RoboTwin第一、RoboDojo领跑：Physical AI的下一轮Scaling，为什么是Physics？
近日，厘清智能创始人、清华大学人工智能学院李一鸣教授团队发布了两项 Physical AI 研究成果：世界动作模型 PrismWAM，以及面向机器人执行诊断与持续改进的 Agentic 框架 RoboDoctor。
PrismWAM 从模型层面探索如何更好地表征物理状态、预测状态变化并生成动作，在 RoboTwin 2.0 评测中以领先优势位列第一 ；RoboDoctor 则从系统层面探索如何利用执行反馈进行诊断、纠错与经验积累，在覆盖 RoboDojo 全部 54 项任务的测试中取得 57.1 分，位居当前对比首位。
过去几年，人工智能的进步，很大程度上来自对语义智能的规模化扩展——更大的模型、更多的数据、更强的理解与推理能力。然而，随着 GPT-6 Astra、Gemini 等通用基础模型不断展现出更强的理解、推理与规划能力，一个更根本的问题正在浮现：让机器人理解世界，和让机器人真正改变世界，是两种不同的能力。
理解一条指令，不等于知道如何施力；识别一个物体，不等于理解它在接触、运动与受力中的变化；规划一条看似合理的路径，更不意味着机器人能够在真实环境中将任务可靠地完成。
这正是 Physical AI 下一阶段的关键命题：Scaling Semantics，还是 Scaling Physics？
前者让模型拥有更广泛的知识、更强的语义理解与任务推理；后者则让模型真正理解物理状态与动作后果，让机器人能够感知变化、应对不确定性，并在失败中持续纠正并自我改进。
两项工作分别从模型与系统两个层面探索 Scaling Physics：PrismWAM 研究物理状态如何被表征、预测并转化为动作；RoboDoctor 进一步研究动作进入真实执行后，系统如何利用物理反馈诊断偏差、纠正动作并积累经验。
一、语义与物理的解耦
让物理状态变化参与动作生成
当语义理解逐渐成为通用能力，机器人还需要什么样的世界模型？
近年来，视觉语言模型与视频生成模型的发展，为通用机器人策略提供了新的基础。世界动作模型（World Action Model，WAM）进一步尝试将未来世界状态预测与机器人动作生成结合起来，使机器人不仅能够根据当前观测选择动作，还能够学习动作与未来状态变化之间的关系。
但现有方法也面临一个值得重新审视的问题：我们是否应该把世界的外观，当作世界状态本身来建模？
一段 RGB 视频同时包含了大量不同性质的信息：物体的颜色、纹理、光照与背景，物体的几何形状、空间位置、接触关系，以及它们在动作作用下发生的变化。这些信息在图像中交织在一起，却并不具有相同的控制价值。
对于机器人而言，理解“这是一个杯子”与判断“杯口在哪里、瓶子应当如何倾斜、接下来会不会洒出液体”，是两类不同的问题。前者主要涉及语义识别与任务理解，后者则要求系统准确把握几何关系、物理状态及其随动作演化的过程。