AI生成真实物理反馈！CurrentWorld-0统一机器人世界仿真

一段看似普通的机械操作视频正在重新定义机器人研发的测试逻辑：机械臂精准拧开啤酒瓶盖，白色酒液裹挟着细密泡沫顺着瓶口涌出，随后倾斜酒瓶将酒液稳稳注入杯中。整套动作流畅自然，和真机实拍几乎没有区别，但很少有人知道——从瓶盖弹开的瞬间、流体的动态变化到全程的物理反馈，整段画面全部由AI实时推演生成。

这项成果来自Current Robotics团队，他们刚刚推出了一款名为CurrentWorld-0的交互式世界仿真器。这款工具首次将跨本体适配、多视角同步与力触觉预测整合进同一系统，是团队继人形全身精细操作模型Curr-0之后的又一突破性进展。

这支低调的技术团队背后，有着深厚的学术与产业积淀。团队创始人曾任职头部家电集团具身智能部门负责人，累计发表四十余篇顶级学术会议论文，总引用量超过5200次。作为国内最早开展VLA与世界模型研究的学者之一，他带领团队率先提出了扩散模型与VLM端到端的VLA范式TinyVLA，拓展了VLA+CoT策略的应用边界，相关成果发表于ICML与CoRL；同时他还较早提出了用世界模型进行具身策略评估的dWorldEval框架，该研究还入选了ICML高亮论文。值得一提的是，知名具身智能研究团队Physical Intelligence在其里程碑论文π0中，曾引用该团队的TinyVLA与ScaleDP研究成果。

从早期的VLA大模型研发、人类示教数据探索，到全身机器人学习的前沿实践，这些多年的技术沉淀最终成为了Current Robotics的核心技术底座。而CurrentWorld-0的核心目标非常明确：

机器人的身体和观察方式可以千差万别，但在走进真实世界前，它们演练的必须是同一个世界。

机器人世界模型的研发往往从通用视频生成模型起步，经过大规模预训练后，模型已经掌握了不少基础的视觉与运动规律：比如物体被遮挡后不会凭空消失、形状不会突然改变、运动轨迹通常保持连续性。对于常规的抓取动作，模型已经在海量训练数据中见过无数次“伸手-抓取-举起”的流程，这对于视频生成来说是优势，但放到机器人训练中却会带来新的问题。

大量的成功案例让模型形成了固定的成功轨迹先验，当一个未完全训练成熟的策略出现动作偏差时，模型反而会自动修正后续结果，让失败的动作看起来依然成功。比如机械臂实际没有抓稳物体，但生成的画面里物体却跟着机械臂移动；真实执行已经失败，但模型给出的未来预测却依然完成了任务。这种“自动纠错”会直接导致机器人评测结果失真。

Current Robotics此前在dWorldEval研究中，就聚焦于解决世界模型的动作可控性问题：当机器人的动作发生变化时，虚拟世界的后续状态必须同步跟随变化。具体来说，如果机器人动作向左偏移，虚拟物体就不能继续沿原轨迹运动；如果动作执行失败，模型不能自动补全成功的结果。这也是CurrentWorld-0最基础的设计准则：机器人怎么做，世界就怎么变化；即使做错了，模型也不能替它把结果纠正回来。

我们可以举一个简单的例子：让机器人把桌上的杯子往前推一点。如果执行者是固定双臂机器人，动作可能仅涉及机械臂关节的运动；如果换成带升降底盘的移动双臂机器人，那么底盘移动与升降机构的动作也会被纳入整体流程；如果是人形机器人，整个动作则需要全身的协调控制。同样一句指令，对应到不同形态的机器人身上，实际输入模型的动作参数完全不同。

因此CurrentWorld-0并没有预设统一的动作格式，而是为不同机器人本体保留了专属的动作子空间。模型的核心任务就是基于这些差异化的动作输入，推演后续的环境变化：比如杯子受到的作用力、位置偏移的距离，以及场景的后续状态变化。这也是跨本体建模的核心难点所在：无论机器人的形态、动作接口如何变化，同一物体的物理属性都不会改变，不会因为执行者不同就改变重量或运动规律。

仅仅掌握物体的位置变化还不足以完成完整的机器人评测。机器人在执行任务时通常会搭载多个摄像头：全局视角可以观察整个桌面场景，头部相机随机器人移动同步视角，腕部相机则紧贴机械手捕捉细节。一个动作发生后，同一个物体需要同时出现在多个不同视角的画面中。这时候，评测的核心就不再是单帧画面的逼真度，而是多个视角之间的一致性。

比如全局视角已经显示杯子向前移动了十几厘米，但腕部相机里的杯子却还停留在原位；或者物体被机械臂遮挡几秒后再次出现时，位置发生了突兀的跳变。任何一个视角出现这种视觉漂移，都会导致整个物理评测过程断裂。CurrentWorld-0需要维持的，正是多个摄像头对同一事件的同步一致记录。在当前的演示demo中，模型可以同步生成多路视角画面，让机器人、物体与场景的状态随着操作持续动态变化。

如果把任务从推杯子换成夹薯片或者削黄瓜，复杂度会进一步提升。当机械臂的夹爪已经移动到薯片盘上方，从视觉上看位置完全正确，但仅凭画面无法判断夹爪是否真正捏住了薯片。类似的，当削皮刀贴紧黄瓜表面时，也不能确定这一刀已经真正切入黄瓜：如果受力过轻，可能只是在表面划过；如果接触不稳定，下一秒就可能发生滑移。因此CurrentWorld-0还将力觉与触觉预测纳入了系统。

工具何时真正受力、接触是否实际发生、抓取是否稳定，这些原本无法通过像素直接观察到的状态，都会随着机器人的动作同步推演变化。

综合来看，一次完整的机器人任务评测需要锚定一整个连续的交互过程：

• 机器人按照自身的动作逻辑执行操作，带动环境物体产生变化
• 多个摄像头从不同视角同步记录这个过程
• 当发生实际接触时，力觉与触觉反馈会补充画面中无法直接观察到的细节

CurrentWorld-0将跨本体适配、多视角同步与力触觉预测三者整合，最终目标是完整还原从动作输入、环境响应、接触发生到物理反馈出现的全流程。

在真实的真机测试中，想要复现某一个中间状态往往非常困难。随着动作推进，物体位置、机器人姿态与接触关系都会不断变化，如果想要从同一个节点重新尝试，通常需要重新复位整个场景，再从头执行一遍流程，既耗时又费力。但在CurrentWorld-0中，这个过程可以被随时中止。

当机器人在自主执行策略时进入潜在失败状态，操作员可以通过遥操作直接接管，从当前节点继续完成后续动作；当前的场景状态也可以被保存和回滚，一次尝试结束后，可以回到同一个节点，更换不同的动作策略再次推进。这样一来，同一个中间状态之后可以衔接不同的动作选择，得到不同的推演结果。

这一设计延续了该团队此前Hi-WM（Human-in-the-World-Model）的研究思路。在CurrentWorld-0中，每一次人工接管都会重新展开后续的交互过程：画面会持续动态变化，新的接触会触发对应的力与触觉反馈，操作员的纠正动作也会被完整记录下来。这些信息会组成新的交互轨迹，可用于后续的策略微调训练。原本只会被执行一次的状态，现在可以被反复调用，从不同的动作选择中探索最优路径。

随着机器人技术的发展，机器人的硬件形态会越来越多样，本体设计、数据采集、模型架构与控制方式都在不断分化。但无论选择哪一条技术路线，机器人的最终能力都需要回到真实世界中接受检验。正如《周易·系辞》中所说“天下同归而殊涂，一致而百虑”，尽管研发路径千差万别，最终的目标都是让机器人拥有适配真实世界的能力。

CurrentWorld-0想要扮演的，就是机器人进入真实世界前的最后一道关卡：让那些尚未经过现实检验的动作策略，先在这里完成演练、试错与优化。尽管机器人可以有上千种不同的执行路径，但它们最终面对的，始终是同一个标准化的虚拟世界。