近日，世界模型驅動的城市具身智能全棧商酷哇科技宣布，正式聘任人工智能領域學者楊學博士擔任首席科學家。同時酷哇近期将與上海交通大學啟動籌建“上海交通大學 - 酷哇科技通用具身智能聯合實驗室” (Embodied General Intelligence Lab)”，進一步深化産學研前沿布局。
從頂尖人才引進到校企合作，兩項動作都指向同一個目标：提升場景數據向模型能力的轉化效率，升級面向多形态機器人的統一模型大腦，進而探索向更多産業應用拓展。
這源于穿越10年周期後的酷哇，對當下具身智能規模化應用的一個判斷：算法、硬件和場景的協同決定落地能力，而真實世界數據能否被持續獲取并高效轉化，則直接影響模型的疊代速度。
酷哇科技是國内少數進入商業運營階段的具身智能企業之一，當前業務已覆蓋全球50多個城市和地區，形成萬台級機器人的真實部署。這些商業項目成為了酷哇獲取數據的重要入口，為其沉澱約 50PB 物理世界數據。
但數據規模并不會自動轉化為可複用、可遷移的模型能力，更不會自然形成面對新任務、新環境時的泛化能力。
在酷哇看來，核心挑戰是從海量數據中識别高價值樣本、挖掘極端長尾場景，并将原始數據轉化為有效訓練信号，持續提升模型在新任務、新環境中的穩定性和泛化表現。這也是酷哇從數據積累走向規模化應用必須跨越的一道門檻。
不是造一個通用機器人，而是疊代一顆通用大腦
酷哇長期深耕城市服務場景，并在規模化運營中積累機器人系統能力和物理世界數據。在此基礎上逐步形成了以世界模型驅動不同形态機器人的技術路徑，這也成為酷哇将自身定位為“具身大腦公司”的基石。
這顆通用具身大腦，被命名為“COOWAM”(Co-Optimized World Action Model)，也是當前行業首個原生融合“快慢思考”的雙層智能體世界模型架構。
上層多模态視覺語言模型 Urban VLM 負責長程任務理解與規劃，内嵌 PVM(生産力價值評估) 模塊用于決策跟商業應用目标的價值精準對齊;下層交互式世界-動作模型 CooWAIM 聚焦機器人行動後 0～4 秒的短時未來窗口，負責低延遲的物理交互推演和實時動作調整。
楊學的加入，首先将落在驅動 COOWAM 的系統化升級上。
公開資料顯示，楊學為上海市啟源學者及CCF優秀博士學位論文獎得主，曾連續三年入選斯坦福全球前2%頂尖科學家榜單，在TPAMI、IJCV、CVPR、NeurIPS、AAAI等人工智能領域期刊及會議發表論文70餘篇，谷歌學術引用超過1.3萬次，在單體多模态大模型、複雜目标檢測及弱監督學習等領域積累了領先國際的研究成果。
按照酷哇披露的規劃，在“慢思考”層，楊學将結合多模态與獎勵設計方向的技術突破，強化Urban VLM對長程任務的理解與規劃能力，并提升PVM對系統決策與商業應用目标的精準對齊能力。
在“快思考”層，其在複雜目标檢測和高精度感知方面的積累，将為CooWAIM 的感知與空間表征提供技術支撐。與此同時，酷哇将繼續推進模型由機械臂控制、第一人稱視角認知向高自由度靈巧操作演進。
從一次升級到加速進化，世界模型需要“盤活”數據
除了模型架構升級，要讓 COOWAM 落地于充滿動态變化與高頻物理交互的複雜城市場景，在酷哇看來，還需突破數據工程化的瓶頸——不隻是有數據，更要高效轉化數據，形成持續的模型疊代閉環。
在酷哇的定義裡，真實世界數據分為三個層級，動态場景數據幫助模型理解不斷變化的現實環境，物理交互數據記錄機器人動作與環境反饋之間的關系，真機糾偏數據則用于識别和校準模型在極端長尾場景中的能力邊界。
這些數據共同構成了 COOWAM 持續疊代的基礎。而當前的主要痛點，在于不同層級數據的篩選和标注成本，以及高質量真機糾偏數據的挖掘難度。
酷哇認為，楊學在弱監督學習和模型後訓練方向的研究成果，将推動酷哇自研的物理AI數據工廠進一步升級，從兩個維度提升數據轉化效率：一是更智能地從海量動态場景和物理交互數據中識别高價值訓練樣本，二是充分利用真實運營産生的各類反饋信号，包括人工接管、動作修正等，來加速模型後訓練疊代。
由此依托“一腦多态”架構，酷哇的世界模型升級後能自然地适配至不同形态的機器人。随着機器人進入更多真實場景，産生的真實數據經過篩選和後訓練反哺模型疊代，進化的模型再适配至更多本體和場景，由此形成“場景部署—數據反饋—模型優化—多态适配-更多數據”的持續閉環。
如果說楊學的加盟補強了酷哇在模型研發、弱監督學習和數據工程化方面的能力，那麼與上海交通大學籌建聯合實驗室，則為這套技術路線提供了長期的産學研協同平台。據酷哇介紹，雙方将圍繞具身智能與世界模型開展持續研究，并探索科研成果轉化與人才培養，推動相關技術從前沿研究走向工程化驗證。
物理世界的Scaling Law，要在規模化應用中驗證
大語言模型的 Scaling Law 通常建立在參數、算力和訓練數據的持續擴張之上。但機器人面對的是動态、開放的物理環境。同一個動作放在不同本體、任務和場景中，可能産生完全不同的結果。
因此參數越多、數據量更大，并不必然意味着機器人在真實世界中具有更強的泛化能力。
從酷哇的技術路徑來看，其試圖在物理世界探索的 Scaling Law 建立在另一條核心原則之上：相比數據規模，更關鍵的是讓海量真實世界數據與模型持續疊代的效率相乘，規模化部署解決的是數據的“量”，而通過弱監督、後訓練等方法把海量數據轉化為高質量訓練信号，解決的是數據的“質”，關乎模型疊代的效率。
酷哇的50PB數據隻是起點。關鍵是這些數據能否通過自動化篩選、人工糾偏反饋等機制，高效轉化為模型能力增量，進而改善機器人在真實作業中的成功率、穩定性、安全性和經濟性。
這正是酷哇引入楊學的核心價值：提升數據工程化效率，縮短從問題發現到模型能力的轉化周期。
這套系統的難能可貴之處在于，它不隻是依賴某個新技術或新方法，而是圍繞萬台級真實部署建立起一整套自動化數據挖掘、标注、模型疊代和實時反饋的工程體系。每座城市的地形、氣候和場景差異，這些真實世界的不确定性和酷哇在實際運營中積累的每一條修正策略，才是真正難以複制的壁壘。
最終，物理世界的Scaling Law不能隻在實驗室中定義，必須在真實規模化應用中驗證。
酷哇要持續證明的是，通過這套閉環體系，COOWAM這顆“具身大腦”能否在從一個城市拓展到更多城市的更多場景時，持續創造客戶願意付費的生産力價值。
免責聲明：本文僅代表作者個人觀點，與每日科技網無關。其原創性以及文中陳述文字和内容未經本站證實，對本文以及其中全部或者部分内容、文字的真實性、完整性、及時性本站不作任何保證或承諾，請讀者僅作參考，并請自行核實相關内容。
本網站有部分内容均轉載自其它媒體，轉載目的在于傳遞更多信息，并不代表本網贊同其觀點和對其真實性負責，若因作品内容、知識産權、版權和其他問題，請及時提供相關證明等材料并與我們聯系，本網站将在規定時間内給予删除等相關處理.
