问题——机器人走向复杂真实场景仍面临“学得慢、用得难”的瓶颈。长期以来，机器人能力提升高度依赖真实环境采集与反复试错：数据获取成本高、训练周期长；开放场景中又容易因环境变化、物体多样性和物理不确定性，出现执行不稳、风险难控等问题。如何让机器人在进入真实工厂、仓储、商业服务等场景前，先在更安全、更高效的环境中完成大规模学习与验证，成为产业界共同面临的关键课题。 原因——以“世界模型”为核心的虚拟环境学习正在成为重要路径。极佳视界此次升级的GigaWorld-1在WorldArena评测中取得领先，反映出世界模型在感知精度、物理规律理解、三维空间认知以及动作预测等关键能力上的整体提升。WorldArena由清华大学联合多所国内外高校打造，设置16项细分核心指标与3项真实应用任务，强调在高强度、多维度条件下对模型进行压力测试。该基准吸引全球头部团队参评，首批名单覆盖国际科技企业与学术机构。业内人士认为，在统一评测框架下取得领先，有助于形成相对可比的外部参照，也为后续工程化落地提供更可信的依据。 影响——从“看见世界”走向“预见行动”，将大幅提升训练效率与安全边界。世界模型的价值在于以高保真、可控、多样化的交互数据构建“可推演的环境”，通过虚拟生成与仿真交互实现数据扩充，让机器人在进入真实场景前完成大量策略学习与风险评估。企业上介绍，借助虚拟环境的可复现与可扩展特性，机器人可更短时间覆盖更多极端与长尾情形，从而减少真实场景中高成本、低效率的反复试错。此路径有望推动机器人从被动感知转向主动预测，提升复杂任务执行的稳定性与安全性，并为规模化部署提供更可控的工程方式。 对策——以“模型—策略—本体”协同，打通从技术指标到产业交付的链路。为破解“算法难落地”“硬件缺数据”的结构性矛盾，极佳视界提出以世界模型为数据与训练核心，叠加具身基模与策略模型，并通过自研机器人本体构建数据闭环。企业此前发布的GigaBrain系列具身基模在多项评测中表现突出；其策略模型GigaWorld-Policy则围绕实时性、训练效率和任务成功率进行系统优化，力图将模型能力转化为可用、可部署的执行策略。，企业发布双臂移动机器人本体Maker H01，面向工业制造、3C电子、仓储物流等场景，强调其不仅是执行载体，也是连接真实世界的数据入口：通过多传感器感知与多自由度操作采集现场数据，再由“虚实结合”的数据工厂完成标注、增强与回流训练，形成“场景—数据—模型”的迭代机制。企业称，截至2026年1月已启动首批规模化量产交付，并计划于2026年冲刺千台级交付目标。 前景——具身智能竞争将从单点突破走向体系化能力与产业生态比拼。当前，世界模型与具身智能正从技术验证走向产业验证：一上，评测体系更严格、更多元，有助于加速技术路线收敛并暴露能力短板；另一方面，产业成败更取决于数据质量、工程可靠性、成本控制与场景适配能力的综合较量。随着制造业智能化升级和服务业自动化需求增长，能够在真实场景中持续获取数据、快速迭代并形成稳定交付能力的企业，有望在新一轮竞争中占据先机。同时，业内也需关注标准接口、数据合规、安全治理与应用责任边界等配套问题，推动技术发展与产业应用在可控框架内推进。
从实验室的理论创新到生产线的实际应用，极佳视界的实践折射出技术攻坚的关键路径：把学术前沿突破、工程化能力与市场需求有效衔接，才能实现从跟跑到领跑的跨越。在全球人工智能竞赛进入深水区的当下，这种以问题为导向、以场景为牵引的创新方式，或将为更多领域的技术突破提供参考。