不稳定性，研究团队设计了SOPHIA框架——它像一位“懂物理的裁判”，通过视觉-语言模型的评估与引导，将AI的“涌现能力”约束在合理的物理范围内。

图SOPHIA框架给予世界模型感知反馈，直播截图

图闭环反馈的SOFHIA，来自论文

1、生成结果评估：首先让WoW生成一段包含物理互动的视频（如“机器人推杯子”），然后调用视觉-语言模型（如GPT-4V、Gemini Pro Vision）作为“评估者”，对视频内容进行物理规律校验。评估者会基于“人类物理常识”判断内容是否合理，比如识别“杯子是否悬浮”“物体是否穿透”“运动轨迹是否符合重力规律”，并标注出存在物理幻觉的帧（如“第15帧，杯子在无外力作用下突然改变运动方向，违背惯性定律”）。

2. 语言指令引导：针对评估出的问题，视觉-语言模型会生成“修正型语言指令”。这些指令不是复杂的代码，而是贴近人类表达的物理规则描述，比如“修正第15帧的杯子运动轨迹，使其保持匀速直线运动，直到受到桌面摩擦力减速停止”“确保所有帧中，物体下落时的速度随时间增加，符合重力加速度规律”。这种语言指令的优势在于“灵活且易懂”，能让WoW快速理解“需要修正的物理逻辑”。

3. 迭代优化生成：WoW根据修正后的语言指令，重新生成视频内容。这个过程会反复迭代——新生成的视频会再次被评估，若仍存在物理问题，评估者会进一步细化指令（如“将杯子下落的加速度调整为9.8m/s²，更贴近真实重力”），直到生成的内容完全符合物理规律。

通过SOPHIA框架，WoW的物理幻觉和随机性不稳定性也得到显著缓解。比如此前生成“积木堆叠”时，可能出现“上层积木压垮下层积木却不倒塌”的错误，经过SOPHIA优化后，模型会根据“积木承重能力”调整堆叠方式，确保“下层积木能支撑上层重量”，生成的画面既视觉流畅，又符合物理逻辑。

五、WoWBench基准测试集

为了客观衡量AI的物理认知能力，北京团队还构建了WoWBench基准测试集——这是全球首个聚焦“视频物理一致性与因果推理”的基准，像一张“AI物理能力成绩单”，从多个维度评估模型的真实水平。

图现场嘉宾畅谈WoWBench，直播截图

图WoWBench全览，来自论文

1. WoWBench的测试维度

WoWBench包含5类核心测试任务，每类任务都对应现实中的物理场景，覆盖AI物理认知的关键能力：

• 物理因果关系：测试模型是否理解“动作与结果”的因果关联。例如给定“机器人推桌子”的视频片段，让模型预判“桌子是否会移动”“移动方向与距离”，并解释“为什么会出现这样的结果”。

• 碰撞动力学：评估模型对物体碰撞后运动状态的理解。比如测试“两个不同质量的球碰撞后，各自的反弹方向与速度”，判断模型是否掌握“动量守恒”的朴素规律。

• 物体恒存性：验证模型是否知晓“物体即使不在视野中，也依然存在”。例如视频中“杯子被书本挡住”，测试模型是否能预判“移开书本后，杯子仍在原位”，而非认为“杯子消失”。

• 稳定性判断：测试模型对物体平衡状态的认知。比如展示“不同角度倾斜的积木塔”，让模型判断“塔是否会倒塌”，以及“倒塌的时间与方式”。

• 复杂场景推理：在多物体、多动作的复杂场景中，评估模型的综合物理推理能力。例如“机器人同时推两个相邻的箱子，箱子之间会发生碰撞，进而影响各自的运动轨迹”，测试模型是否能完整预判整个过程的物理结果。

WoWBench的推出，不仅证明了WoW模型的领先性，更填补了AI领域“物理认知能力评估”的空白。此前，行业缺乏专门的基准测试集，只能通过“人工肉眼观察”判断模型是否存在物理幻觉；而WoWBench提供了标准化的测试任务与量化指标，让“AI懂不懂物理”有了可衡量的标准。

六、总结

北京人形WoW世界模型的开源，是一次技术成果的共享，更是为AI领域指明了一条从“被动观察”到“主动理解”的新路径。它用140亿参数、200万条机器人互动轨迹、SOPHIA框架与WoWBench基准，构建了一套完整的“AI物理认知体系”，证明了“大规模真实世界互动”是AI获得物理直觉的基础。

回顾整个研究，其核心突破可概括为三点：

第一，数据层面，用“机器人互动轨迹”替代“视频数据”，让AI从“看物理”转向“做物理”，真正掌握“动作-结果”的因果关系；

第二，能力层面，通过SOPHIA框架解决物理幻觉与不稳定性，让AI的物理认知从“概率性波动”走向“规律性稳定”；

第三，应用层面，用逆动力学模型实现“想象-行动”闭环，让AI从“只会生成视频”转向“能指导机器人行动”，具备了实用价值。

随着模型与WoWBench的全面开源（paper，code，model，Demo都可以免费获取），更多研究团队将能基于这一基础，进一步探索AI物理直觉的边界——比如将互动数据扩展到“液体、气体等更复杂的物理场景”，或优化SOPHIA框架，让AI能理解“更精细的物理规律”（如摩擦力与温度的关系）。