清华团队发布两项Physical AI成果，RoboTwin评测登顶

近日，厘清智能创始人、清华大学人工智能学院李一鸣教授团队发布两项 Physical AI 研究成果：世界动作模型 PrismWAM，以及面向机器人执行诊断与持续改进的 Agentic 框架 RoboDoctor。PrismWAM 在 RoboTwin 2.0 评测中位列第一；RoboDoctor 在覆盖 RoboDojo 全部 54 项任务的测试中取得 57.1 分，位居当前对比首位。

随着通用基础模型理解、推理与规划能力不断增强，一个更根本的问题浮现：让机器人理解世界，和让机器人真正改变世界，是两种不同能力。理解指令不等于知道如何施力，识别物体不等于理解其接触、运动与受力变化，规划路径不意味着能可靠完成任务。这正是 Physical AI 下一阶段的关键命题：Scaling Semantics，还是 Scaling Physics？前者让模型拥有更强语义理解与任务推理，后者让模型理解物理状态与动作后果，使机器人能感知变化、应对不确定性，并在失败中纠正与自我改进。两项工作分别从模型与系统层面探索 Scaling Physics。

现有世界动作模型尝试将未来状态预测与动作生成结合，但问题在于：是否应把世界外观当作世界状态本身来建模？RGB 视频中语义信息与物理信息交织，却具有不同控制价值。PrismWAM 的核心洞察是将语义上下文与物理状态解耦，建立 Semantic Planning → Physical Rollout → Executable Action 的注意力链路：从 RGB 观测学习任务语义，通过深度表征预测连续几何状态变化，动作生成直接利用物理演化表征，不直接读取 RGB 特征，使建模能力更多用于几何结构与空间状态变化。

RoboTwin 是双臂机器人操作权威评测基准，涵盖 50 项任务并在背景、光照、杂物、桌面高度与语言指令五个维度随机化。C2R 评测重点考察从干净训练环境迁移到随机化测试环境的泛化能力。在没有动作数据预训练的情况下，PrismWAM 在两类场景平均成功率达 83.67%，取得官方榜单第一（截至 2026 年 10 月 23 日）；C2R 高难度评测成功率 75.5%。

PrismWAM 使用预训练视频模型初始化，并针对深度编码器进行约 2,300 小时深度数据预训练，但未进行额外动作数据预训练，减少了对大规模动作预训练的依赖。其在 RoboTwin 2.0 上超越 OpenWAM、Xiaomi Robotics-0、π0.5 等采用大规模动作数据预训练的方法，在 RoboDojo 上也超越一众同类方法。这并不意味着动作数据预训练不再重要，而是揭示另一种可能性：决定数据价值的不仅是规模，还有数据质量、模态以及模型学习世界的方式。

需要强调，PrismWAM 仍是 proof of concept，并未证明大规模动作数据不再必要，而是尝试证明通过重新思考语义理解、物理状态与动作输出的关系，模型有机会以更高数据效率建立强大世界动作模型。Scaling Physics 不是拒绝 Scaling，而是重新思考 Scaling 的对象。

当机器人从单次动作生成走向长程任务执行，Scaling Physics 还需进入系统层面，这正是 RoboDoctor 的出发点。长程任务中前一步结果会改变后一步条件，一次抓取偏移可能影响放置，一次接触失误可能让合理动作失效。从 Policy 到 Agent，底层策略根据观测生成动作，系统进一步管理动作与任务结果的关系：执行前判断是否干预，执行后检查是否达到预期，并将判断连接到后续步骤，使物理能力提升从单次动作生成延伸到完整任务的闭环执行。