Shengshu на WRC 2026 предложила пять уровней развития универсальной мировой модели

Нужны данные, архитектура и вычисления. Данные образуют пирамиду: от массовых видео к записям действий человека и реальным данным роботов; даже неудачные попытки полезны. Архитектура MoT объединяет изображение, видео, язык и движения робота в одной модели; на ней построена Motubrain. Вычисления нужны и для быстрой реакции в реальном времени.

В дорожной карте пять уровней. Первый — генерация мира: здесь компания выпустила видео-модель Vidu. Второй — интерактивный мир: Vidu S1 позволяет голосом влиять на генерируемый контент в реальном времени. Третий — действие в физическом мире: модели Motus и Motubrain генерируют команды для роботов. Motubrain примерно в десять раз быстрее предшественника, требует 50–100 демонстраций для адаптации к новому роботу и набрал 96,1 балла в бенчмарке RoboTwin 2.0. Четвёртый уровень — автономный агент, который ставит цели и планирует длительные операции. Пятый — мировой оркестратор, координирующий роботов, цифровых агентов, людей и инструменты.

Для высших уровней нужно решить шесть задач: создать единую систему оценки, обучить модель физике контактов и сил, дать ей долговременную память, позволить учиться онлайн, обеспечить быстродействие и усилить безопасность. В Shengshu считают, что цикл "понимание — прогнозирование — действие" сделает мировую модель мостом между цифровым и физическим миром.