6月29日消息，无界动力发布首个“长时序双向物理因果链”隐空间世界模型MWA™ 具身通用大脑。据悉，该模型在斯坦福大学等机构联合发起的具身智能权威榜单 RoboCasa GR1 TableTop 中刷新纪录、登全球第一。据介绍，无界动力坚持“隐空间世界模型+强化学习”双轮驱动的技术路径：以“隐空间世界模型”建立“世界观”，认知客观世界的物理规律与因果关系，构筑起物理世界认知与未来状态预测的核心能力；以强化学习塑造“价值观”，基于高频的试错、解决与奖励，将对物理世界的深刻理解沉淀为改变现实的精准执行策略。

无界动力认为，具身大脑的终极目标是让机器人拥有类人的世界认知建模能力，而非构建客观世界的完整复刻模型。

据了解，无界动力在“隐空间世界模型”的基础上，采用“双向动力学”架构，推出首个“长时序双向物理因果链”隐空间世界模型。MWA™ 摒弃了像素空间预测的冗余噪音与高算力消耗，全程在统一共享潜空间完成推演，实现高能效精准表征。同时，MWA™ 创新性地实现了时序 Chunk 级逆向动力学建模机制，突破传统世界模型“单步潜动作推理”的桎梏，重构逆向动力学模型的输出范式，使之具备长时序因果归纳能力，可批量推理输出连续多步 Latent Action Chunk 动作组，有效解决机器人长周期作业连贯、高精度执行难题。

据介绍，隐空间世界模型建立“世界观”的核心逻辑，在于它剥离了视觉表象，直击物理因果的本质。不同于视频生成类世界模型执着于预测“下一帧画面长什么样”，隐空间世界模型可以过滤掉与决策无关的像素细节，把注意力聚焦在物理世界的本质规律上，让机器人真正理解动作与物理世界变化之间的因果关系，从而构筑起物理世界认知与未来状态预测的核心能力。

与此同时，在构建“长时序双向物理因果链”隐空间世界模型之外，无界动力还首创 AnyPhys 负样本核心数据体系，将深层负样本、细粒度边界失稳样本、用于策略对齐的次优样本与基准正样本深度交织，构建出高信息稠密性的物理边界坐标系，补齐了强化学习稠密训练所需的全维度样本短板。目前，AnyPhys 已累计沉淀数万条专属失败、失稳、临界边界样本，构建起覆盖绝大多数工业、商业及生活场景的物理失效知识库。（定西）