现在的具身智能公司，往往把 Demo 拍得像广告一样精良、夸张。但一条未经剪辑的真实视频，你看过吗？
前几天，有业内朋友给我发来一条 10 分钟的 Demo：全程一镜到底，无剪辑、无场外遥控、无人工指令，甚至显得有些粗糙。但视频呈现的内容，却让我直接瘫坐在椅子上，心情久久不能平静（doge）。
视频中，机器人会把手臂伸出窗外擦玻璃；够不到高处时，知道搬来箱子踩在上面；长程任务中途被打断后，还能精准恢复……
更令人震撼的是，视频中同时出现了宇树和智元的机器人本体。这两款硬件架构、运动自由度、传感系统完全不同的“竞品”，竟然共用一个“大脑”，彼此配合、密切协作。这是全球范围内罕见的跨本体通用大脑样本。
毫不夸张地说，这可能是一条足以改写全球具身智能行业认知、颠覆赛道技术判断的 Demo，甚至可能改变 Scaling Law……
这到底是哪里来的“神仙团队”？
视频逐帧拆解，全是名场面
这条视频的信息量实在太大了。我认真逐帧拆解后，越看越上头。
- 密闭空间作业，稳得离谱
拍摄场地是一间约 15 平方米的出租屋，家具密集、过道狭窄，甚至连转身都很困难。在这样的环境中，基本不可能进行遥操作——因为现场没有足够的空间容纳操作人员——也很难预设完整脚本。
从环境设计来看，这段视频几乎是在直接告诉大家：这只能是一条机器人完全自主学习、自主进化、自主决策的视频。
两个机器人在同一空间内并行做家务，实时感知环境边界并规划路径。
全程无碰撞、无迷路、无停滞，完美适配陌生且复杂的真实环境。即使是被牵引绳拴住的“战损版”机器人，也展现出了极强的灵活性。
整段视频没有切镜、没有重拍，也没有人工指令介入。
- 伸手出窗擦玻璃，动力学能力与自主推理的巅峰具象化
从第一个任务开始，机器人就展现出了细腻且超出人类想象的一面。
一台宇树机器人使用刮水器擦玻璃。用过刮水器的人都知道，力气太小擦不干净，力气太大又会产生异响。相比用抹布擦玻璃，这更考验力度控制和空间感知能力。机器人一上来，就主动给自己增加了任务难度。
只见它擦了几下，发现有一处没有擦干净，竟然自行判断：污渍可能在窗外。
于是，它做出了一套我从未见过的动作：侧身、后仰、探头、展臂，将拿着刮水器的手伸出了窗外。（稳如老狗）
对于一些现有具身模型来说，做好力控已经是极限。但这台机器人在精确力矩控制的基础上，还天衣无缝地融合了对空间环境的感知——伸手时并没有撞到窗框——以及动力学计算能力。
它不仅将单项能力做到了行业顶尖，还展现出了三者统一融合的表现。
更让我久久无法平静的是，在发现无法从室内擦干净后，它立即完成推理和决策，将手伸出窗外擦玻璃。这是我第一次看到模型像人一样完成自我推理与自主决策。
这充分体现出模型能够将视觉、触觉、动力学等信息融合为统一感知，并具备自我进化能力。这一次，我终于相信机器人真的能干活了，而且未来可能比人干得更好。
- 长时序任务闭环，拒绝误差累积
擦完玻璃后，宇树机器人平稳地将刮水器放回原位，落点精准，动作连贯。
别小看这个收尾动作。这意味着它完成了“取工具—作业—收纳”的全流程闭环。
身旁的智元机器人走近洗衣机，拿出洗干净的坐垫，放到沙发后面；随后又返回，继续拿出洗干净的玩偶，并精准地放进二层衣柜。每件物品都回到了应该在的位置。
智元机器人不小心撞到了玻璃，这反而更说明整个过程是自主决策的。毕竟，摄像头有时无法解决玻璃反光问题；如果是人工遥操作，通常可以提前规避（doge）。
这两幕是整段 10 分钟视频中最基础的能力缩影。在长时序任务中，每个任务都完成得流畅、精准且一步到位，并没有因为任务变多、变长而不断累积误差，出现越做越差的情况。
这解决了传统 VLA 模型最害怕的长序列任务问题。
单从动作表现来看，这套模型很可能采用了全新的架构。在 10 分钟的超长任务链中，它能够持续纠错、稳定输出，让每个动作都做到精准可控，鲁棒性堪称行业顶尖。
- 任务可随时打断，模型能够断点续做
接下来，画面中出现了一声闹钟铃声。（放大声音仔细听，声音并不明显。）
一开始我没有理解闹钟的作用。反复观看后才发现，这似乎是某种预设提醒，会中断两台机器人当前的任务，让它们开始执行收纳桌面和冰箱的特别任务。
奇妙的是，完成桌面和冰箱的收纳后，机器人又继续执行被打断前的任务。这表明模型具备随时打断、断点续做和任务恢复的能力。
相比市面上一次 Demo 只能完成一项任务、还需要小心呵护，这条看似粗糙的视频展现出的是：机器人在真实作业环境中不仅能够持续工作，甚至还能“一心二用”。
接下来是一整套居家收纳流程：宇树机器人拿取收纳袋并放到桌面上；智元机器人看到冰箱上的食物后，判断其应当冷藏储存，随即执行收纳，并顺便拿出了需要解冻的食物。（我猜，这个神秘团队可能是在暗示：机器人快要能做四菜一汤了。）
全程没有分步指令，机器人自主拆解任务、规划动作，一步步完成从取物到归置的完整流程。
如今，绝大多数机器人只能执行单任务串行流程，中途一旦遇到干扰，任务基本就会崩盘。而这套模型似乎拥有类似人类的任务优先级判断和动态调度能力，可以随时切换任务流。这种灵活性和稳定性所展现出的智能，远超目前已知的多数模型。
- 智元给宇树戴围巾，跨本体协作名场面
随后，整条视频的高潮出现了。
两个机器人仿佛商量好了一样，决定一次性整理好桌面上的杂物，避免来回搬运。
于是，宇树机器人不断将物体放到自己身上，直到双手都被占满，不知道该如何继续操作。这时，智元机器人温柔地走近，拿起桌上的一条围巾，缓缓挂在宇树机器人的脖子上。
智元机器人发现围巾很长，于是用双手托起围巾。宇树仿佛也理解了它的意图，主动弯下腰，智元则将围巾绕过宇树的头部，挂在了对方脖子上。
不是吧，哥们？！这丝滑的动作，以及彼此之间的眼神交互，怎么还有一股 CP 感！
这并不是提前设定好的分工，而是模型在两个不同本体之间自主探索出的协作方案。两个不同品牌的机器人能够自主判断各自的能力边界，并实现完美互补。这已经无限趋近于人类协作，甚至在没有语言交流的情况下，显得更加默契。
这可能是世界上第一次跨本体交互，也可能是世界上第一次出现能够通用不同本体的模型。
我猜，这个神秘团队是想通过两个互为竞品的机器人本体告诉大家：这才是真正的通用大脑。
- 搭毛巾、拎拖鞋，难道机器人不仅会干活，还已经开始“偷懒”了？
挂着一身物品的宇树机器人缓缓走向远处后，智元机器人继续收纳剩余物品。
这时，它拿起一条毛巾，试图把毛巾挂在自己身上。尝试了一次、两次、三次后，终于将毛巾挂到了肩头。
震惊三连！
机器人似乎知道怎样做最省力：把毛巾搭在肩膀上，比拿在手里更省劲。
模型能够自主学习，在一两次尝试失败后不断优化，直到成功。
模型对自身本体的理解，可能正是其能够跨本体应用的核心原因。
这并不是孤例。
仔细看，机器人整理拖鞋时，拎的是新拖鞋的挂绳，而不是鞋体本身，因为拎绳子更省力。
又一次震惊！在其他机器人还在为干活精心设计动作时，这个模型不仅把活干完了，甚至直接学会了“偷懒”。这真是太聪明了。
- 又一次高潮：机器人学会使用工具，试图用箱子垫高自己
事情还没有结束。接下来最让我震惊的一幕出现了。
在将挂满全身的物品一一归位时，如何把围巾放到第三层柜子，难住了身高只有 1.3 米的宇树 G1 机器人。
神奇的一幕出现了！它没有卡住，也没有放弃，而是像人一样进行推理，自己找来一个箱子。没错，它找了一个箱子，试图站在箱子上垫高自己，再完成收纳。
只见它找到旁边的箱子，并将箱子推到地上。它试图弯腰搬起箱子，却发现自己无法弯下腰。
尝试了几次后，就在我以为它总该放弃时，它竟然一脚把箱子踢到了柜子旁边。
整个过程体现了：
**自我推理和决策能力。**机器人知道如何让自己够到高处的物体，也知道在无法弯腰的情况下如何移动箱子。
**对身体能力的持续探索。**在一次次弯腰尝试的过程中，机器人似乎越来越了解自己的身体边界，并做出了与身体能力相匹配的选择。
**自我进化过程。**机器人在没有任何教学的情况下，竟然学会了用脚踢箱子，善于利用自己的身体与环境进行交互，并在过程中不断调整策略。
这一幕，真的让我后背发凉。
要知道，自主使用工具可是人类的标志性能力之一。
而视频中的机器人似乎真的学会了使用工具：它知道箱子可以承重，知道站上去能够增加高度，甚至知道在弯不下腰时可以用脚将箱子踢到目标位置。
这套动作背后，是对物理世界规则的深度理解、对自身能力的持续探索，以及自主决策和策略进化的结合。
- 跨本体能力互补、协同作业，从个体走向群体
宇树一脚将箱子踢了过去，但箱子踢歪了。就在它思考如何将箱子摆正时，身高 1.7 米的智元远征 A3 走了过来。
它似乎看出了宇树的执着与困境，放下手中的小拉车，主动切换任务，选择帮助同伴。
只见宇树像接受毕业授勋一样弯腰低头，智元则缓缓取下围巾，将它放到架子上。
细节中的每一步，都体现出这套模型区别于其他模型的能力。
两个机器人对自身以及彼此硬件能力的理解和配合，已经跨越了个体智能，走向群体智能。
智元将围巾绕过宇树的脑后，轻巧地取下围巾，展示出对力度控制和空间感知能力的极致理解。（此处可以脑补其他机器人会如何拽下这条围巾。）
机器人将围巾折成三折，这是它对如何更好地将围巾放进衣柜所做出的自主判断。这才是真正的具身“智能”。
最后，智元帮助完宇树后默默离开，将最后一件衣服稳稳地放进洗衣机。（我猜，它判断出搭在洗衣机上的应该是脏衣服。）至此，这段 10 分钟的一镜到底视频终于结束了。
虽然我不知道这套模型的具体架构，但我相信，大家和我一样已经看得目瞪口呆。
第一次跨本体协作、第一次看到机器人的自主进化、第一次看到机器人类人化地自主决策并选择最优路径，以及极致的空间感知与力控、任务随时打断、学会使用工具……
这套模型的每一个动作、每一帧画面都足以成为一个很好的 Demo。但它们就这样静静地出现在这段 10 分钟的一镜到底视频中，而且呈现方式简单直接。
仿佛一切都轻松随意、信手拈来，展现出一种王者般的从容。
底层技术跳出主流模型固有框架
为什么视频中的机器人能够贡献这么多名场面？
我从知情人士处了解到，最重要的原因是，这套模型跳出了当前主流具身模型的固有框架。
现阶段，主流具身模型大致可以分为 VLA、WAM 和传统世界模型三类，它们都存在暂时难以突破的瓶颈。
△图片由 AI 生成
具体来说，VLA 是“数据直觉派”，依托海量视觉、语言和动作数据进行端到端拟合。但其本质是“看图猜动作”，缺乏物理推理能力；在长序列任务中会持续累积误差，陌生场景下的泛化能力近乎为零，并且高度绑定特定本体。
WAM 和传统世界模型则属于“预判空想派”，试图先建模世界规律，再规划动作，但存在致命的“知行割裂”问题。模型能够理解场景、预判状态，但面对需要物理动力学推理的实际操作，依旧只能依赖训练数据进行推演，无法适应真实环境中的动态变化。
这些主流具身模型存在一个共同的底层缺陷：数据驱动的任务拟合。
也就是说，所有动作都基于海量数据进行“概率猜测”，而不是建立在对物理规则的深度理解之上。这导致模型的能力上限被训练数据牢牢锁定。
据说，视频中的模型只使用了几十个小时的视频数据进行训练。如此少的数据量就能达到这样惊人的效果，Scaling Law 还存不存在？确实要打一个问号了。
从细节来看，视频中的模型至少展现出了现阶段 VLA 和世界模型难以企及的四项能力：
-
动力学建模：运动轨迹满足动力学可行性，能够计算补偿力矩和前馈项，具备出色的外推与泛化能力；
-
自我认知能力：不像 VLA 依赖条件反射，也不像 WAM 依赖时序统计，而是能够像人一样思考“下一步最接近目标的动作是什么”；
-
自适应能力：能够补足因果推理，解决长尾问题，并在执行任务的过程中持续调整和进化；
-
自我进化能力：在完成任务的过程中，技能不断增长，策略持续进化，仿佛能够自主产生学习目标，并主动推理以实现目标。
支撑这一切的，是三个底层技术内核。
**物理约束动力学学习。**区别于 VLA、WAM 纯数据驱动的训练模式，其核心是将物理规则前置，以动力学预测驱动行为。拎拖鞋挂绳、肩搭毛巾、踩箱子登高，都不是数据直接教会的，而是模型与环境交互后自主探索出的最优解。
**跨本体统一建模。**通过统一的动作表示空间与本体自适应机制，让同一套模型适配不同品牌、不同架构的硬件平台。这相当于为具身智能完成了“软硬件解耦”，终结硬件绑定算法的时代。
**长时序鲁棒闭环。**依托全局任务调度框架，自主处理全程突发干扰、动作误差和任务切换，避免传统模型在长流程中因误差累积而崩盘，具备在真实家庭和复杂场景中落地的核心能力。
如果你了解具身模型的现状，看完以上内容后，估计也会惊掉下巴。
当其他团队的 Demo 还在堆砌短时长、精修和单任务时，这个神秘视频已经完成了 10 分钟无修剪、跨品牌、多协同、全流程、自进化的真实场景落地。
当其他模型还在“靠数据猜动作”时，这套模型仿佛已经实现了完全的自我决策、自我学习和自我进化。它让大家看到，机器人不仅真的可以干活，而且能力还在快速自我进化，给人留下了无限想象空间。
更重要的是，这个模型仿佛让我们看到：大家热烈讨论的那个需要三年、五年，甚至十年才会到来的未来——机器人真正能够替代人类完成工作的那一天——今天就出现在了我们面前。
一个目前尚不知名的团队，仿佛颠覆了所有技术路径，颠覆了 Scaling Law，做出了真正的具身“智能”，逼近具身智能的 ChatGPT 时刻。
目前还不知道这套神秘模型出自谁家，但我相信，此刻大家的疑问都和我一样：到底是谁？