WAIC 2026 Modello del Mondo: Divergenze e Consenso tra Sei Team di Robotica Embodied

Introduzione

Il modello del mondo è diventato uno dei settori di ricerca più attivi nel campo della robotica embodied, ma manca ancora una definizione univoca.

I ricercatori divergono su cosa il modello del mondo dovrebbe rappresentare, quanto precisamente deve modellare la fisica, se gli stati futuri debbano essere generati nello spazio dei pixel o in uno spazio latente, quante previsioni un robot deve fare prima di agire, quali modalità di dati siano più cruciali, e persino come misurare i progressi della ricerca.

Questa mancanza di consenso è emersa chiaramente al WAIC 2026.

Il 19 luglio, un forum organizzato da sei aziende cinesi di robotica embodied ha riunito leader tecnici che rappresentano diverse traiettorie tecnologiche per i modelli del mondo robotici:

• Moderatore: Hai Dacheng, Chief Scientist di ACE Robotics
• Shen Xuejun, Chief Scientist del team Roboyant di Ant Group
• Zhu Zheng, Co-fondatore e Chief Scientist di GigaAI
• Xia Zhongpu, Co-fondatore e Co-CTO di Wujie Dongli
• Ren Guanghui, Direttore dell'Algoritmo AI di AgiBot
• Wang Hao, Co-fondatore e CTO di X Square Robot

Il valore di questa discussione risiede proprio nel fatto che i relatori non hanno raggiunto un'unica soluzione tecnologica.

Alcuni desiderano che il modello del mondo rappresenti geometria, movimento e meccanica con crescente precisione. Altri si preoccupano più che il modello sia in grado di prevedere una struttura fisica sufficiente per selezionare azioni di successo.

Alcuni ritengono cruciale la coerenza a lungo termine. Altri sostengono che previsioni eccessive, consumando la finestra decisionale del robot, possano essere controproducenti.

Alcuni prevedono che il settore convergerà su una rappresentazione condivisa. Altri credono che architetture ibride, percezione tattile o benchmark standardizzati diventeranno per primi punti di partenza per il consenso.

Dietro queste divergenze si cela una questione più pratica:

Quali capacità deve possedere un modello del mondo per avere valore reale al di là degli scenari dimostrativi?

Tre ospiti sono seduti su poltrone bianche. Quello al centro, con un microfono blu in mano, sta parlando; l'ospite a destra tiene le mani incrociate, mentre quello a sinistra le tiene naturalmente appoggiate. Lo sfondo è scuro, con la scritta "WAIC 2026 Conferenza Mondiale dell'Intelligenza Artificiale" e il logo "ACE" nella parte superiore. L'immagine corrisponde alla descrizione del Forum sul Modello Mondiale di WAIC 2026 nel documento, offrendo una rappresentazione visiva della scena del forum.](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/4c042a14-222f-479c-a285-6ffe08d2fb9e-c12217f2-9772-4644-9176-3c421bfb637a.jpeg)

I sistemi pubblici esistenti riflettono già queste differenze di focus

Le divergenze emerse durante il forum sono già evidenti nei sistemi tecnici pubblici delle varie aziende.

Epoca IA Incorporata: Unificazione di Comprensione, Previsione e Azione

Alla conferenza WAIC 2026, Epoca IA Incorporata ha presentato Kairos 3.1, un modello mondiale incorporato orientato all'azione.

I materiali pubblicati descrivono un'architettura ibrida Transformer progettata per collegare:

• Comprensione
• Simulazione del mondo
• Azione
• Riflessione

Epoca IA Incorporata ha inoltre riportato una latenza di inferenza di 125 millisecondi per il suo modello Kairos 3.1 da 8 miliardi di parametri sulla piattaforma NVIDIA.

Jetson Thor utilizza la precisione BF16. Questa specifica è cruciale perché l'azienda posiziona chiaramente il modello come un sistema periferico per il comportamento robotico, piuttosto che come un semplice generatore video offline.

Gruppo Ant / Robbyant: Dalla Simulazione Interattiva del Mondo al Modello Nativo Incorporato

Il LingBot-World open source di Robbyant nasce dalla direzione della generazione video. La descrizione ufficiale del codice menziona: ambiente interattivo ad alta fedeltà, coerenza temporale a lungo termine, controllo utente in tempo reale, latenza di interazione sub-secondo e capacità di generazione in tempo reale a 16 FPS nella versione Fast. Successivamente, Ant Group ha integrato LingBot-World-Fast nel prodotto mobile LingGuang, consentendo agli utenti di trasformare una singola immagine in un mondo generativo esplorabile. Nel frattempo, Robbyant si è espansa nella ricerca sui modelli VLA e incorporati, diventando un esempio emblematico di un team non limitato a un unico paradigma di modello mondiale.

GigaAI: Generazione di Pixel e Piattaforma GigaWorld

GigaAI si definisce un'azienda di robotica incorporata e generale costruita su tre livelli: GigaWorld (piattaforma del modello mondiale), GigaBrain (sistema di intelligenza incorporata generale) e Maker (corpo robotico). Il suo lavoro sul modello mondiale enfatizza il ruolo centrale degli ambienti fisici generativi nell'accelerare la creazione di dati, l'addestramento e il test. Quando il modello mondiale viene utilizzato come simulatore ricco di elementi visivi, la generazione nello spazio dei pixel diventa particolarmente importante.

Robot Zhiyuan: Il Modello Mondiale come Simulatore Generativo

Il lavoro pubblico di Robot Zhiyuan mostra chiaramente l'uso come simulatore. AgiBot Digital World integra asset 3D, simulazione fisica, generazione di traiettorie esperte, randomizzazione del dominio, generazione di dati e valutazione del modello. Il successivo framework EVAC può generare stati visivi futuri basati su sequenze di azioni robotiche. In tali applicazioni, la coerenza temporale e la riproduzione precisa delle interazioni azione-ambiente sono fondamentali.

Star Dynamics: Fusione tra Modello Mondiale e VLA

La cronologia ufficiale di Star Dynamics mostra che la sua architettura WALL-A integra profondamente il modello VLA e il modello mondiale. La direzione WALL-B del 2026 si sposta ulteriormente verso quella che l'azienda chiama architettura unificata del modello mondiale. L'obiettivo tecnico è evitare la pipeline in cui il modello mondiale prevede indipendentemente e poi una politica separata converte le previsioni in azioni, integrando invece i processi di previsione e controllo in un sistema end-to-end unificato.

Wujie Dynamics: Modello Mondiale Nativo Incorporato e Previsione nello Spazio Latente

I materiali pubblici di Wujie Dynamics indicano che l'azienda sta costruendo un "cervello universale" per robot e un sistema di modello fondamentale multimodale nativo incorporato basato su modelli mondiali. Xia Zhongpu è entrato a far parte dell'azienda nel marzo 2026, dopo aver guidato il lavoro di guida autonoma end-to-end presso Li Auto. La direzione di ricerca dell'azienda enfatizza la previsione dello spazio latente, le quantità fisiche e il pensiero di tipo JEPA. Poiché la documentazione tecnica pubblica dettagliata dei modelli mondiali è ancora limitata, le affermazioni sulla loro architettura esatta dovrebbero essere considerate come direzioni tecniche descritte dal management, piuttosto che modelli aperti completamente documentati.

Qual è la cosa su cui è più probabile che si raggiunga prima un consenso?

La domanda successiva non è quale architettoria vincerà alla fine.

Piuttosto:

Su quale parte del campo si raggiungerà prima un accordo?

Le risposte variano notevolmente.

Candidato 1: Rappresentazione Unificata

Ren Guanghui e Xia Zhongpu hanno entrambi sottolineato l'importanza della rappresentazione.

I grandi modelli linguistici hanno infine converto attorno a rappresentazioni sequenziali tokenizzate, rendendo diversi compiti compatibili con un'unica architettura.

L'intelligenza incorporata manca ancora di un'unità fondamentale altrettanto universale.

Il lavoro dei robot coinvolge:

• Immagini.
• Video.
• Linguaggio.
• Posizioni delle articolazioni.
• Velocità.
• Forza.
• Segnali tattili.
• Geometria 3D.
• Azioni.
• Ricompense.
• Stati ambientali.

Se queste modalità sono isolate, ogni sistema deve costruire ponti complessi tra di esse.

Una rappresentazione unificata consentirebbe ai modelli di ragionare su percezione, stato, previsione e azione all'interno dello stesso spazio condiviso.

La sfida è che i segnali fisici non sono intrinsecamente intercambiabili.

Un impulso tattile, un fotogramma della telecamera e un comando della pinza operano a velocità diverse e trasportano informazioni diverse.

Pertanto, il "token robotico" potrebbe essere molto più difficile da definire rispetto al token testuale.

Candidato 2: Architettura Ibrida

Wang Hao prevede una fusione delle architetture.

Da questo punto di vista, diversi approcci al modello mondiale risolvono ciascuno una parte del problema:

• La generazione video è abile nella previsione visiva futura.
• La previsione latente è efficiente per il ragionamento.
• I modelli 3D espliciti forniscono memoria spaziale.
• I modelli VLA collegano percezione e azione.
• Il controllo classico fornisce stabilità deterministica di basso livello.

L'architettura finale potrebbe combinare questi meccanismi, piuttosto che sceglierne uno a discapito degli altri.

Questo modello è comune nell'IA.

Le tecnologie inizialmente concorrenti spesso diventano componenti di sistemi più grandi una volta chiari i loro punti di forza e di debolezza.

Candidato 3: Percezione Tattile

Shen Yujun ritiene che le informazioni tattili potrebbero essere uno dei primi settori in cui il settore raggiunge un consenso.

Attualmente, la maggior parte dei grandi modelli mondiali viene addestrata principalmente su dati visivi e linguistici.

I robot operano attraverso il contatto.

Devono rilevare:

• Se un oggetto sta scivolando.
• Se una superficie è dura o morbida.
• Se la presa è sicura.
• Quanta forza viene applicata.
• Se un oggetto deformabile ha cambiato forma.
• Se c'è stato contatto, anche quando la vista è ostacolata.

Per i compiti di manipolazione, è proprio nei momenti in cui il tatto è più utile che la vista può essere ambigua.

Ciò argomenta fortemente a favore della percezione tattile come modalità nativa, piuttosto che come sensore opzionale aggiunto dopo l'addestramento del modello.

Anche la direzione di ricerca di Robbyant riflette un ampio spostamento dai modelli basati su video digitali a modelli progettati attorno al controllo incorporato.

La differenza importante è:

L'obiettivo del modello video è generare un futuro plausibile.

L'obiettivo del modello mondiale incorporato è supportare azioni di successo.

Questi due obiettivi si sovrappongono, ma non sono identici.

Candidato 4: Benchmark Condivisi

Tao Dacheng offre una risposta diversa: la convergenza potrebbe avvenire prima sulla valutazione, piuttosto che sull'architettura.

Ci sono precedenti storici.

La visione artificiale non è convergente perché i ricercatori hanno concordato in anticipo su una rappresentazione. Dataset e benchmark condivisi come ImageNet hanno fornito un obiettivo di misurazione comune per i sistemi concorrenti. Una volta che tutti i sistemi vengono valutati sulla stessa scala, le idee deboli scompaiono più velocemente, mentre quelle utili si diffondono oltre i confini architetturali. Questa è la logica alla base del lancio del Quoziente di Intelligenza Fisica durante il forum.

Quoziente di Intelligenza Fisica: Metro Unificato per l'Intelligenza Incorporata

Il Quoziente di Intelligenza Fisica è stato introdotto come benchmark unificato per l'intelligenza fisica incorporata alla Conferenza Mondiale dell'Intelligenza Artificiale 2026. Le informazioni pubbliche indicano che l'iniziativa è co-promossa da:

• Associazione di Shanghai per l'Intelligenza Artificiale
• Istituto di Ricerca per l'Economia Circolare di Shenzhen
• Filiale della Cina Orientale dell'Accademia di Ricerca sull'Informazione e le Comunicazioni della Cina

Vi partecipano oltre 20 università e organizzazioni del settore. La piattaforma mira a confrontare diversi sistemi attraverso:

• Diverse morfologie robotiche
• Molteplici scenari del mondo reale
• Diverse categorie di compiti
• Protocolli di valutazione unificati

![L'immagine mostra la scena della tavola rotonda del vertice dei "Sei Piccoli Draghi" del Modello Mondiale 2026. Ci sono sette ospiti, sei in piedi e uno seduto a sinistra. Lo sfondo è scuro, con il logo "WAIC 2026 Conferenza Mondiale dell'Intelligenza Artificiale" e la scritta "ACE" nella parte superiore. Gli ospiti indossano abiti di stili diversi, alcuni con badge. Nell'angolo in alto a sinistra è scritto: "Tavola rotonda dei 'Sei Piccoli Draghi' del Modello Mondiale — Guidare l'IA Fisica dalla 'Comprensione' all'Esecuzione'".]

Questa immagine è correlata al contenuto della tavola rotonda dei "Sei Draghi" presentato nel documento e mostra visivamente i relatori della discussione.](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/c242a920-2b42-4966-92ce-2e70518c2ac6-7fb4c60a-1a46-46c3-9743-2b5a5a5a322e.jpeg)

Un utile benchmark per l'intelligenza fisica non può basarsi esclusivamente sul realismo visivo dei video generati. Deve porsi le seguenti domande:

• Il robot ha completato il compito?
• L'azione è fisicamente valida?
• Il sistema si è ripreso da eventi imprevisti?
• Quanti interventi sono stati necessari?
• Il comportamento è sicuro?
• La strategia si trasferisce a nuovi ambienti?
• Quanto è generalizzabile attraverso oggetti e morfologie diverse?
• Quanto tempo e potenza di calcolo richiede ogni decisione?

Una metodologia specifica per l'intelligenza fisica deve essere documentata pubblicamente e adottata su larga scala per diventare un vero standard industriale. Ciononostante, questa direzione affronta un problema reale. Le attuali dichiarazioni sui modelli del mondo sono difficili da confrontare: un'azienda potrebbe riportare la qualità video, un'altra il tasso di successo dei compiti, una terza l'errore sullo stato fisico e una quarta la coerenza con il simulatore. Senza una metrica unificata, ogni sistema può risultare il migliore nelle metriche per cui è stato ottimizzato.

Realismo visivo non equivale a comprensione fisica

Il dibattito sull'intelligenza fisica riflette anche un problema di ricerca più ampio nel campo dei video generativi. I ricercatori di Google DeepMind hanno introdotto un benchmark indipendente chiamato Intelligenza Fisica, progettato per valutare se i modelli video comprendano realmente i principi fisici. Lo studio ha rilevato che il realismo visivo e la correttezza fisica possono essere disconnessi. Un video generato può apparire convincente ma violare:

• la meccanica dei solidi
• il comportamento dei fluidi
• l'ottica
• la termodinamica
• il magnetismo

Questa distinzione è cruciale per i modelli del mondo robotici. Una previsione futura visivamente credibile è utile solo se preserva le proprietà necessarie per l'azione. Allo stesso tempo, un robot non deve risolvere l'intero manuale di fisica prima di agire. Uno standard pratico si colloca tra questi due estremi.

Insufficiente:
Sembra realistico, ma predice il risultato sbagliato.

Potrebbe essere eccessivo:
Calcola ogni variabile fisica, anche se non necessaria per l'azione.

Una previsione utile evidenzia le differenze fisiche che alterano le decisioni del robot.

Questa via di mezzo è il punto in cui divergono le attuali ricerche.

Dalla dimostrazione alla distribuzione

Nonostante le divergenze sulle architetture dei modelli, le opinioni degli esperti convergono quando la discussione passa dai modelli ai robot reali.

Lo standard finale è semplice:

Il robot è in grado di svolgere compiti in modo affidabile nel mondo fisico?

I diversi relatori hanno usato termini diversi per descriverlo.

• Xia Zhongpu ha sottolineato l'efficacia della decisione finale.
• Ren Guanghui si è concentrato su quanto il modello del mondo migliori le policy downstream.
• Zhu Zheng ha enfatizzato il tasso di successo multi-task sui robot reali.

La terminologia è diversa, ma la domanda operativa è la stessa.

Un modello del mondo ha senso solo se migliora il comportamento effettivo del robot.

Perché il 99% delle demo può ancora essere un prodotto scadente

Le dimostrazioni possono essere ottimizzate quasi all'infinito.

Un team può:

• Resettare l'ambiente.
• Scegliere oggetti favorevoli.
• Pre-definire i percorsi.
• Ripetere i tentativi falliti.
• Ottimizzare per uno scenario singolo per settimane.
• Avere ingegneri in standby.
• Rimuovere i rari casi limite.

La distribuzione elimina queste protezioni.

Supermercati, hotel, magazzini o case presentano eventi imprevedibili ogni giorno.

Wang Hao ha descritto la curva dei costi come fortemente non lineare.

Portare un sistema da:

90% → 99%

non equivale necessariamente a:

99% → 99,9%

Gli errori rimanenti sono spesso i difficili casi "long-tail".

Un tasso di fallimento dell'1% sembra piccolo in laboratorio.

Se un robot esegue 10.000 azioni al giorno, l'1% equivale a 100 fallimenti.

Anche con un'affidabilità del 99,9%, volumi di compiti sufficientemente grandi generano interventi umani frequenti.

L'impatto aziendale include:

• Subentri manuali.
• Rielaborazioni.
• Tempi di fermo.
• Reclami dei clienti.
• Rischi per la sicurezza.
• Costi di manutenzione.
• Perdita di produttività.
• Personale di supervisione aggiuntivo.

Ecco perché la distribuzione cambia il significato della qualità del modello.

Gli eventi casuali sono la norma nel mondo reale

Shen Yujun ha portato l'esempio del commercio al dettaglio.

Un robot potrebbe dover cercare un pacco di verdure.

La merce è solitamente in un posto, ma un cliente potrebbe averla presa e messa in un altro frigorifero.

Dal punto di vista di un dataset curato, questo sembra un'anomalia.

Ma per un robot che serve migliaia di clienti, l'anomalia diventa la norma.

Pertanto, i modelli del mondo devono gestire:

• Oggetti in posizioni inaspettate.
• Scorte mancanti.
• Persone che bloccano il percorso.
• Riorganizzazioni improvvise.
• Osservazioni parziali.
• Variazioni di illuminazione.
• Nuove combinazioni di oggetti.
• Ipotesi errate generate da fasi precedenti del compito.

Ecco perché la generalizzazione è più importante della riproduzione a memoria di dimostrazioni.

L'inferenza periferica è un requisito per la distribuzione

Tao Dacheng ha sottolineato un altro vincolo pratico: la latenza.

Molti modelli avanzati funzionano nel cloud.

I robot non hanno sempre il tempo di attendere un round trip.

La finestra decisionale può essere di pochi millisecondi.

Decine o centinaia di millisecondi.

La rete può anche essere:

• Congestionata
• Non disponibile
• Inaffidabile
• Troppo costosa
• Limitata da requisiti di privacy o sicurezza

Ecco perché ACE Robotics enfatizza le prestazioni periferiche del Kairos 3.1.

Un modello leggermente meno capace ma che risponde entro i limiti di controllo può essere più utile di uno più potente che arriva dopo la finestra d'azione.

Per la distribuzione, l'intelligenza deve diventare:

• Abbastanza economica
• Abbastanza veloce
• Abbastanza affidabile
• Abbastanza localizzata
• Abbastanza prevedibile

Questo porta a una distinzione utile:

Le demo mostrano il massimo delle capacità, la distribuzione rivela il minimo.

Tra due anni, cosa si rivelerà corretto?

La parte finale della discussione ha invitato i relatori a immaginare di guardare indietro dal 2028.

Quali investimenti fatti nel 2026 si dimostreranno giusti?

Quali potrebbero sembrare fuorvianti?

Le risposte hanno rivelato ciò che ogni team considera duraturo.

Capacità del modello vs. output visibile del modello

Shen Yujun ha distinto due concetti:

Capacità di base

Esempi:

• Efficienza di generalizzazione
• Interattività
• Qualità della rappresentazione
• Condizionamento all'azione
• Efficienza dei dati
• Coerenza causale

Output visibile

Esempi:

• Video generativi visivamente impressionanti
• Demo raffinate
• Singoli compiti a lungo termine riusciti
• Alta qualità estetica

Un modello può migliorare nelle capacità di base senza produrre immediatamente le demo più impressionanti.

Al contrario, un sistema può essere pesantemente ottimizzato per gli output visibili senza migliorare le capacità richieste per l'intelligenza fisica generale.

Questo è uno dei motivi per cui il settore ha bisogno di valutazioni migliori.

L'infrastruttura dati potrebbe ancora avere valore

Shen ha anche suggerito che il lavoro investito nelle pipeline di dati probabilmente rimarrà utile.

Anche se le architetture cambiano, l'intelligenza incarnata avrà ancora bisogno di:

• Traiettorie nel mondo reale
• Dati tattili
• Casi di fallimento
• Correzioni umane
• Azioni robotiche
• Sincronizzazione dei sensori
• Dati simulati
• Filtraggio della qualità
• Dataset di valutazione

L'incertezza non è se i dati siano importanti.

È se i dati raccolti oggi corrisponderanno ancora alle rappresentazioni e ai metodi di addestramento usati nei modelli futuri.

Un dataset può diventare meno utile quando:

• La configurazione dei sensori cambia
• Lo spazio delle azioni si modifica
• Le etichette codificano ipotesi obsolete
• I dati mancano di modalità necessarie
• La strategia di raccolta è troppo ristretta
• I nuovi modelli richiedono una diversa risoluzione temporale

Pertanto, costruire pipeline di dati flessibili potrebbe essere più duraturo che ottimizzare un dataset fisso.

Non interferire prematuramente con i modelli di base

Zhu Zheng ha avvertito che il settore potrebbe esplorare troppi scenari commerciali prima che i modelli di base stessi siano stabili.

È un dilemma familiare per le startup.

La distribuzione commerciale offre:

• Entrate
• Dati
• Feedback dei clienti
• Vincoli reali

Ma può anche trascinare il team di modellistica verso:

• Integrazioni monouso
• Flussi di lavoro personalizzati
• Regole specifiche del cliente
• Adattamento hardware
• Supporto e manutenzione

Se l'architettura sottostante è ancora in rapida evoluzione, una specializzazione precoce potrebbe rallentare la ricerca fondamentale.

L'equilibrio tra ricerca del modello e distribuzione commerciale varia da azienda ad azienda.

Non esiste una risposta valida per tutti.

Le architetture native incarnate potrebbero emergere

Ren Guanghui ha previsto che i modelli del mondo diventeranno sempre più nativi incarnati.

Ciò significa che i modelli sono progettati fin dall'inizio attorno all'interazione fisica, anziché essere adattati da compiti di video internet o generazione di immagini.

L'addestramento nativo incarnato potrebbe includere:

• Azioni robotiche.
• Percezione propriocettiva.
• Forza.
• Dati tattili.
• Video in prima persona.
• Osservazioni multi-prospettiva.
• Stato tridimensionale.
• Feedback degli strumenti.
• Dati di intervento.
• Successo e fallimento del compito.

Anche l'architettura stessa potrebbe essere progettata attorno ai cicli di controllo.

Il punto cruciale è se il modello rappresenta le variabili necessarie per l'esecuzione delle azioni del robot, non se la sua struttura interna sia simile ai modelli generativi dei media.

Proprio nei punti di divergenza si cela la più grande opportunità

Questa discussione non si è conclusa con un'architettura unica condivisa da tutti.

Ciò potrebbe significare che il settore è ancora agli albori, non che sia in un vicolo cieco.

Rimangono ancora diversi settori importanti irrisolti:

Problema	Diverse opinioni
Cosa dovrebbe prevedere il modello?	Pixel, stato latente, geometria esplicita o una soluzione ibrida
Quanto è richiesta l'accuratezza fisica?	Stima esatta dello stato vs. plausibilità legata all'azione
Quanto lontano dovrebbe spingersi la previsione?	Coerenza a lungo termine vs. controllo a corto raggio e bassa latenza
Cosa unificherà il settore?	Rappresentazioni, architetture, dati tattili o benchmark
Dove dovrebbe essere eseguito il ragionamento?	Cloud, edge o distribuzione ibrida
Qual è il vero indicatore di successo?	Qualità della simulazione, previsione fisica, miglioramento della strategia o tasso di successo delle attività reali
Quali dati sono più importanti?	Video, traiettorie robot, forza, tatto, simulazione o dati misti

In settori maturi, le architetture tendono a convergere.

Nei settori emergenti, invece, le divergenze rivelano proprio le più grandi opportunità non ancora colte.

Se un'ipotesi controversa attuale venisse dimostrata, il team potrebbe costruire un vantaggio tecnico prima che il settore raggiunga un consenso.

Un quadro pratico per valutare i modelli del mondo robotico

Per sviluppatori e team di robotica, questa discussione può tradursi in una lista di controllo più concreta.

1. Obiettivo della previsione

Chiarire cosa prevede il modello:

• Pixel.
• Stato latente.
• Geometria.
• Azione.
• Forza.
• Osservazioni future.
• Una combinazione degli elementi sopra.

L'output dovrebbe corrispondere al problema di controllo a valle.

2. Orizzonte di previsione

Misurare le prestazioni ai seguenti livelli:

• Passo immediato successivo.
• Ciclo breve.
• Ciclo di secondi.
• Ciclo di attività lunga.

Non valutare il modello solo per l'orizzonte di previsione in cui offre le migliori prestazioni.

3. Latenza

Misurare il tempo di inferenza effettivo sull'hardware di destinazione.

I modelli che non rispettano i requisiti temporali di controllo non dovrebbero ricevere punteggi pieni per l'accuratezza della previsione.

4. Validità fisica

I test includono:

• Collisioni.
• Contatti.
• Equilibrio.
• Deformazione.
• Azioni sensibili all'attrito.
• Permanenza degli oggetti.
• Coerenza multi-prospettiva.

5. Miglioramento della strategia

La domanda più pratica potrebbe essere:

L'aggiunta di un modello del mondo migliora il tasso di successo delle attività reali?

Confrontare le prestazioni delle strategie a valle con e senza modello del mondo —

Strategie con e senza la componente del modello del mondo.

6. Capacità di generalizzazione

Testare nuovi elementi:

• Oggetti
• Disposizioni
• Corpi robotici
• Illuminazione
• Materiali
• Comportamenti umani
• Combinazioni di compiti

7. Capacità di recupero

Misurare cosa accade dopo il primo errore.

Un sistema di deployment dovrebbe rilevare i guasti, aggiornare il proprio stato e tentare un'altra soluzione.

8. Comportamento in edge e cloud

Testare sia in condizioni di rete normali che degradate.

Quando il ragionamento remoto non è disponibile, il robot dovrebbe fallire in modo sicuro.

9. Tasso di intervento

Tracciare l'assistenza umana nelle seguenti unità:

• All'ora
• Per attività
• Ogni 100 azioni
• Ogni 1000 azioni

Questo spesso rivela la qualità del deployment meglio del singolo tasso di successo.

10. Costo per attività riuscita

Include:

• Inferenza del modello
• Hardware
• Rete
• Intervento umano
• Rilavorazione
• Manutenzione
• Consumo energetico
• Tempo di inattività

Il miglior modello del mondo non è necessariamente quello con il punteggio più alto nei benchmark.

È quello che fa funzionare meglio l'intero sistema robotico.

Domande frequenti

Cos'è un modello del mondo nell'IA incarnata?

Un modello del mondo è un modello in grado di rappresentare o prevedere come l'ambiente cambia nel tempo, in base alle azioni del robot o ad altri eventi. In robotica, può supportare la pianificazione, la simulazione, la selezione delle azioni, la generazione di dati di addestramento o il miglioramento della strategia.

Quali sono i principali approcci al modello del mondo discussi a WAIC 2026?

La discussione ha ampiamente coperto la generazione nello spazio dei pixel, la previsione nello spazio latente (come gli approcci stile JEPA) e i sistemi ibridi o unificati che combinano la previsione del mondo con il controllo VLA, il ragionamento 3D o altre rappresentazioni. Queste categorie si sovrappongono, poiché diverse aziende hanno utilizzato tecniche multiple.

Un modello del mondo robotico ha bisogno di un simulatore fisico accurato?

Non necessariamente. Alcuni ricercatori sostengono la previsione accurata di geometria, movimento e forze, mentre altri danno priorità a un ragionamento fisico sufficiente per selezionare l'azione corretta. L'accuratezza richiesta dipende dal compito e dal costo del fallimento.

Perché la coerenza a lungo termine è controversa?

Lo sviluppo di sequenze lunghe è utile per la simulazione e la pianificazione a lungo termine, ma aumenta i costi di inferenza e può rallentare il controllo in tempo reale. I robot fisici potrebbero aver bisogno di previsioni brevi e rapide per le azioni immediate, utilizzando un altro meccanismo per la pianificazione a lungo termine.

Che cos'è PHYSICAL IQ?

PHYSICAL IQ è un'iniziativa per il benchmarking dell'intelligenza fisica incarnata lanciata durante WAIC 2026. Mira a fornire un protocollo di valutazione comune per diversi corpi robotici, scenari e attività.

PHYSICAL IQ e Physics-IQ di Google DeepMind sono la stessa cosa?

No. Sono progetti diversi. PHYSICAL IQ è una piattaforma di valutazione robotica incarnata lanciata a WAIC 2026, mentre Physics-IQ è un benchmark di ricerca per testare se i modelli video generativi comprendono i principi fisici.

Perché la percezione tattile è importante per i modelli del mondo?

La visione non rivela completamente la forza di contatto, lo slittamento, la pressione, la cedevolezza e alcune proprietà dei materiali. I segnali tattili e di forza forniscono ai robot informazioni dirette sulle interazioni fisiche e potrebbero diventare sempre più importanti per i modelli del mondo focalizzati sulla manipolazione.

Cosa c'è di più importante di una buona dimostrazione robotica?

Il deployment.

Affidabilità. I team devono misurare il reale tasso di successo delle attività, la latenza, il tasso di intervento, il recupero da eventi imprevisti, la sicurezza, i costi e le prestazioni in numerosi ambienti, non solo per dimostrazioni selezionate.

Strumenti correlati

• Kairos 3.1 su Hugging Face: Raccolta pubblica di ACE Robotics per il suo lavoro sul modello del mondo incarnato orientato all'azione.
• LingBot-World: Simulatore interattivo del mondo open source di Robbyant, con codice, modelli e documentazione tecnica.
• AgiBot Digital World: Framework di simulazione ufficiale di AgiBot per la generazione di dati, l'addestramento e la valutazione di modelli incarnati.
• GigaAI: Sito ufficiale di GigaWorld, GigaBrain e della piattaforma AI incarnata dell'azienda.
• X quadrato Robot: Sito ufficiale che descrive la famiglia di modelli fondamentali incarnati WALL e l'integrazione VLA/modello del mondo.
• Physics-IQ: Un benchmark di ricerca indipendente per valutare la comprensione fisica nei modelli video generativi.
• NVIDIA Isaac Sim: Piattaforma di simulazione robotica per la generazione di dati sintetici e il test di sistemi robotici.

Link correlati

• Raccolta ACE Robotics Kairos 3.1: Risorse di modelli pubblici per Kairos 3.1 e sistemi incarnati correlati.
• Annuncio ACE Robotics WAIC 2026: Comunicato stampa aziendale che copre Kairos 3.1 e l'iniziativa PHYSICAL IQ.
• [Annuncio del modello del mondo Lingguang di Ant Group](https://www.

antgroup.com/en/news-media/press-releases/1777280400000): Comunicato ufficiale di Ant Group che descrive l'integrazione di LingBot-World-Fast in Lingguang.

• Repository GitHub di LingBot-World: Codice open source, istruzioni di installazione, pesi e link al paper da Robbyant.
• AgiBot Digital World: Presentazione ufficiale del framework di simulazione e dati incarnati di AgiBot.
• AgiBot EVAC e EWMBench: Lavoro ufficiale di AgiBot sui modelli del mondo condizionati dall'azione e sulla valutazione.
• X² Robot: Informazioni ufficiali sulla famiglia di modelli WALL e sull'intelligenza artificiale incarnata end-to-end.

Riepilogo

La tavola rotonda sui modelli del mondo al WAIC 2026 ha mostrato che il campo dell'intelligenza incarnata non ha ancora raggiunto un consenso sulla definizione, rappresentazione o architettura del modello del mondo. Le principali divergenze riguardano la precisione fisica, l'orizzonte di previsione, le modalità di rappresentazione, la percezione tattile e la relazione tra modellazione del mondo e azione.

Il consenso più forte emerge nelle fasi successive della pila tecnologica. In definitiva, il modello del mondo deve rendere i robot fisici più affidabili: migliori tassi di successo nei compiti, meno interventi, decisioni più rapide, recupero più sicuro e costi di implementazione inferiori.

PHYSICAL IQ mira a creare un livello di valutazione comune, prima del quale

l'architettura stessa tende a convergere. Resta da vedere se questo benchmark sarà ampiamente adottato, ma la necessità di un metodo di misurazione comparabile dell'intelligenza fisica è chiara.

Le attuali controversie in questo campo non sono un punto debole, ma una mappa di problemi irrisolti che potrebbero definire la direzione dello sviluppo della prossima generazione di intelligenza artificiale incarnata.