来源：机器之心
「人类视频，是机器人理解并与物理世界交互的最关键路径。」
这句如今逐渐成为行业共识的判断，其实最早来自一家国内具身智能初创公司 ——BeingBeyond（智在无界）。
在过去半年中，这家公司完成了「海量人类视频训练」的两个重要里程碑：相继发布了全球首个基于 1000 小时与 1 万小时人类视频预训练的具身模型 —— Being-H0 与 H0.5，率先开辟了「大规模人类视频驱动具身学习」的技术路线。
随后，NVIDIA 的 EgoScale、Generalist AI 的 GEN-1 等海外工作陆续跟进，也从侧面印证了这一方向的前瞻性。
作为人类视频学习路线的开创者，4 月 14 日，智在无界发布第三代旗舰模型 Being-H0.7，该模型将数据规模扩展至 20 万小时人类视频，并提出一种全新的范式 —— 基于潜空间推理的世界模型。在 6 项国际性权威评测中，H0.7 综合排名全球第一（其中 4 项登顶），同时也是首个覆盖跨本体、跨场景、连续动态、流体、柔性物体、物理规律与上下文推理等七大关键维度的通用世界模型。
主页链接:
https://research.beingbeyond.com/being-h07
论文链接:
https://research.beingbeyond.com/projects/being-h07/being-h07.pdf
Past・Present・Future
世界模型的分野
「世界模型（World Model）」最初其实是一个非常朴素的概念：给定当前状态和动作，预测下一时刻的状态。
早在 2018 年， Jürgen Schmidhuber 就在其《World Models》中系统阐述了用神经网络建模动力学的思路。但随着生成模型的发展，一个逐渐流行的误解也随之出现：世界模型 = 预测未来画面（逐像素生成）。
事实上，无论是 Schmidhuber 的原始设想，还是 Yann LeCun 团队在 JEPA (Joint Embedding Predictive Architecture），都从未将「像素级预测」视为核心目标。
原因很简单，真实世界的「状态」，远远不等同于像素。物体之间的空间关系、柔性物体的形变、液体的流动、摩擦与重力的作用…… 这些决定物理世界运行的关键因素，并不能通过逐像素的图像完全表达。世界模型不应执着于复现「画面会变成什么样」，而应学会理解「世界为什么会这样变化」。
从产业角度看，NVIDIA 当前的世界模型工作在一定程度上回归到视频生成路线，这与其「算力提供方」的角色天然形成协同，但对具身智能而言，这并非最优路径。
智在无界认为，一个理想的世界模型应同时具备两个核心能力：物理世界理解（Physical Understanding）与物理交互（Physical Interaction）。
现有 AI 模型范式在「物理理解–交互」坐标系中的能力分布，Being-H0.7 在海量人类数据驱动下显著拓展了世界模型的能力边界。
按照这一标准回看过去几年的 AI 发展路径：从 LLM 到 VLM，再到 AIGC 时代的 Sora、Genie 3，这些模型对视觉世界的理解不断加深，但始终停留在二维感知层面，缺乏与真实物理世界的交互能力。
近几年，随着 VLA 路线的兴起，π0.5、GR00T、Being-H0.5 等模型通过在视觉语言模型上微调，直接输出机器人动作。虽然这让模型具备了执行任务的能力，但也带来了新的问题：在训练过程中，多模态理解能力往往被削弱，模型容易过拟合，很多时候是在「背答案」，而非真正基于环境做出判断。
为弥补这一缺陷，以英伟达 Cosmos-Policy、DreamZero 为代表的世界模型路线，尝试通过视频生成来建模交互。但这类方法不仅计算开销巨大、难以实时运行，而且基于二维视觉表征的方式，本质上仍然难以真正理解物理世界。
在这样的背景下，LeCun (AMI Labs) 提出，应构建更加基础的世界模型，以提升对真实世界的理解能力。而智在无界则更进一步，提出基于潜空间推理的全新范式，同时拓展世界模型在「理解」和「交互」两个维度上的能力。
20 万小时人类视频
H0.7 的「通用世界模型基因」
传统 VLA 模型只能基于当前观测预测动作，缺乏对未来变化的建模能力；而视频生成式世界模型则依赖像素级预测来「想象」未来，但不仅难以抽象物理规律，还带来了巨大的计算负担。
事实上，人类视觉系统天然会过滤静态信息、强化对动态变化的感知，大脑中也存在专门处理运动的区域，用于自动抑制背景干扰。基于这一认知，Being-H0.7 不再追求像素级重建，而是试图学习一种更高效的能力 —— 类似「物理直觉」的快速判断机制。
因此，Being-H0.7 选择了一条不同路径：不再显式生成未来画面，而是提炼那些真正影响未来行动的关键信息。
不同于 VLA 从当前观察直接映射到动作，或视频生成式世界模型引入庞大的预测模块，Being-H0.7 在模型内部引入了一组可学习的中间变量（latent queries），作为一块预留的「思考空间」(latent reasoning)。在前向的过程中，模型将当前观测、任务目标以及对未来可能演化的判断压缩至这一空间，并由其统一指导最终的动作生成。
但这一「思考空间」本身并不天然具备对未来的建模能力。为此，Being-H0.7 采用了双分支设计：一条路径在「未来可见」的条件下（后验视角，posterior branch），引导模型学习哪些中间判断真正有助于动作决策；另一条路径在「不可见未来」的真实部署条件下（先验视角，prior branch），约束模型仅基于当前观测形成尽可能一致的判断。
不同于一些工作简单地将未来信息单向注入世界模型，Being-H0.7 在这两种视角之间建立持续对齐与相互约束：后验分支提供未来演化的监督信号，先验分支严格受限于真实可观测信息。通过不断对齐，模型逐渐学会在「思考空间」中，自适应地根据当前情景，推理对后续行动真正有用的信息。
这种推理能力，本质上接近于人类的「物理直觉」。现实世界中，人类并不会逐帧预测未来画面，而是快速判断：物体接下来会朝哪个方向运动？接触关系会如何变化？施加的力会带来稳定还是失衡？交互过程会推进目标还是偏离？
人类之所以能够在很少试错的情况下掌握这些能力，是因为这种「直觉」早已在长期进化中内化为本能。
相比之下，仅依赖实验室数据的机器人系统很难获得这种能力，更难实现泛化。基于这一洞察，智在无界构建了全球少有的 20 万小时人类视频数据集，并据此训练 Being-H0.7，使模型获得类似「预训练基因」的能力，从而真正理解并改变物理世界。
在实现上，H0.7 的结构反而相对简洁：两路视角通过注意力掩码（attention mask）共享主干上下文，只在 latent queries 处进行对齐，并共同接受动作监督。未来信息无需解码为未来图像，而以紧凑表征参与训练。相比 Cosmos Policy 这类视频生成式世界模型，H0.7 的训练成本不到其 1%。
另外一个强大的优势则是推理速度的显著提升，是 Fast-WAM 的 11 倍，是 imagine-then-execute 这类生成式世界模型的 40 倍以上，Being-H0.7是世界上第一个能够在端侧设备上实时稳定部署的世界模型。强大的推理能力赋予了 H0.7 对于外界动态快速的感知能力，能完成如判断滑落小球轨迹、高速流水线包装、液体准确倾倒等这些之前 VLA、世界模型都难以胜任的任务。
在评测方面，不同于多数模型只在单一榜单评测，Being-H0.7 在 6 项全球权威评测榜单上综合排名世界第一，是目前覆盖范围最广的具身世界模型。在跨本体、跨场景、连续动态、流体、柔性物体、物理规律与上下文推理等七大关键维度上，Being-H0.7 均展现出领先的物理理解与泛化能力，其能够完成复杂的多物体协作、长时序规划与精细物理交互任务。
为直观地展示 Being-H0.7「思考空间」中所包含的信息，可以进一步将观测图像与 Being-H0.7 先验分支的中间变量共同作为条件，基于视频模型对任务未来状态进行可视化预测。
尽管 Being-H0.7 在推理时并不显式进行像素级未来重建，其隐空间表征中已经蕴含了对未来世界状态的预测，体现出「隐式具身世界模型」的核心特征。
真机实验部分，Being-H0.7 借助世界模型架构，展现出了令人惊喜的表现。做到了更精准的空间感知、物理理解和运动推理能力，更具体地讲，实现了以下几种物理世界级的理解和交互能力：
动态轨迹预测：在高速动态场景下，Being-H0.7 借助物理世界知识和快速推理，能够预测物体轨迹并精准完成物理世界交互；
物理规律理解：Being-H0.7 通过大规模预训练构建了丰富的世界知识，能够准确理解流体物理规律并完成复杂任务指令；
运动推理能力：Being-H0.7 具备物理世界下的动力学推理能力，能够准确推理物体交互后的空间方位并规划好动作。
基于以上能力，Being-H0.7 能够完成高速运动物体的追踪和接取、精细流体控制、柔性物体交互等高挑战性的任务。
世界模型的再定义：从 AMI Labs 到 BeingBeyond
Our main goal is to build intelligent systems that understand the real world —— AMI Labs
面对这一愿景，作为开启「大规模人类视频驱动具身学习」这一路线的先行者，BeingBeyond 创始人卢宗青表示：
理解世界不够，必须学会改变世界。物理世界的理解与交互是不可分割的。如果一个模型只学习「世界会变成什么样」，而不学习「采取什么行动会导致这种变化」，它本质上仍然是一个被动观察者，容易退化为「缸中之脑」。
因此，不同于 LeCun，智在无界采用的技术路径是：同时建模状态变化与动作生成（joint prediction of state and action）。在数据层面，这一设计自然对应于第一人称人类视频，它不仅提供视觉观测，同时也包含了人类动作。这样的数据可规模化获取，天然适用于具身学习。因而，我认为，大规模人类视频是通向具身基础模型的一条可行路径，使机器人能够从人类行为中学习如何理解并作用于物理世界。
阅读最新前沿科技趋势报告，请访问21世纪关键技术研究院的“未来知识库”
未来知识库是“21世纪关键技术研究院”建立的在线知识库平台，收藏的资料范围包括人工智能、脑科学、互联网、超级智能，数智大脑、能源、军事、经济、人类风险等等领域的前沿进展与未来趋势。目前拥有超过8000篇重要资料。每周更新不少于100篇世界范围最新研究资料。欢迎扫描二维码或访问https://wx.zsxq.com/group/454854145828进入。
截止到2月28日 ”未来知识库”精选的百部前沿科技趋势报告
（加入未来知识库，全部资料免费阅读和下载）
牛津未来研究院 《将人工智能安全视为全球公共产品的影响、挑战与研究重点》
麦肯锡：超级智能机构：赋能人们释放人工智能的全部潜力
AAAI 2025 关于人工智能研究未来研究报告
斯坦福：2025 斯坦福新兴技术评论：十项关键技术及其政策影响分析报告（191 页）
壳牌：2025 能源安全远景报告：能源与人工智能（57 页）
盖洛普 & 牛津幸福研究中心：2025 年世界幸福报告（260 页）
Schwab ：2025 未来共生：以集体社会创新破解重大社会挑战研究报告（36 页）
IMD：2024 年全球数字竞争力排名报告：跨越数字鸿沟人才培养与数字法治是关键（214 页）
DS 系列专题：DeepSeek 技术溯源及前沿探索，50 页 ppt
联合国人居署：2024 全球城市负责任人工智能评估报告：利用 AI 构建以人为本的智慧城市（86 页）
TechUK：2025 全球复杂多变背景下的英国科技产业：战略韧性与增长路径研究报告（52 页）
NAVEX Global：2024 年十大风险与合规趋势报告（42 页）
《具身物理交互在机器人 - 机器人及机器人 - 人协作中的应用》122 页
2025 - 2035 年人形机器人发展趋势报告 53 页
Evaluate Pharma：2024 年全球生物制药行业展望报告：增长驱动力分析（29 页）
【AAAI2025 教程】基础模型与具身智能体的交汇，350 页 ppt
Tracxn：2025 全球飞行汽车行业市场研究报告（45 页）
谷歌：2024 人工智能短跑选手（AI Sprinters）：捕捉新兴市场 AI 经济机遇报告（39 页）
【斯坦福博士论文】构建类人化具身智能体：从人类行为中学习
《基于传感器的机器学习车辆分类》最新 170 页
美国安全与新兴技术中心：2025 CSET 对美国人工智能行动计划的建议（18 页）
罗兰贝格：2024 人形机器人的崛起：从科幻到现实：如何参与潜在变革研究报告（11 页）
兰德公司：2025 从研究到现实：NHS 的研究和创新是实现十年计划的关键报告（209 页）
康桥汇世（Cambridge Associates）：2025 年全球经济展望报告（44 页）
国际能源署：2025 迈向核能新时代
麦肯锡：人工智能现状，组织如何重塑自身以获取价值
威立（Wiley）：2025 全球科研人员人工智能研究报告（38 页）
牛津经济研究院：2025 TikTok 对美国就业的量化影响研究报告：470 万岗位（14 页）
国际能源署（IEA）：能效 2024 研究报告（127 页）
Workday ：2025 发挥人类潜能：人工智能（AI）技能革命研究报告（20 页）
CertiK：Hack3D：2024 年 Web3.0 安全报告（28 页）
世界经济论坛：工业制造中的前沿技术：人工智能代理的崛起》报告
迈向推理时代：大型语言模型的长链推理研究综述
波士顿咨询：2025 亚太地区生成式 AI 的崛起研究报告：从技术追赶者到全球领导者的跨越（15 页）
安联（Allianz）：2025 新势力崛起：全球芯片战争与半导体产业格局重构研究报告（33 页）
IMT：2025 具身智能（Embodied AI）概念、核心要素及未来进展：趋势与挑战研究报告（25 页）
IEEE：2025 具身智能（Embodied AI）综述：从模拟器到研究任务的调查分析报告（15 页）
CCAV：2025 当 AI 接管方向盘：自动驾驶场景下的人机交互认知重构、变革及对策研究报告（124 页）
《强化学习自我博弈方法在兵棋推演分析与开发中的应用》最新 132 页
《面向科学发现的智能体人工智能：进展、挑战与未来方向综述》
全国机器人标准化技术委员会：人形机器人标准化白皮书（2024 版）（96 页）
美国国家科学委员会（NSB）：2024 年研究与发展 - 美国趋势及国际比较（51 页）
艾昆纬（IQVIA）：2025 骨科手术机器人技术的崛起白皮书：创新及未来方向（17 页）
NPL&Beauhurst：2025 英国量子产业洞察报告：私人和公共投资的作用（25 页）
IEA PVPS：2024 光伏系统经济与技术关键绩效指标（KPI）使用最佳实践指南（65 页）
AGI 智能时代：2025 让 DeepSeek 更有趣更有深度的思考研究分析报告（24 页）
2025 军事领域人工智能应用场景、国内外军事人工智能发展现状及未来趋势分析报告（37 页）
华为：2025 鸿蒙生态应用开发白皮书（133 页
《超级智能战略研究报告》
中美技术差距分析报告 2025
欧洲量子产业联盟（QuIC）：2024 年全球量子技术专利态势分析白皮书（34 页）
美国能源部：2021 超级高铁技术（Hyperloop）对电网和交通能源的影响研究报告（60 页）
罗马大学：2025 超级高铁（Hyperloop）：第五种新型交通方式 - 技术研发进展、优势及局限性研究报告（72 页）
兰德公司：2025 灾难性网络风险保险研究报告：市场趋势与政策选择（93 页）
GTI：2024 先进感知技术白皮书（36 页）
AAAI：2025 人工智能研究的未来报告：17 大关键议题（88 页）
安联 Allianz2025 新势力崛起全球芯片战争与半导体产业格局重构研究报告
威达信：2025 全球洪水风险研究报告：现状、趋势及应对措施（22 页）
兰德公司：迈向人工智能治理研究报告：2024EqualAI 峰会洞察及建议（19 页）
哈佛商业评论：2025 人工智能时代下的现代软件开发实践报告（12 页）
德安华：全球航空航天、国防及政府服务研究报告：2024 年回顾及 2025 年展望（27 页）
奥雅纳：2024 塑造超级高铁（Hyperloop）的未来：监管如何推动发展与创新研究报告（28 页）
HSOAC：2025 美国新兴技术与风险评估报告：太空领域和关键基础设施（24 页）
Dealroom：2025 欧洲经济与科技创新发展态势、挑战及策略研究报告（76 页）
《无人机辅助的天空地一体化网络：学习算法技术综述》
谷歌云（Google Cloud）：2025 年 AI 商业趋势白皮书（49 页）
《新兴技术与风险分析：太空领域与关键基础设施》最新报告
150 页！《DeepSeek 大模型生态报告》
军事人工智能行业研究报告：技术奇点驱动应用加速智能化重塑现代战争形态 - 250309（40 页）
真格基金：2024 美国独角兽观察报告（56 页）
璞跃（Plug and Play）：2025 未来商业研究报告：六大趋势分析（67 页）
国际电工委员会（IEC）：2025 智能水电技术与市场展望报告（90 页）
RWS：2025 智驭 AI 冲击波：人机协作的未来研究报告（39 页）
国际电工委员会（IEC）：2025 智能水电技术与市场展望报告（90 页）
RWS：2025 智驭 AI 冲击波：人机协作的未来研究报告（39 页）
未来今日研究所 2025 年科技趋势报告第 18 版 1000 页
模拟真实世界：多模态生成模型的统一综述
中国信息协会低空经济分会：低空经济发展报告（2024 - 2025）（117 页）
浙江大学：2025 语言解码双生花：人类经验与 AI 算法的镜像之旅（42 页）
人形机器人行业：由 “外” 到 “内” 智能革命 - 250306（51 页）
大成：2025 年全球人工智能趋势报告：关键法律问题（28 页）
北京大学：2025 年 DeepSeek 原理和落地应用报告（57 页）
欧盟委员会 人工智能与未来工作研究报告
加州大学伯克利分校：面向科学发现的多模态基础模型：在化学、材料和生物学中的应用
电子行业：从柔性传感到人形机器人触觉革命 - 250226（35 页）
RT 轨道交通：2024 年中国城市轨道交通市场数据报告（188 页）
FastMoss：2024 年度 TikTok 生态发展白皮书（122 页）
Check Point：2025 年网络安全报告 - 主要威胁、新兴趋势和 CISO 建议（57 页）
【AAAI2025 教程】评估大型语言模型：挑战与方法，199 页 ppt
《21 世纪美国的主导地位：核聚变》最新报告
沃尔特基金会（Volta Foundation）：2024 年全球电池行业年度报告（518 页）
斯坦福：2025 斯坦福新兴技术评论：十项关键技术及其政策影响分析报告（191 页）
国际科学理事会：2025 为人工智能做好国家研究生态系统的准备 - 2025 年战略与进展报告（英文版）（118 页）
光子盒：2025 全球量子计算产业发展展望报告（184 页）
奥纬论坛：2025 塑造未来的城市研究报告：全球 1500 个城市的商业吸引力指数排名（124 页）
Future Matters：2024 新兴技术与经济韧性：日本未来发展路径前瞻报告（17 页）
《人类与人工智能协作的科学与艺术》284 页博士论文
《论多智能体决策的复杂性：从博弈学习到部分监控》115 页
《2025 年技术展望》56 页 slides
大语言模型在多智能体自动驾驶系统中的应用：近期进展综述
【牛津大学博士论文】不确定性量化与因果考量在非策略决策制定中的应用
皮尤研究中心：2024 美国民众对气候变化及应对政策的态度调研报告：气候政策对美国经济影响的多元观点审视（28 页）
空间计算行业深度：发展趋势、关键技术、行业应用及相关公司深度梳理 - 250224（33 页）
Gartner：2025 网络安全中的 AI：明确战略方向研究报告（16 页）
北京大学：2025 年 DeepSeek 系列报告 - 提示词工程和落地场景（86 页）
北京大学：2025 年 DeepSeek 系列报告 - DeepSeek 与 AIGC 应用（99 页）
CIC 工信安全：2024 全球人工智能立法的主要模式、各国实践及发展趋势研究报告（42 页）
中科闻歌：2025 年人工智能技术发展与应用探索报告（61 页）
AGI 智能时代：2025 年 Grok - 3 大模型：技术突破与未来展望报告（28 页）
上下滑动查看更多
