专访酷哇杨学：世界模型的下半场，是把一次成功变成长期服务

本文来自微信公众号： 甲子光年 ，作者：田思奇，编辑：栗子，原文标题：《专访酷哇杨学：世界模型的下半场，是把一次成功变成长期服务｜甲子光年》

从目标检测到世界模型，杨学的研究只围着一件事：让机器理解物理世界，并在其中长期稳定地工作。这一次，他把实验室搬进了50多座真实城市。

近期举行的2026世界人工智能大会（WAIC）上，具身智能行业的注意力，已经从机器人能不能动，转向它能不能进入真实场景干活。但完成一次任务，只能证明这项能力存在，不能证明机器人具备了部署价值。

机器人把一件事做成一次，是技术演示；把同一件事稳定做成一万次，才是产品。在杨学看来，真正值得追问的不是那一次漂亮的演示，而是同一项任务，为什么有时三分钟完成，有时拖到半个小时。波动、接管与失控，才是真实世界给技术的评分。

而一万次稳定的前提，是机器人真正理解自己所处的物理世界。如今它已经能够识别物体、理解指令并生成动作，却未必真正理解物理世界。认出桌边有一个杯子并不困难，更难的是判断碰到它以后会不会掉下来、会撞到什么，以及自己是否还应该继续行动。杨学认为，当前行业真正的难点就在这里：模型还不能准确判断自己的行动会带来什么后果。

多年来，杨学已经习惯从平均值照不到的地方进入研究。他的履历足够光鲜：上海交大长聘教轨助理教授、博士生导师，连续三年入选斯坦福大学全球前2%顶尖科学家榜单，在复杂视觉感知、弱监督学习、多模态大模型和智能体等方向发表论文70余篇，谷歌学术引用超13000次。但比履历更重要的是，他的研究始终追问同一件事：机器“看见”世界之后，究竟该怎么办。

2026年8月3日，酷哇科技宣布杨学出任首席科学家，并与上海交通大学共建通用具身智能联合实验室，重点推进模型研发、真机验证和人才培养。

这不是一次理所当然的结合。

2020年，还在上海交大读博的杨学第一次接触酷哇，心里的评价并不客气。当时正值计算机视觉的快速上升期，学术界的主旋律是在公开数据集上刷精度、刷榜单，自动驾驶产业则全力奔赴更复杂、更开放的公共道路。相比之下，2015年成立的酷哇扎根低速的城市服务赛道，设备大多运行在封闭、半封闭的城市场景里。站在学术视角看，这个场景不够前沿，也不够fancy。

后来，他重新理解了这条路线。2019年，如果一家公司宣称要做通用智能、谈世界模型，离当时的技术条件还很远。酷哇的选择是先从技术够得着的有价值场景切入，把系统做成能够长期运行的产品，再随着模型、算力和数据条件成熟，逐步走向更开放的城市服务任务。

今天，酷哇的机器人已在全球50多座城市及地区常态化运营，形成万台级真机部署，积累约50PB物理交互数据。数据量本身不会自动变成模型能力，长期部署真正的价值，在于系统会反复遇到长尾场景、人工接管、任务异常和动作修正，并把这些发现重新喂回模型训练。

对杨学来说，论文上的指标也越来越难以满足研究追求。他更想知道：一个方法离开公开数据集之后，还剩多少本事，放到真实的物理世界中到底有没有用。

七年前，他们一起解决的是怎么让机器人看得更准。七年后，问题往前走了一大步：机器人看见城市之后，能不能理解接下来会发生什么，并且把一次性的成功，变成长期稳定的运营。

以下是「甲子光年」与杨学的对话，经编辑整理。

1.方差，比平均成功率更难美化

甲子光年：这届WAIC，你印象最深的行业变化是什么？

杨学：以前大家喜欢找一些比较fancy的任务来炫技，比如打乒乓球、拳击，证明机器人能动；现在慢慢开始结合真实场景，讨论机器人到底能不能干活。比如智元把工厂和仓储搬到现场，蚂蚁在做零售药房场景，云深处做防汛救援，这些都更贴近实际应用。

机器人的大脑和小脑究竟发展到什么程度，业内还可以继续争论。但市场都在追问，怎样把这些能力转化成落地产品。从证明我能动，转向证明我有用，总体上变得更加务实了，我觉得这是一个很好的信号。

甲子光年：很多机器人在固定场景表现稳定，一旦进入开放复杂环境就频繁失效，这是否意味着行业过去把问题想得过于简单？

杨学：我不太愿意这么讲。解决复杂任务不可能一步到位，一般都是先加一些条件，把最核心的问题做出来。固定场景就是其中一个假设，后面再慢慢把这个假设拿掉，进入更开放的环境。

学术研究和产业落地，很多时候走的都是这条路。先把问题的边界定义清楚，证明一个方法在受控条件下成立，然后逐步减少对环境、任务和人工规则的依赖。假设越来越少，系统能处理的变化越来越多，技术才慢慢走向成熟。

用机器学习的话说，这本质上是一个分布外泛化的问题：模型在训练分布内表现好，不代表在分布外可靠。产业界每放松一个假设，都是在用真实数据扩大分布的覆盖范围。这件事没有捷径，只能一点点拱过去。

甲子光年：很多企业都说自己的机器人能干活了，但完成一次任务、持续工作、规模化复制，显然是不同的阶段。你怎么判断一个机器人是不是真到了可用门槛？

杨学：我会看三个指标：长时运行的稳定性、异常后的自恢复能力，以及任务完成时间的方差。

第一是无故障运行时间。机器人在真实、开放的环境中能够连续运行多久，平均多长时间需要一次人工介入。自动驾驶行业过去用接管里程衡量系统的成熟度，机器人也是同理。无故障运行时间和人工介入频率，是稳定性最直接的衡量指标。

第二是异常自恢复能力。系统运行的时间足够长，就一定会遇到临时障碍、遮挡或环境变化。关键不在于永不犯错，不出错的系统不存在，而在于出错之后，能否自主发现、自主脱困，并把任务继续完成。一次演示成功证明的是可能性，能够从意外中恢复，才更接近可用性。

第三可能大家提得比较少，就是任务完成时间的方差，主要看同一项任务的时间一致性，也就是每次完成任务的时间方差大不大。

甲子光年：为什么你特别关注任务完成时间的方差？

杨学：因为方差比平均成功率更难美化。

从统计的角度看，平均成功率只是一个点估计，方差描述的才是分布的形状。一个系统的可靠性，是由分布的尾部决定的，不是由均值决定的。

同一个任务，有时候很快完成，有时候拖很久，说明系统的决策并不稳定。可能大部分任务最后都成功了，平均成功率看着还挺漂亮，但只要冒出一两次意外，时间方差就会被拉得很大。对产线或者城市服务来说，这种波动直接影响实际使用。所以方差是更有代表性的数据。

2.一个信任的中间人，

和双方都想解决的真问题

甲子光年：回到2020年，你和酷哇最早是怎么开始合作的？

杨学：主要是通过我的博导严骏驰教授。他和何弢博士（酷哇创始人兼CEO）是前同事，跟廖文龙博士（酷哇创始人兼CTO）是多年的好友。这是第一层连接。

第二是研究方向。我当时主要做目标检测和计算机视觉，酷哇做自动驾驶，也在研究三维目标检测和环境感知。大家面对的都是复杂场景中的目标定位、方向估计和识别问题，所以很自然地开始了学术合作。

我个人引用最高的几篇论文里，也有何博和廖博参与。很荣幸这些成果取得了不错的影响力。我觉得好的产学研合作其实不复杂：一个信任的中间人，加一个双方共同关心的问题。

甲子光年：刚接触酷哇时，你对这家公司的看法是什么？

杨学：说得直接一点，刚开始从学术研究的视角看，城市环卫这个场景确实没有那么fancy。它主要是封闭或者半封闭的作业场景，跟那些谈通用智能、谈世界模型的方向比起来，容易让人觉得问题简单，学术价值不大。

但深入合作以后，我意识到要把一项技术做成产品，还是得看清现实。7年前，如果一家公司说要实现世界模型或者通用智能，按当时的技术条件还有十万八千里远。酷哇选择城市环卫这样一个相对可控的场景，其实先把当时能够解决的问题先解决，让机器人先在真实场景里跑起来。

现在经过十余年的产品和运营积累，原来的场景已经比较成熟了，沉淀出大规模的数据，模型、算力的水平也提上来了，才有条件继续往更多城市服务场景延伸。而且你会发现很多当年看起来更fancy的公司，今天已经不在了；酷哇还在，而且是在真实的商业运营里积累了11年。过去那些看起来比较传统的业务，现在反而成为世界模型研究很重要的真实基础。

甲子光年：酷哇是做世界模型的。从目标检测走到多模态大模型、Agent和具身智能，你觉得自己的研究主线变了吗？这和酷哇关注的方向还一致吗？

杨学：对我来说始终是一条线。早期做视觉，首先解决一个东西是什么、在哪里。感知做得越来越好以后，自然会继续问：它接下来会怎样变化，机器应该作出什么决策，这个决策能不能落到真实设备上。

所以我给自己的概括很简单：先把感知做好，再把预测、决策，落地做好。研究题目的名字一直在变，但问题是在沿着这条线往后走。我毕业后先去产业界做了一段时间多模态大模型，回到高校后继续沿着这个方向走，世界模型是我认为必须发力的一条线。单点优化已经不够了，必须要建立对一整个世界的理解。

酷哇的技术问题也从自动驾驶感知逐渐延伸到具身智能和世界模型，这是我们能够继续合作的基础。

甲子光年：跟酷哇合作了这么久，你觉得学术团队和企业评价同一项成果，标准有什么不一样？

杨学：学术界会看模型在数据集上提高了多少，方法有没有创新和理论解释。企业会问更直接的问题：识别准确率提高以后，机器人是不是会少犯错，目标是不是识别得更准，后续的任务执行是不是更顺利。

这也影响了我自己做研究的方式。我其实挺懒的，不太想每年追一个最热的题目，再从头做起。硕士和博士阶段，我很长时间都围着一个相对集中的问题做研究，但会把模型、优化、数据和工具都做一遍。除了提算法，我还得想别人能不能复现，后面能不能接着用。

要让具身智能的研究成果落地，这种系统视角更重要。感知、预测和决策单独看都可能表现很好，但接进同一套系统以后，误差会沿着链路级联放大，延迟、算力和设备限制又会互相耦合。系统的上限，往往不取决于单个模块的最高分，而取决于模块之间误差的传递方式。很多问题不是再换一个模型就能解决的。

甲子光年：既然双方已经合作多年，为什么这次还要进一步担任酷哇首席科学家？

杨学：因为我们现在想解决的问题，已经不只是一个模型在数据集上能提高多少精度，而是它进入真实系统以后，能不能长期运行，遇到异常能不能恢复，改过以后是不是真的比上一次更好。

过去我们的合作更偏学术研究，比较明确的产出是论文。但这些真机问题不会随着论文发表而结束。公开数据集里的条件相对明确，真实城市却会不断出现新的corner cases。它们究竟来自感知、预测、决策，还是系统接口，需要模型、数据和工程团队一起往下追。

酷哇能够提供长期运行的设备、工程团队和真实反馈，上海交大有人才和研究基础。担任首席科学家，是希望把过去相对项目制的合作变得更稳定，让现场问题有人持续跟进，研究成果也能真正回到产品中。

甲子光年：随着设备形态和业务场景增加，酷哇接下来最需要研究的长期问题是什么？

杨学：过去在一个相对确定的场景里，可以依靠后训练微调和工程经验不断优化。但场景越来越多，涉及到的机器人形态和任务越来越多以后，系统会变得越来越复杂；直接换一个参数量更大的模型，也不意味着它就理解了真实世界。

接下来需要回答的是，哪些认知和决策能力可以在不同形态的机器人之间复用，哪些真实场景数据真正值得模型学习，以及机器人怎样判断自己完成的是一项任务，而不只是执行了一个动作。

这些问题不能只靠一篇论文解决，也不能只靠工程团队不断打补丁。首席科学家不应该替代工程负责人，而是把前沿研究和长期部署中暴露的问题接起来。

甲子光年：成为酷哇首席科学家后，准备优先推动哪些问题？

杨学：目前主要有三个：极端场景下的鲁棒性、轻量化决策模型的实时性，以及真机部署中的系统可靠性。

甲子光年：如果只能先选一个呢？

杨学：我会先选鲁棒性。因为它离模型核心好不好用，能不能落地最近。实时性、系统延迟、工程可靠性当然都很重要，但只要核心能力立得住，工程团队一般还能通过模型压缩、代码优化和系统设计接着往上走。

但如果到了复杂交互或长程任务，模型能不能做出合理判断，这就是更根本的问题了。判断错了，跑得再快也没用。

甲子光年：酷哇在跟上海交大筹建的通用具身智能联合实验室，你作为负责人会希望什么样的人才加入？

杨学：论文能说明一部分能力，但我更看重的，是潜力、主动性，和一个人是不是真的愿意去解决真问题。

具身智能里有很多真实的工作不一定fancy，甚至可以说是脏活累活，“dirty work”。你可能要拆机、查日志、跑现场复现故障，也可能要跟产品经理争论，这到底是算法没做好，还是任务一开始就定义错了。这些事情短期内不一定能变成一篇好看的论文，但产品要真做出来，就必须有人一直把真问题追下去。

理论基础和工程能力都得有。好的研究者应该愿意碰设备，好的工程师也要能理解模型为什么会失效。我们想找带着扳手的科学家，也想找懂微积分的工程师。

3.50PB数据不会自动长成世界模型

甲子光年：机器人已经能识别物体、理解指令并生成动作，为什么仍然不能说它理解了物理世界？

杨学：知道一个东西是什么、在哪里，主要还是感知。真实世界不光会变化，还会被机器人自己的动作改变。

机器人认出桌子上的杯子，把杯子拿过来，现在这都不难。但它还要知道杯子放在桌子边缘的意义：碰一下会不会掉，掉下来会撞到什么。认知科学把这个叫“可供性”，物理直觉把这个叫对因果的预判。更重要的是，机器人要把自己的动作和随后发生的结果联系起来。感知解答的是“这是什么、在哪里”，世界模型要继续回答“如果我这样做，接下来会发生什么”。从这里开始，问题才真正走向理解、预测和决策。

甲子光年：酷哇还提出，Physical Agent既要理解物理世界，也要理解人类社会世界。为什么物理规律还不够？

杨学：物理世界模型主要理解客观规律，比如机器人能不能完成一个动作。但如果我们的最终目的是要把机器人变成成熟的产品，服务社区和城市，光知道能不能做还不够。

现实里还有交通规则、行业流程和服务标准。比如清扫机器人看见路边有个纸箱，从物理上讲完全可以靠过去清走；但如果旁边有人正弯腰系鞋带，它就该先停一下。正确的选择应该是暂停、等待，甚至轻声提醒。这个等待，就是在说人的安全比清扫效率更重要这条社会规则。

我们希望机器人不光会完成动作，也能理解服务里那些分寸。老实说，这一层现在还刚起步，研究上还要解决怎么把这些规则变成模型能学习、能评估，并且在真机上持续验证的能力。

甲子光年：从理解任务到真正执行，为什么不能只靠一个大模型一次性给出答案？

杨学：在实际工作场景里，机器人要连续回答几个不同的问题：任务是什么，当前选择有没有真正推进任务，眼前这个动作又会带来什么变化。

从学习的角度看，这还是一个信用分配问题：一个模型包办所有环节的时候，一次失败很难归因，功劳和错误被混在同一组参数里。分层的价值不只是工程上的可诊断，更是让每一层的目标可以被独立定义、独立优化、独立验证。

这是因为很多物理后果不会在动作发出去的瞬间全部显出来。时间太短，物体滑动或者接触后的受力变化可能还没展开；看得太远，预测误差又会越攒越多。0到4秒算是一个工程上比较有效的窗口，既能看到主要后果，也还来得及做下一次调整。

这个推演能不能准确，首先看模型对当前状态理解得够不够细。它不能光知道物体在哪、朝哪，还要判断它会不会动、接触以后会怎么变。同时模型也得知道自己有多不确定，一旦不确定性太高，就及时停下或者触发重新规划。从看见物理世界到理解物理世界，中间还隔着因果推演和不确定性的判断。

甲子光年：现在不管做世界模型，还是做具身智能，大家都在讲数据很关键。酷哇积累了约50PB物理交互数据。这个数字应该怎样理解？

杨学：这50PB主要是设备在城市里长期跑下来积累的，包括传感器记录、运行轨迹、作业过程，还有人工接管这些。

但它跟大语言模型的50PB又不一样。文本的信息密度天生就高，一段话通常有明确的语义在里面；机器人数据里却有大量正常、重复的运行过程。比如设备在一条空旷的路上平稳开了十分钟，占的存储空间可能不少，但能教给模型的新东西很有限。

所以50PB本身不代表模型能力。真正稀缺的，是那些长尾场景、人工接管前后的片段、任务失败和动作被纠正的过程。它们占比不高，但最容易暴露模型的能力边界。

说得直接点，一千条经过筛选、原因比较清楚的接管和长尾数据，可能比一万条正常运行的数据更有价值。

甲子光年：怎样从海量记录里找到这些数据，再让模型真正学到东西？

杨学：首先得设计一套pipeline，不能靠人把所有记录从头翻一遍。人工接管、任务超时、轨迹明显跑偏、设备触发保护、完成时间突然变长，这些都是值得回看的信号。可以先用工程规则把范围缩小，再把相似问题归到一起，最后让人来判断到底是感知、预测、决策还是控制环节出了问题。

现实里也不可能把每一帧、每一个动作都精细标注。任务有没有完成、什么时候发生了接管、接管后怎么修正，这些比较粗的反馈也可以帮助筛选和训练。当然，接管不一定都等于模型犯错，还得结合前后的状态和任务来判断。

最终要形成一个循环：现场出问题，系统留下相关过程，模型从里面学，更新完再回到相似场景去验证。数据只有进了这个循环，才会真的变成能力。

甲子光年：Physical Agent也会形成自己的Scaling Law吗？

杨学：我觉得会，但不能简单照搬语言模型那一套。

足够多的设备和场景，能让系统遇到更多变化和长尾问题，但数量给的只是遇见问题的机会，不会自动给你解决问题的能力。

我认为决定学习上限的从来不是数据量，而是数据里有效信息的密度，以及这些信息被提取和利用的效率。真正影响能力增长的，是信号密度和闭环效率。一次接管如果只留下“失败”这个结果，信息量很小；如果能留下机器人之前看到了什么、做了什么动作、为什么被纠正，以及正确动作是什么，训练价值一下子就上来了。

甲子光年：这些能力能否跨不同形态的机器人复用，并进一步形成多机协同？

换句话说，可以复用的是认知，必须特化的是执行，共享的是对世界的表征、对任务的理解和决策的先验，需要重新适配的是每种本体的动作空间和控制接口。

RoboCity再往前走一步，解决的是不同机器人能不能形成协同，而不只是数量变多了。它们得共享动态环境、任务状态和行动意图。一台设备发现道路积水或者临时障碍，其他设备能不能提前调整；几台机器人准备进同一片区域，能不能知道彼此接下来要干什么，别把任务撞在一起。

这事不太可能一上来就覆盖整座城市。更实际的路径，是先在一个园区、一段道路或者一个明确场景里，把动态地图共享、任务协调和异常信息复用跑通，证明多机协同确实比各自干活更安全、更高效，然后再慢慢把范围扩大。这地方不光要技术上的突破，也必须纳入酷哇十几年长期运营的经验。

甲子光年：如果要为具身智能的上半场和下半场划一条分界线，你觉得这条线在哪里？

杨学：关键是，客户愿不愿意把真实的工作交给机器人。

卖设备的时候，交付那一刻能不能通过验收很重要；变成卖服务以后，客户其实每天都在验收。评价标准会从有没有某项功能，变成任务能不能持续、准时地完成，隔多久需要人介入，出了问题能不能自己恢复，维修会不会长时间影响作业。

算成本的方式也会变。客户最后看的不是机器人单价，而是完成一次清扫、配送或者巡检的总成本，能耗、维修、人工、系统运营，全算进去。

普通人未来感受到的变化，可能并不科幻。他们不会特别关心背后跑的是哪种机器人或者什么模型，只是发现街道每天按时变干净了，配送一直很准时，有些危险的、重复的工作不再需要人亲自去做了。

机器人偶尔做成一件事，是技术可能性；长期、稳定、成本可控地把同一件事做到底，才真正叫服务。

END.