300美元跑通世界模型！比老黄便宜10倍

【导读】世界模型第一次塞进指甲盖芯片！X-Era Lab与星宸科技联手，成本砍掉90%，具身智能终于不靠云端活了。

风筝和鸟，都能飞翔。

但风筝长不出方向，是远处的手借风借线，决定它自由或回落；而鸟却长在自己的翅膀上，俯冲与停栖都来自大脑意志，无需指令。

过去的具身智能像风筝：越飞越高，却被「延迟」系在云端，现实里一只倾倒的杯子、一场骤雨就让它崩乱，风会乱，线会断，真实世界等不起信号往返云端。

X-Era Lab（拓元智慧）和星宸科技最近做成的一件事，正是把风筝变成鸟——

他们把自研的世界动作模型 VWA，跑进了一颗指甲盖大小的端侧芯片，完成了「感知—预测—控制」的全链路闭环。

这次，他们剪断了那根线，让具身智能第一次，飞在自己的翅膀上。

X-Era Lab 与星宸科技联合推出的首款端侧世界模型解决方案

把「大脑」真正装回身体

一个产品最原始的出发点，决定了它后来所有的形状，也决定了它日后会在哪里走形。

一件事如果同时背着「炫技」「拿融资」「赶风口」太多目的，就会从「为用户解决真问题」，悄悄变成「替团队完成一场表演」。

动作开始替老板做、替发布会做，而不再替那只要去抓住正在倾倒的杯子的手做。

而 X-Era Lab 把发心收敛到了一件事上：做全球第一个原生的世界动作模型。

说穿了很朴素，如果不能稳稳托住现实生活里的一只杯子，再酷炫的 PPT 又有什么用。

所以它从第一天就认定，推理这件事，必须发生在机器人本体上。

具身智能的上半场，比的是谁的模型更大。

下半场要回答的，是另一个更朴素的问题：谁能把「大脑」真正装回身体，让它在真实世界里跑起来，并且足够便宜地跑起来。

世界模型必须走到端侧

把模型放云端、机器人传画面回来等指令，这套链路在大模型时代很顺手，可一进物理世界就处处碰壁。

说到底，那根「线」还在。

这个道理几乎人人都懂。自动驾驶不能只靠云端决策，肉眼看见的绿灯，等画面传上云、决策再传回来，可能已经变成了红灯。

云端能告诉你「世界长什么样」，却赶不上回答「此刻该怎么办」。

工业场景里，亚毫米级的精密放置，机械臂的容错只有零点几毫米，决策一滞后，物体就被推过了头。

家庭场景同样如此，一个几十公斤的机器人，若对人的状态判断慢了半拍，一个抬手就可能伤到人。

在物理世界里，迟到的正确，约等于错误。

而在带宽上，世界模型同样需要本地处理。

大语言模型往云端传的是文本，带宽要求很低；可世界模型要「理解世界」，一旦是多传感器、多模态融合输入，上行带宽会急剧膨胀。

在 X-Era Lab 研发总监蒲韬看来，这正决定了两类模型的命运：大语言模型可以留在云端，世界模型必然走向端侧。文字可以打包托运，而世界，太重了，传不动。

依托端侧芯片把世界模型从云端搬到智能体上

现阶段云端方案大多以 Token 使用量作为收费标准。

然而理解物理空间所需要的 Token 用量远超现在的大语言模型所需，这使得具身智能商业化迟迟无法落地。

一台机器人卖二十万，不便宜，但一算账才发现，反而是其整个生命周期中需要消耗的 Token 更有可能是个天文数字，谁都不敢保证上限在哪。

这导致厂商看不到利润空间，客户估不准落地成本。而一个算不清账的商业模型，没有人敢真的下场。

X-Era Lab 的 CTO 陈添水觉得，国内硬件几乎都是一次性买断，极少订阅制能成立，原因正在于此。把模型放到端侧，这笔账才变成确定的：芯片装上去，怎么用都是那个成本。

隐私问题也在把世界模型推向端侧。Token 承载的隐私信息相对有限，但「理解世界」要持续处理大量视觉与空间信息，家里长什么样、生产线在做什么，这些远比一段文本敏感。

一旦这些数据必须上传云端才能用，许多场景从一开始就不会向你敞开。把世界搬到云上的那一刻，很多扇门就已经关上了。

延迟和带宽，逼着世界模型往端侧走；成本和隐私，决定它走到端侧之后生意能不能做。前者是物理约束，后者是商业约束，两股力气，把答案推向同一个方向。

对世界模型来说，走向端侧不是一道选择题，而是一道必答题；而它们共同指向的那个词，是确定性。这正是 X-Era Lab 从第一天就选端侧的理由。

能塞进端侧的

是为端侧而生的模型

在市场上，相比友商 Thor-U 芯片动辄 3000 多美元的方案，他们想让世界模型跑在两三百美元的芯片上，但靠事后裁剪是塞不进去的，这个模型从娘胎里就为端侧而生。

要看清 VWA 的不同，得先看看别人怎么走。当下的「世界模型」，大多走两条路线。

一条是 VLA，建立在多模态大模型之上，加一个「动作专家」做改造；一条是以视频生成模型做内核，用 2D 表征渲染出 3D 世界。

VLA 的表征停留在语言模态——你问它面前的水瓶离自己多远，它能答「大概三十厘米」，但实际可能是十厘米，这是无法容忍的误差。

视频生成模型停在 2D 像素空间，对真实 3D 刻画不足，做动作前还要先生成视频，成本高，2D 到 3D 的误差层层累积。

一个把世界「说」出来，一个把世界「画」出来——可机器人要的，是把世界「算」出来。

X-Era Lab 的世界动作模型（VWA），绕开了两条路线面临的障碍。

据陈添水介绍，VWA 在底层架构上做了三件事：

1. 把物理与动作向量放进同一个 Token 内联合建模，再加上时序维度，共同构成 4D 数据；

2. 没有沿用现成的多模态大模型骨干，而是专门为几何与动作设计了预训练网络；

3. 让预训练和后训练的目标保持统一。别人是在后训练阶段、针对特定场景「打补丁」，而 VWA 在预训练阶段就把对物理世界的理解灌进了模型。

把三条路线摆在一起，差异其实落在同一个问题上：模型对「世界」的理解，到底停在哪一层？

VLA 停在语言层，所以它只能把物体的位置估个大概；视频生成式停在 2D 像素层，做动作前先得生成画面，3D 信息在这一步就漏掉了精度。

原生世界动作模型的 4D 表征

VWA 通过预测未来的 4D 世界来建模真实物理世界，也就是刻画 3D 空间随时间如何变化。

在这样统一的时空表征中，场景的深度结构、机器人的动作轨迹，以及交互过程中蕴含的接触、碰撞、形变等物理规律，都可以被放在同一套模型里联合学习。

不同于许多基于视频生成的世界模型，VWA 不把主要算力消耗在纹理、光影、背景等与动作决策弱相关的视觉细节上，而是绕过这些表象，直接建模三维几何和时序运动。

当模型学习点云如何位移、物体如何碰撞、形变如何发生时，它学到的不是「世界长什么样」，而是「世界会怎样变化」。

更关键的是，X-Era Lab 并不是把 4D 表征只当作后训练阶段的辅助工具，用来重建空间或合成数据；而是从预训练阶段就把 4D 作为统一底座，让物理理解、空间预测和动作生成落在同一套表征里联合学习。

换句话说，别人是在用 4D 补数据，VWA 是从一开始就长在 4D 上。

因此，VWA 能以更小模型完成更复杂任务，并不是靠后期裁剪或蒸馏硬挤出来的，而是因为它从源头减少了无效负担。

不需要背一个庞大的多模态大模型骨干，也不需要反复生成冗余视频画面。

它把参数和算力集中用在与机器人行动最相关的空间、时间和物理规律上。

这也是 VWA 同时具备端侧部署可行性和 Scaling Law 潜力的根本原因。

VWA 的每个物理 token 的预测都基于过往 N 个时刻所构成的 4D 表征

模型怎么「住」进芯片

模型再好，最终都要落到一颗具体的芯片上——能不能「住」得进去，才见真章。

这次的合作方是星宸科技，一家以图像信号处理、AI 处理器、音视频编解码为核心 IP 的上市公司，2025 年上半年机器人视觉 AI SoC 出货量已居全球第二。

视觉与 ISP 本就是它的老本行，而这恰恰是「理解世界」最需要的那只眼睛。

X-Era Lab 与星宸的合作一拍即合。它认为，在具身领域，软硬协同不是加分项，而是必选项。

而星宸恰好是那个愿意「协同」的芯片方。双方对「机器人的脑子要长在机器人身上」判断一致，星宸也在资本和内部资源上给予了支持。

更关键的是，这不是「模型做完了再找芯片」的接力，而是从模型训练的第一天，两边就坐在了一张桌子上。

世界模型表达的是连续的世界空间，与常见的离散压缩不同，普通离散量化会带来较大精度损失。

世界模型需要刻画连续变化的物理规律，而将模型压缩至 4 位极端精度，意味着用最离散的表示去逼近最连续的世界，本身就是一项极具挑战的课题。

为此团队与星宸科技展开深度合作，从底层工具链、算子实现到内存调度策略进行全栈联合优化，专门为 VWA 架构量身定制，让模型在端侧芯片上既能高效运行，又能精准还原物理世界的连续性与细节。

芯片侧也做了全面配合。

星宸 IPU 算力覆盖 0.1 Tops 到上千 Tops 全档位，按算力区间布局而非「一颗万能芯片打天下」；自研 StarShuttle 推理框架已迭代四次，支持多模态算法与 AWQ/GPTQ 量化；面向具身智能提供的是分布式计算架构。

它还针对 VWA 的独特算子做了芯片级优化，相比软件级，效率可提升上百乃至上千倍。

正是这种咬合，才让一颗成本可控的芯片，跑得起一个完整版的世界模型。

而且，星宸正在布局双目 3D 成像与 Lidar SoC（SS901XX 系列，探测 0.5 至 500 米及以上、精度 ±0.03 米），做的正是 3D 感知。

X-Era Lab 反复强调「理解 3D 物理世界」，芯片伙伴恰好在硬件层做 3D 感知。这场合作便不只是「芯片能跑模型」，而是感知与世界理解在物理层的咬合。

一个把世界看清，一个把世界想透，远比单纯的算力适配走得更深。

X-Era Lab 表示，星宸是目前性能与成本的最优选。

它还提供跨场景、跨芯片、可量产的统一软件底座，并以开放方式向行业释放能力，从 Comake 开发者社区、Comake Pi 开发板，到全栈 AI 工具链和开源模型库，构成「开发者赋能→产品化落地→生态规模放大」的正向飞轮。

换句话说，端侧从来不是一次性的单点合作，而是一个能不断接入新伙伴的底座。

星宸描绘过一个「多形态共存的机器人世界」：扫地的、陪伴的、清理泳池的、修剪草坪的、端茶的……不管四足的、还是两脚的。它们形态各异，却被同一句话框定，场景驱动，任务清晰。

原生世界动作模型部署在端侧 AI 芯片的丰富应用场景

回归

伟大的远征，最终都不是为了离开，而是为了有能力，回到最初要去的地方。

机器人最初被改造，是为了变得更聪明，大模型的浪潮将它的「脑」托举上云。

世界为它的聪明惊叹，几乎要忘了它原本是为了「做事」而生的。

一个只会思考、不能伸手的智能，想得再远，够不到那只正在倾倒的玻璃杯，便什么也改变不了。

X-Era Lab 与星宸今天合力做的，正是这桩关于「回归」的事。他们要把那个一度被放逐到云端的智能，重新唤回到指甲盖大小的身体里，让它的眼、它的算、它的决断，重新长在一处。

人类无数次畅想未来惊天动地的样子。但技术真正成熟的标志，往往是相反的——是它不再被谈论。

扫地机器人不再沿记忆里的路线死转，看见地上一摊水会先绕开，而不是扎进去推得满屋狼藉。

割草机器人开过被夜雨泡软的草地，知道这里会陷，便放慢绕行。

服务机器人端着热水穿过大堂，预判到那个正低头看手机、即将拐进它路线的人，提前停下。它算的不再是「前方半米有障碍」，而是「那个人下一步会走到哪」。

此刻，在厨房流理台边，一只机械臂去够那只半透明的玻璃杯。而杯子已经在往下滑。它收力、调角、托住。没有惊险的特写，没有该响起的配乐，事情只是平平淡淡地过去了。

今天没有人会赞叹电灯会亮、风扇会转；有朝一日，也不会有人再赞叹一台机器人「居然能自己想」。它只是安静地待在客厅的某个角落，把一件件小事做完，像它本就该在那里。

这是 X-Era Lab 和星宸想做的，一切的不可想象，终将化为寻常。