近年来机器人的本体迭代快速发展，虽然机器人能够在舞台上完成一个个炫酷的动作，但是何时能摆脱遥控器，具备自主思考操作能力将是规模化落地的关键。

最近一年内，海外初创公司Physical Intelligence和Field AI分别在具身大脑的研发上取得突破，达到数十亿美元估值。Manifold AI原创的具身世界模型技术将有望带来机器人大脑的规模化落地，成为具身大脑领域的后起之秀。

长久以来通用机器人面临着本体多、数据少、应用分散的落地困局。近年来，基于VLA（视觉-语言-动作模型）的方案虽然能够具备一定的泛化性，但仍存在预训练模型精度低、后训练需要大量本体数据进行模仿学习的问题。数据和本体的强耦合导致难以低成本分发到各个垂直行业。

目前海外的Tesla Optimus（特斯拉擎天柱机器人）、Figure AI团队纷纷从采集、利用遥操作后训练数据的技术路线切换到使用海量ego-centric视频数据的技术路线上。这类思考是从第一性原理出发，即人类也只需要观看视频教学或者他人操作就可以学会大量泛化操作。但如何有效地利用视频数据进行机器人训练仍是开放的问题。 

费曼曾说：“What I cannot create，I do not understand”。基于世界模型来广泛地学习视频数据，从而习得与物理世界可交互的时空智能，进而学会操作是其中最本质的解法。这种解法将使得互联网上所有第一人称视角视频数据成为机器人可学习的素材，真正达到类GPT预训练范式所需要的规模，世界模型的底层技术突破将加速这个趋势。

最近，OpenAI发布新一代视频生成模型Sora2，周活跃用户到达8亿。Google发布了Genie3世界模型，将物理一致的上下文视频窗口拉长到分钟级别。“AI教母”李飞飞的World Labs发布了RTFM世界模型，首次实现了单图可实时生成可持久化交互的3D空间。

除了上述通用世界模型的进展，NVIDIA英伟达的Cosmos世界模型和Meta的V-JEPA2世界模型也在具身场景进入实用，分别在云端数据合成和端侧具身大脑上取得突破。

深度学习时代世界模型相关技术、应用的发展路线图

Manifold AI从成立之初就坚持World Model Action（WMA）的技术路线，提出WorldScape具身基座世界模型方案，具备Reasoning-Dreaming-Acting三位一体能力，利用海量ego-centric视频数据进行预训练有望实现物理空间智能涌现；预训练模型能力的提升使得绑定本体的动作映射只需要极少量的In Context Learning数据即可实现，大大降低了具身智能落地到应用场景的部署成本。

Manifold AI相关的世界模型技术孵化自清华大学电子系未来智能实验室，是世界范围内首个全域布局室外、室内、空域具身世界模型的团队。相关工作DriveScape、RoboScape、AirScape已分别发表在国际顶级会议CVPR2025、NeurIPS2025、ACM MM2025上，获得学术界和产业界的广泛关注。

基于RoboScape的机器人未来预测执行能力

基于AirScape的无人机未来预测执行能力

此外，Manifold AI已率先接入NVIDIA Jetson Thor（英伟达专为物理AI和机器人打造的开发者套件）用于具身世界模型的本体部署。而新股东锦秋基金、同创伟业在具身智能和低空经济领域已布局多个本体企业。

团队方面，Manifold AI的核心团队成员位于北京，团队具有Robotics（机器人）和大模型的双重背景。主要成员均毕业于清华、北大、上交、港中大、UCLA等国内外高校，在快手、Momenta、商汤等企业构建过多个超过千万级用户的AI产品。

创始人兼CEO武伟博士为前商汤科技高管，2015年加入商汤初创，有数百人的团队管理经验，曾主导了商汤开悟世界模型的研发和落地。其联合发起人是清华大学教授，教育部长江学者，发表过包括十余篇Nature子刊在内的数百篇学术论文，其所带领的实验室是在AI模拟和世界模型方向最早整体布局的实验室之一。

另一位联合发起人是清华大学信息学院助理教授，是15岁考入清华的天才少年，多次入选全球前2%顶尖科学家，是人工智能领域的新星。Manifold AI创始团队强大的技术背景和工业落地能力助力了模型架构和应用能力的快速迭代演进。