中国数字仿真网

当世界模型不再只是“看懂世界”，而是能够“运行一个世界”，具身智能的训练范式正在被重写。日前，智元机器人（AGIBOT）正式发布 Genie Envisioner 2.0（GE 2-Sim），标志着其世界模型体系从“世界动作模型”（World Action Model，WAM）向完全可交互的“世界模拟器”（World Simulator）跃迁，为具身智能提供了被官方称为“物理进化引擎”的规模化训练与评估基础设施（如图1所示）。

 图1　智元机器人远征A2人形机器人 

一、从“理解世界”到“在模型中学习”

2025年，智元机器人推出行业首个动作驱动世界模型开源平台 Genie Envisioner，让机器人通过视觉、语言与动作的统一建模理解世界。作为上海首家人形机器人量产企业，智元机器人正沿着“表征世界—模拟世界”的路径持续加码。Genie Envisioner 2.0 的范式转变更进一步：从让机器人理解世界，到让机器人在模型生成的世界中学习。

这一转变的核心，是智元持续迭代的世界动作模型（WAM）框架。与传统世界模型只建模状态不同，WAM 将动作作为一等变量纳入循环，完整刻画“状态—动作—状态演化”的闭环（如图2所示），使世界模型不再只是理解环境的“表征层”，而是同时成为策略学习与动作生成的共同基座——模型既要“看懂”世界，也要“回答”下一步该做什么。

 图2　WAM 框架运作机制：从世界模型表征到动作预测 

二、“物理进化引擎”：让模型世界可运行

围绕“让模型世界可运行”这一目标，GE 2-Sim 集成了一系列新能力（如图3所示）。EnerVerse-AC 实现动作条件世界建模与未来预测，让模型世界对机器人的动作作出符合物理与语义约束的高保真响应；GE-Sim 作为神经模拟器支持闭环策略评估，支撑分钟级稳定仿真，可连续生成完整任务序列而非碎片片段；EWMBench 则从仿真保真度、动作正确性与语义对齐三个维度衡量模拟器质量，为“模拟器到底好不好”提供可比较的标尺。

与此同时，GE 2-Sim 内建通用奖励模型，支持基于文本反馈的自我评估与优化，可在无需人工设计奖励的条件下开展模型内强化学习（RL in World Model）。系统还统一了多视角感知、跨视角三维一致性与机器人本体感觉，将感知从“图像”升级为可交互的具身世界；随着推理效率的提升，系统逼近实时交互，支撑“世界模型内评估（Eval in World Model）”“世界模型内强化学习”“世界模型内远程操作（Teleoperation in World Model）”三类应用场景（如图4所示）。

 图3　GE 2-Sim 世界模拟器总体架构：表征与世界模拟器联动 

三、数据与训练范式的重构

在数据层面，GE 2-Sim 建立了新的数据与训练范式。Real2Edit2Real 范式让真实数据变得可编辑、可扩展，显著提升训练数据的规模与多样性；保真度感知的数据合成（Fidelity-Aware Data Composition）则将真实数据与生成数据按保真度组合，在真实感与泛化能力之间取得平衡。两相结合，为“模型内学习”提供了源源不断的多样化训练材料。

图4　GE 2-Sim 系统分层：从核心仿真引擎到演化场景与应用（图片来源：智元机器人官网）

四、仿真范式的下一个拐点

智元机器人认为，这标志着具身智能迈向“可扩展法则”的关键拐点。世界模型正从离线工具走向交互式系统环境：机器人得以在合成环境中以更低成本、更高密度完成训练、评估与优化，再向真实世界迁移；训练瓶颈也从“真实数据可得性”转向“仿真本身的保真度”。

值得注意的是，这一路线已初显成效。据公开报道，今年5月，智元自研世界模型 Genie Envisioner-Sim 2.0（GE 2.0）凭借综合表现登顶具身智能评测基准 WorldArena Track 1（世界模型感知与动作响应赛道），被业界评价为“从感知到自主决策的闭环”。

对数字仿真行业而言，世界模拟器与工业仿真在“以虚验实、以虚促实”的底层逻辑上深度同频——当 AI 大模型学会运行物理世界，仿真将不仅是验证工具，更可能成为智能体能力生长的第一现场。

结语

当模型成为世界，现实不再是唯一的训练场；当学习与进化可以在模型内部发生，具身智能的边界也将被重新定义。从“理解世界”到“运行世界”，GE 2-Sim 的发布，或许正是这场范式迁移的起点。