“大语言模型给人工智能找到了一条可行路径：在大规模数据上预训练一个大模型，通用能力自然跟上。机器人领域没有这种东西。”这是行业公认的尴尬——感知、规划、控制各模块拼凑出的系统，换个任务就失效，换台机器就推倒重来。具身智能的核心难题在于找到那条等效路径，而整个领域至今没吵出个共识。

中国具身AI公司X Square Robot押注了一个异常明确的方案。他们认为，答案是一个贯通数据、世界模型和行动模型的集成栈，而且这套东西应该开源。

打开网易新闻 查看精彩图片

拆开来看，这个集成栈靠的是几条原则而非一个超级模型来维系。第一条，机器人数据的基本单位是交互，不是运动轨迹。一次演示成功的标准在于它确实改变了物理世界，而不是关节动了就行。第二条，预训练本身就该产出可用的能力，不能只当作后续微调的初始化步骤。第三条，行为建模要围绕物理事件展开，而不是按固定时间切片来处理。这三条原则让各层之间深度耦合——训练行动模型的“去机器人化”数据，同时也结构化地喂养世界模型。

值得强调的是，世界模型和行动模型被定义为互补但独立的模型族，共享代码库，共同置于公司更大的“世界统一模型”架构下。这套架构的目标是同时训练视觉、语言、动作和物理预测能力。不是堆砌模块，而是让不同能力在统一框架里协同生长。

数据问题上，这家公司的判断相当务实：通用机器人的最大瓶颈不是参数量，而是交互数据的成本和质量。为此他们搭建了通用操作接口数据采集系统QUANXTA Zero系列。做法是让人穿戴双爪式装置采集演示，而不是远程操控机器人。这种去机器人化的数据捕捉方法本身并不新鲜，真正拉开差距的是两项工程选择。

第一项是质量控制，这也是整个方案中最具辨识度的部分。团队不直接采信录制的轨迹数据，而是把轨迹回放到真实机器人上，只有实际完成任务的演示才计为有效数据。这意味着每一份进入训练集的数据都经过了物理世界的验证，“录了就是数据”的粗放逻辑在这里行不通。第二项工程选择在原文中未完全展开，但仅凭第一项已足够说明问题——这家公司对数据质量的执念，远超过对数据规模的盲目追求。