原动力募资说明书：WAM 训练循环拆穿叙事包装

为什么物理世界不能只预测下一帧画面

尽调一家「4D 物理原生操作型世界模型」的硬科技公司，第一步不是看团队也不是看客户，而是先把认知坐标立起来。同一个"AI"标签下，LLM（Large Language Model，大语言模型）、VLM（Vision-Language Model，视觉语言模型）、WM（World Model，世界模型）三者的预测目标完全不同。LLM 预测下一个 token（词元），VLM 预测下一个像素，世界模型则要预测"给定动作后的下一状态"。原动力宣称自己做的"操作型世界模型"（WAM），正是站在第三级。 ZimaBlue DynamicWAM

这条路线分歧有清晰的哲学源头。Yann LeCun 在 2022 年的《A Path Towards Autonomous Machine Intelligence》v0.9.2 中就指出，在连续物理世界里逐像素预测生成式模型注定走不通，因为视频帧与帧之间的因果结构远比 token 与 token 之间稀疏，硬预测下一帧相当于让模型去"猜噪声"。这个判断从 2022 年的论文走到了 2025 年同行评审级工程实证：FAIR（Meta Fundamental AI Research）的 V-JEPA 2 用了 1.2B 参数 + 100 万小时互联网视频 + 仅 62 小时 Droid 机器人交互数据，就在零训练过的 Franka Panda 机械臂上拿到了 grasp cup 65% / pick-place cup 80% / pick-place box 65% 的成功率（10 trials × 2 实验室均值）。它不是用生成像素的方式预测未来，而是用 masked visual denoising（掩码视觉去噪）的目标函数在隐空间（latent space，即压缩后的特征空间，不展开到像素）里预测未来表征。 LeCun

图注：V-JEPA 2 三段式范式。左侧 pre-training 用 1M 小时互联网视频 + 1M 图像训练掩码去噪的视频编码器；中间 post-training 冻结编码器，只用 62 小时 Droid 机器人数据训练动作条件预测器 V-JEPA 2-AC；右侧 planning 把 V-JEPA 2-AC 接入 MPC（Model Predictive Control，模型预测控制）闭环，在 Franka 上零训练抓取新物体。来源：arXiv:2506.09985V-JEPA 2

这张图最关键的一点不是规模，而是顺序：先用海量无动作标签的视频学"世界的表征"，再用少量有动作标签的机器人数据把表征接到控制回路。MPC 闭环意味着这套系统不是演示，而是已经能跑出"reach 100% / pick-place cup 80%"的可重复抓取。换言之，"不是像素预测"已经从哲学命题升级成了可部署的工程闭环。

图注：V-JEPA 2 双面板。左 pre-training 流程用 masked visual denoising 目标在隐空间学视频表征；右 post-training 流程冻结编码器，用 block-causal attention（一种"只看过去不偷看未来"的自注意力约束）训练 action-conditioned predictor 预测下一步帧的 latent。来源：arXiv:2506.09985V-JEPA 2

相比之下，Sora / Genie 这条"视频生成式世界模型"的路径是：在像素空间训练一个强大的视频扩散模型，然后希望它能模拟物理。但 LeCun 在 Lex Fridman #416 播客里直言："tried and tried and failed and failed ... abandon the idea of generative AI"——这条路线在物理动作-状态转移的因果推断上反复失败，因为像素预测的损失函数不奖励"理解动作后果"。这正是原动力材料里反复强调"4D 物理原生"而非"4D 视频生成"的原因：它要走的是前者那条路。

理解了认知三级跳，我们就有了一把尺子：后面讨论 WAM 的"形式定义""训练循环""数据飞轮"，都拿这把尺子去量，看它是不是真的在预测"动作-状态转移"，而不是在换一种方式做视频生成。

WAM 到底是什么：一个统一生成式架构里的视觉-动作联合预测

把坐标立起来之后，下一步是拆解 WAM 本身。WAM（World Action Model，操作型世界模型）的形式定义可以一句话概括：给定观测（图像、点云）+ 机器人状态 + 语言指令 + 动作序列，联合预测未来视频的隐变量（latent）以及对应的动作 chunk（一段连续动作序列）。这一承诺与 VLA（Vision-Language-Action，视觉语言动作模型）路线（如 π0.7）形成对照——VLA 是"语言指令 → 动作"，WAM 是"视频潜变量 + 动作联合预测"，预测目标里同时包含视觉动态。 π_0.7

要看到 WAM 的具体工程实现，最近的同行评审级学术锚点是 ZimaBlue（arXiv:2609.00188）。它的核心架构是 Slow-Fast dense dual-DiT——一个 5B 参数的 Slow DiT（Diffusion Transformer，扩散式 Transformer）联合生成未来视频潜变量与动作（仅作辅助监督），一个 0.5B 参数的 Fast DiT 从 Slow DiT 的 layer-wise video K/V cache（每一层的 Key/Value 缓存）拉信号，独立输出细粒度动作给 30 Hz 高频闭环。两个 DiT 都是 dense（全参数激活）的，并通过 block-causal teacher-forcing attention（非自回归、按时序分块的训练注意力）耦合。

图注：ZimaBlue Slow-Fast 双系统主图。左侧 Slow DiT 5B 同时接收观测、机器人状态、语言指令、含噪视频与动作 token，输出未来视频 latent + 动作（仅作辅助）；右侧 Fast DiT 0.5B 用 cross-attention 读取 Slow DiT 的层间 video K/V cache，独立输出高频控制动作。来源：arXiv:2609.00188ZimaBlue

这是 WAM 学术实现的关键澄清：原动力材料里把它说成"Video + Geometry + Tactile + Action 四编码器 MoE（Mixture of Experts，混合专家架构，把不同模态路由到不同子模块）"。MoE 这个标签在 WAM 语境里指的是"按模态分工的稀疏激活"，但 ZimaBlue 的实际做法是 dense dual-DiT + 一个统一的状态-动作接口（100D unified state-action interface，把状态和动作编码到同一百维向量空间）。两者的目标相似（视觉 + 触觉 + 几何 + 动作联合预测），但技术路径不同。尽调时追问"你们的四编码器是 dense 还是 sparse、Geometry/Tactile 怎么进这个 unified interface"，是第一个技术叙事校对点。

ZimaBlue 的另一个值得拆解的设计是三阶段训练课程。原动力材料里写的"策略网络 → WAM Rollout → 四维打分 → 真机回流"，在学术语境里对应到 Stage I 视频预训练（无动作监督，学通用视觉动态）→ Stage II 多本体视频-动作联合训练（多个机器人本体共用一套接口）→ Stage III 目标本体专精（post-training + Fast 分支训练）。

图注：ZimaBlue 数据金字塔三阶段课程。Stage I 用无动作标签的多样化视频数据预训练视觉动态；Stage II 引入多本体动作数据，把视觉动态 grounding 到跨本体控制；Stage III 在目标本体和目标 benchmark 上专精，同时训练 Fast 分支支持高频控制。来源：arXiv:2609.00188ZimaBlue

这套课程设计的工程含义是：WAM 不要求所有训练阶段都看到真机数据。Stage I 完全可以在公开互联网视频上跑，Stage II 用多本体公开数据集（EPIC-KITCHENS / EgoDex / DROID / AgiBot / Galaxea 等 12 个 embodied 数据集）训，Stage III 才需要部署目标本体的少量真机数据。这给"99% 想象 + 1% 真机"提供了训练效率上的合理性——大部分训练算力花在不需要真机的预训练阶段，只有最后专精阶段才碰真机。

WAM 不是单一模型，而是一条工程谱系。DynamicWAM（arXiv:2608.00793）补的是动态场景：它用 history-flow（多帧光流堆叠）+ kinematic descriptors（位移、时长、速度、加速度 12 维统计量）的双路径设计，把"动作-运动-时序耦合"显式建模；在 DOMINO Level 1 上拿到 38.2% SR / 53.2 MS，12 个真实任务平均 46.7%，比最强 baseline 高 22.9 个百分点。

图注：DynamicWAM 双路径 conditioning 示意图。左 video pathway：多视图观测 + 时间对齐光流帧经 frozen pretrained video VAE（视频变分自编码器，把像素压缩到潜空间）编码提供空间运动线索；右 action pathway：kinematic descriptors 经 MLP（多层感知机）注入 action expert。两路通过 layer-wise joint world-action attention 融合。来源：arXiv:2608.00793DynamicWAM

DynamicWAM 不是 4D 原生（它在 2D 图像空间里加光流），但它揭示了 WAM 谱系内"如何把动态耦合显式建模"的工程答案。

本章小结：WAM 的核心承诺是"视觉动态预测 + 控制序列预测放在同一 backbone 共享 token 流"。原动力把它简化为"四编码器 MoE"是一种叙事简化。要追问的是：Geometry/Tactile 怎么进 unified interface？100D 状态-动作空间里，触觉信号是单独编码还是融合进 proprioception（本体感觉，即机器人自身关节位置/速度感知）？

「99% 想象 + 1% 真机」具体怎么跑：策略网络 → WAM Rollout → 价值打分 → 真机回流

这一章是整个尽调的核心。原动力材料宣称训练循环是"策略网络提议 + WAM Rollout + 真机回流"，配以"四维打分（成功率 / 安全性 / 效率 / Value）"，并给出两组样例数字（链 D 91 / 90 / 90 / 0.92 与链 B 18 / 45 / 20 / 0.21）。拆穿叙事包装，要把这条循环对应到学术与工业可验证的训练机制上。

先给一个一句话骨架：策略网络（policy network）提议若干条候选动作序列；每条序列送进 WAM 做 Rollout（即在 WAM 内部按动作序列推演未来状态，得到一条假想的轨迹）；对每条轨迹用四维打分筛高分链与低分链；高分链强化（正样本回灌），低分链当负样本解决奖励稀疏；最后挑选最高分的轨迹在真机上执行，执行结果回流进训练集，作为下一轮 WAM 训练的 ground truth。

这条循环的学术对应在 ZimaBlue 三阶段课程里能找到。Stage I 视频预训练相当于"在 GPU 里想象大量可能的未来"——用 12 个 embodied 数据集 + 私有第一人称视频共 12 万小时，让 Slow DiT 学到给定动作后未来视频 latent 的统计规律。Stage II 多本体视频-动作联合训练相当于"用策略网络提议的动作序列去 Rollout，再用 ground-truth 未来帧 latent 作监督"。Stage III post-training 才是真正跑"策略网络 → Rollout → 打分 → 真机回流"的地方——Fast 分支在这一阶段训练，输入是当前观测 + Slow DiT 提供的 video K/V cache，输出是高频动作 chunk；30 Hz 实时部署，DMD 蒸馏（Distribution Matching Distillation，一种把慢速教师模型压缩到快速学生模型的方法）把延迟从 449.6 ms 压到 33 ms，13.6× 加速。

要看到这条循环的工业级实现，NVIDIA Cosmos 3（2026-05-31 发布）是另一个锚点。它的核心架构是 Reasoner + Generator 双塔——一个 autoregressive（自回归）的 Reasoner 塔（VLM 性质）接收文本、图像、视频、音频、动作输入，一个 diffusion-based（基于扩散）的 Generator 塔接收 Reasoner 的单向信息流输出生成内容。

图注：Cosmos 3 双塔架构。Reasoner 塔（autoregressive VLM）接收文本、图像、视频、音频、动作输入；Generator 塔（diffusion-based）输出文本、图像、视频、音频、动作。信息从 Reasoner 单向流入 Generator。来源：NVIDIA Developer BlogNVIDIA Cosmos 3

Cosmos 3 在 Action post-training 上定义了 forward dynamics（给定状态 + 动作 → 下一状态）、inverse dynamics（给定前后状态 → 动作）、policy generation（给定观测 + 指令 → 动作）三套工作流。这三套工作流合起来就是"策略网络提议 + WAM Rollout + 真机回流"的工业共识路径——forward dynamics 等价于 WAM Rollout，policy generation 等价于策略网络，inverse dynamics 用于从真机轨迹里反解动作作为监督信号。

Cosmos 3 另一个值得尽调看的特性是"一份权重扇出 7 类下游任务"。下面这张图把这一工业基础设施定位讲清楚了。

图注：Cosmos 3 单一 backbone 扇出图。中间 backbone 联合建模语言、图像、视频、音频、动作的理解与生成，扇出到右侧 7 类下游任务（VLM / 图像生成 / 音视频 / policy / WAM / forward dynamics / inverse dynamics）。来源：arXiv:2606.02800NVIDIA Cosmos 3

原动力如果要声称在 Cosmos 上做 post-training，可以用 Hugging Face nvidia/cosmos3 的 checkpoint + GitHub NVIDIA/cosmos / NVIDIA/cosmos-framework 的 recipe 直接对账。这是尽调里"训练周期从月到天"的可信行业基准——NVIDIA 2026-07-14 姊妹博客给出的数字是：LoRA（Low-Rank Adaptation，低秩适配微调）8× A100 单 epoch ≈ 30 分钟，54.41% → 87.14% 一日可达。

要把"为什么策略不能偷看 ground-truth future"讲清楚，SelfWAM（arXiv:2608.00725）是一个干净的工程答案。它采用 clean-action conditioning 非对称 attention——clean executed-action tokens（已执行动作的干净 token）只进入未来视频的 query（查询），不进入未来动作的预测。这样策略路径（输入当前观测 + 历史动作，输出下一动作）与 action-only deployment（部署时只看当前观测，不看未来动作）一致，避免训练-部署 mismatch（训练与推理条件不一致）。 SelfWAM

图注：SelfWAM 三栏架构。左：modality-specialized MoT（视频 backbone + 轻量 action expert + mixed attention）；中：clean executed-action tokens 只进 future-video queries，不进 future-action prediction；右：action-only 推理路径与 action-conditioned rollout 两条推理路径。来源：arXiv:2608.00725SelfWAM

把这几块拼起来，"99% 想象 + 1% 真机"的可验证版本是：策略网络在 Stage III post-training 阶段提议 N 条候选动作序列；每条进 WAM Rollout 做隐空间推演；四维打分筛掉低分链（材料给的"链 B 18 / 45 / 20 / 0.21"这种低分链直接当负样本）；高分链在真机上执行；执行轨迹回流训练集。这个循环的可验证性取决于三个数字——真机小时级到 GPU 小时级的换算比、四维打分的权重设定、真机回流的轨迹质量。

规模化训练的收益是可验证的。ZimaBlue 给出的数据规模曲线是：6K target-robot-only 数据下 12 个 zero-shot 任务平均成功率 36.1%；加 6K 多本体视频（Stage II）涨到 46.1%；再加 60K 第一视角视频涨到 66.9%；加满 120K 第一视角视频涨到 77.8%。Perturbed suite（扰动测试集，评估模型对环境扰动的鲁棒性）单独看，提升 +22.5 个百分点。这是一条平滑可外推的曲线——只要继续加数据，性能会继续涨。这就是 WAM 路线敢承诺"训练周期从月到天"的实证依据。

本章小结："99% 想象 + 1% 真机"不是 PPT 包装。把它拆成 4 步后，每一步都有学术与工业可验证的对应。尽调时要追问的三个数字：四维打分的权重（成功率、安全性、效率、Value 各自占比多少）、真机回流的小时数（不是"几千万订单"这种合同金额）、真机小时到 GPU 小时的换算比（决定训练效率）。

数据护城河能不能成立：99% 缺口 vs 1 万小时原生 4D + 千万小时混合

原动力材料里最有技术叙事冲击力的一组数字是：行业合规真实物理交互仅 50 万小时，通用具身需要千万小时级；它宣称自研硬件（AR 眼镜 + 数据手套 + 触觉 + 结果反馈）能拿到 1 万小时原生 4D 数据 + 千万小时混合数据。要判断这条护城河能不能成立，必须把这两个数字放进行业基线。

先看行业基线。V-JEPA 2 用 100 万小时互联网视频 + 62 小时 Droid 机器人数据，零训练就在 Franka 上拿到 grasp cup 65% / pick-place cup 80% / pick-place box 65%。ZimaBlue 用 12 万小时 embodied 视频把 12 个 zero-shot 任务平均成功率从 36.1% 提到 77.8%。这两个数字放在一起说明一件事：物理 AI 不一定需要"千万小时真机轨迹"，"百万小时视频 + 几万小时机器人数据"的组合也能拿到可观的 zero-shot 泛化。这里的关键是 embodied（具身的，即机器人本体在物理世界执行任务产生的）vs egocentric（第一人称的，即从人类视角采集的视频）的数据形态差异——前者包含动作标签，后者只有视觉信号。

原动力材料里"1 万小时原生 4D"指什么？结合"AR 眼镜 + 数据手套 + 触觉"的硬件组合，1 万小时大概率指人类操作者用自研硬件采集的第一人称 4D（3D + 时间维度）数据。"千万小时混合"按行业惯例可能是合成数据 + 互联网视频 + 第一人称视频 + 众包 UMI（Universal Manipulation Interface，通用操作接口，一种低成本遥操作采集方案）轨迹的混合体。但材料没有给出拆分比例——合成 / 众包 / UMI / 互联网视频各占多少，原动力的数据公式留了一个大黑箱。

这是尽调要追问的三个数字：

第一，真机操作轨迹小时数。"原生 4D"如果指人类用自研硬件采集第一人称操作视频，那它属于 egocentric 而非 embodied——这类数据对 WAM 训练的边际收益取决于它能否被转写成带动作标签的 embodied 轨迹。1 万小时如果全是 egocentric，没有动作标签，它的价值是 Stage I 视觉动态预训练的素材，与 ZimaBlue 的 12 万小时 embodied 不在同一量级。

第二，4D 重建毫米级精度的实测覆盖度。材料给了三个指标——手部网格 < 1 mm、接触点 < 0.5 mm、4D 物体/场景/接触状态——但没有给"实测覆盖率"。是 1 万小时里 80% 达到这个精度，还是 30%？这个数字决定数据护城河的厚度。

第三，自研硬件量产成本曲线。AR 眼镜、数据手套、触觉是三件独立硬件，原动力材料给了 RGB 眼镜目标 1,000 元/套的量产目标，但数据手套和触觉的 BOM（Bill of Materials，物料清单）/ 良率/ 当前产能均未给出。Cosmos 3 的 5 个 SDG（Synthetic Data Generation，合成数据生成）数据集（RobotSim / PhysxSim / SynHuman / DriveSim / WareHouse）告诉我们，"千万小时混合"如果是合成主导，真机回流的部分会更小，护城河会从硬件优势退化成软件模拟能力。

还有一个不能忽略的反向证据：Cosmos Coalition 6 个 founding members（Agile Robots / Black Forest Labs / Generalist / LTX / Runway / Skild AI）的公共底座是 NVIDIA Cosmos 3。如果原动力的硬件数据护城河成立，那它应该选择自建底座而非接入 Cosmos 3；如果它接入了 Cosmos 3，那它的硬件优势就需要重新估值——是"独有的高质量数据"还是"用同样的底座做出比别人好的 post-training"。

本章小结：数据护城河能否成立取决于三个数字——真机操作轨迹小时数、4D 重建毫米级精度的实测覆盖度、自研硬件量产成本曲线。这三项材料里都没有可验证的硬数字，是尽调必须追问的核心项。

对标玩家坐标：原动力的「第四类（操作型 WAM）」卡位是真差异还是叙事包装

原动力材料里把玩家分成四大流派：视频 / 空间智能 / 隐空间 / WAM（操作型），并自称是"第四类"。同时把 PI（$11B）、Skild AI（$14B）、极佳视界（B2 35 亿）、流形空间（Pre-A 10 亿）列为对标。要判断"第四类"卡位是真差异还是叙事包装，必须把这四个玩家放进坐标系。

第一条路线：PI 的 VLA 路线。π0.7（arXiv:2604.15483）是个 5B 参数的 VLA，由 Gemma3 4B VLM backbone + MEM video history encoder + 860M flow matching action expert（基于流匹配的动作专家网络）组成。它的核心承诺是 compositional generalization（组合泛化，即把已学技能组合出未见过的任务）——同一模型同时处理语言指令、episode metadata（回合元信息，描述数据质量与采集策略）、subgoal image（子目标图像）三种 prompt，runtime 还接一个 high-level semantic policy（同 π0.7 架构的实例微调，输出高层语义指令）和一个 BAGEL 14B MoT 派生的轻量世界模型（生成 subgoal image）。 MoT

图注：π0.7 架构总览。5B 参数 = 4B VLM backbone + MEM video history encoder + 860M flow matching action expert。上下文包括语言指令、episode metadata、subgoal image。运行时由同架构 high-level semantic policy 输出语言指令，BAGEL 派生 world model 输出 subgoal image。来源：arXiv:2604.15483π0.7

π0.7 的训练循环里有一个常被误传的点：coaching → autonomous pipeline。原动力材料或外部资料里若把这一过程叫做"Recap RL 微调 + 蒸馏"，与原文不一致。π0.7 原文用的是人类口头 coaching → 收集 coaching episodes → 训练同架构 high-level language policy → π0.7 (autonomous) 与 (coaching) 性能匹配，全程不需要新 teleoperation 数据。

图注：π0.7 coaching → autonomous pipeline。人类口头 coaching 收集 episodes → 训练同架构 high-level policy → autonomous 性能匹配 coaching，无需新 teleop 数据。来源：arXiv:2604.15483π0.7

第二条路线：Skild AI 的 omni-bodied + ICL（In-Context Learning，上下文学习）路线。2026-01-14 完成 Series C $1.4B 融资，估值 $14B（SoftBank 领投，NVIDIA NVentures、Bezos Expeditions、Lightspeed、Felicis、Coatue、Sequoia 等 20+ 跟投）。它的核心承诺是"One Brain / Any Robot"——同一个基础模型跨多种机器人本体工作，靠 in-context learning（给一段演示视频，模型从视频里学任务，不更新参数）而不是 fine-tune 来适配新本体。LocoFormer（CoRL 2025 Best Paper Finalist）+ S1（2026-08-18 发布）给出了一组对比数字：S1 在 100k 小时 unseen 任务上达到 96% seen / 66% unseen 成功率，VLA 路线只有 53% / 9%。 SOTA

图注：Skild AI "One Brain / Any Robot" 概念配图。2×2 拼图展示 humanoid 攀爬、humanoid + 四足同行、双臂桌面厨房操作、双臂 Franka FR3 精密装配——表达 omni-bodied / 跨形态统一控制的概念定位。来源：skild.ai/blogs/series-c[Skild AI](https://skild.ai/blogs/series-c "citation: Skild AI Series C "citation: .4B Raise "citation: 4B Valuation || 2×2 拼图：右上叠加 'One Brain / Any Robot'；左上 humanoid 攀爬阶梯箱；右上 humanoid + 四足与人类同行；左下俯视双臂桌面厨房操作；右下双臂 Franka FR3 工业臂精密装配（带十字标定）")

需要注意这张图是 use_limited——它只是 Skild 自己的概念配图，不构成 ICL 实际证据，也不暗示商用落地或自研硬件。

第三条路线：极佳视界代表的 AC-WM（Action-Conditioned World Model，动作条件世界模型）路线。WorldArena（arXiv:2602.08971）是这个路线的主要评测底座，由清华 / 港大 / 普林斯顿等 8 校 21 位作者联合推出。它的三维评估框架——Data Engine（WM 生成合成数据训练下游策略的成功率增益）+ Policy Evaluator（WM rollout 与真实仿真器评估的相关性）+ Action Planner（WM 直接输出动作序列的任务成功率）——是当前具身世界模型最系统的评测协议。 WorldArena

图注：WorldArena 三子系统流程图。左 Data Engine 评估 WM 作为合成数据引擎的价值；中 Policy Evaluator 评估 WM rollout 与真实仿真器的一致性；右 Action Planner 评估 WM 直接输出动作的成功率。来源：arXiv:2602.08971WorldArena

但原动力材料里"极佳视界 B2 35 亿 + WorldArena 全球第一"的叙事需要校正。WorldArena benchmarklist 2026-05-06 snapshot 显示，GigaWorld-1 EWMScore 62.34 排在第 8，第 1 是 WorldScape v0.2（64.24）。

图注：14 模型 EWMScore 横评 + 6 维雷达图。(a) 14 模型 EWMScore 横向条形图：CtrlWorld 第一，CogvideoX / IRASim / Cosmos-Predict 2.5 紧随；(b) 6 维雷达图：Veo 3.1 / Wan 2.6 在可控性维度突出，CtrlWorld / CogvideoX 在物理依从性 + 3D 准确性更凸。来源：arXiv:2602.08971WorldArena

第四条路线：流形空间代表的通用世界生成路线。WorldScore（arXiv:2504.00983，ICCV 2025 接收）是这个路线的主要评测底座，Stanford Vision Lab 出品。它的三维评估框架是 controllability（camera / object / content）+ quality（3D / photometric / style / subjective）+ dynamics（accuracy / magnitude / smoothness），3000 测试样本（2000 静态 + 1000 动态）。 WorldScore

图注：WorldScore 四宫格流程图。左上 world specification（场景图 + 文本 prompt + 相机轨迹）；左下统一 instruct 视频 / 3D / 4D 模型；右下三类模型统一输出视频；右上 controllability / quality / dynamics 三维打分。来源：arXiv:2504.00983WorldScore

同样需要校正：原动力材料里"流形空间 WorldScore 榜一"的叙事，benchmarklist 2026-05-06 snapshot 显示 WorldScape-0.1 WSS 80.76 排第 2，第 1 是 EonWorld（81.08）。WorldScape 官方论文自身声称"highest WorldScore-Static among all baselines"——这是 in-house bias（自家基准评自家模型），benchmarklist 的第三方排名更可信。

图注：WorldScore subdomain 分组柱状图。3D 模型在大多数 subdomain 柱高高于视频模型；视频模型在大世界任务（4 场景长序列）上柱高明显下降。来源：arXiv:2504.00983WorldScore

这张图最关键的发现是：视频模型在长序列 + 室外场景上明显下降。这是把"第四类（操作型 WAM）"从"通用世界生成"路线里切出来的实证依据——通用世界生成擅长短序列 + 美学质量，物理 AI 需要长序列 + 物理依从性，两者不是同一类问题。

把四个玩家摆进坐标系：PI 走 VLA 路线（语言 + 视觉 → 动作，不预测未来视频）、Skild 走 omni-bodied + ICL 路线（one brain any robot，靠演示视频而非 fine-tune 适配）、极佳视界走 AC-WM 路线（WM rollout + 策略训练 pipeline）、流形空间走通用世界生成路线（不要求动作条件，专注可控性 + 美学）。原动力的"操作型 WAM"卡位——给定动作预测 4D 物理结构化状态——与 ZimaBlue 学术定义一致，与 PI / Skild / 极佳视界 / 流形空间都有差异。但这个差异是否能撑起估值，要看接下来要讲的尽调清单。

本章小结：原动力宣称的"第四类（操作型 WAM）"卡位是叙事框架，不是公开榜单能验证的事实。要把它放进四玩家坐标系，看到它的真正位置是"数据护城河 / 自研硬件承诺 + 4 个月公司 + 验证为零"，而不是某个独立基准的领先者。

尽调清单与可验证里程碑：18C 退出硬指标 + 客户落地反推

最后一章是尽调人最关心的——把所有"验证为零 / 4 个月"的高风险点映射到 18C 退出硬指标 + 客户落地可核验证据 + 估值合理性参照。

原动力材料给的退出路径是港股 IPO（18C / 特专科技，硬科技 + 早期 + 港校系政策窗口），时间预期 2027–2028。这意味着 18 个月内要把"超早期（成立 4 个月）/ 验证为零"推进到 18C 上市门槛。

18C（港交所主板《上市规则》第十八C章特专科技公司）有五类硬指标：

图注：港交所 18C 退出路径硬指标时间线。5 时点（2023-03-31 生效 / 2024-08-23 联合公告 / 2024-09-01 临时下调实施 / 2027-08-31 三年限期届满 / 2027 后）+ 实施期高亮 + 5 类硬指标（市值 / 收益 / 研发占比 / 禁售期 / SII）。本图依据 HKEX 第十八C章规则文本与 2024-08-23 联交所+证监会联合公告整理港交所 18C

逐项翻译：

第一，上市市值。永久门槛：已商业化 ≥ 60 亿港元 / 未商业化 ≥ 100 亿港元。三年限期临时下调（2024-09-01 → 2027-08-31）：已商业化 ≥ 40 亿港元 / 未商业化 ≥ 80 亿港元。原动力按未商业化走，2027-08 前需 ≥ 80 亿港元（约 10.2 亿美元）。

第二，经审计收益。已商业化公司过去 3 个会计年度中至少 2 个年度 ≥ 2.5 亿港元（且最近 1 年度 ≥ 1.5 亿港元）；未商业化公司 < 2.5 亿港元。原动力当前是未商业化，18C 路径明确允许零收益上市，但需要满足研发占比指标。

第三，研发开支占营运开支比例。按收益分档：已商业化 ≥ 15%；未商业化 [1.5 亿, 2.5 亿) ≥ 30%；未商业化 < 1.5 亿 ≥ 50%。原动力按 < 1.5 亿算，研发占比要 ≥ 50%——这是它的研发驱动定位的硬约束。

第四，营业纪录期 ≥ 3 个会计年度 + 大致相同管理层 + 资深独立投资者（领航 SII ≥ 15 亿港元 / 10% 已发行股本）。这条对原动力最不利——成立仅 4 个月，要走 18C 必须等满 3 个会计年度（最快 2029 年）。材料给的时间预期 2027–2028 在 18C 路径下偏紧，可能需要换路径（如第 18A 章生物科技通道、或先走并购退出）。 SII

第五，禁售期。未商业化公司控股股东 + 关键人士各 24 个月；已商业化各 12 个月。这对天使+轮的领屹投资是直接约束。

把客户落地放进来核验。原动力材料列了三家标杆客户：BYD（车规/零部件，1 万小时 / 几千万订单）、立讯（3C + 工业推进中）、挖掘机（已量产，2025 千万$ 级收入）。这些合作能反推多少技术成色？

BYD 1 万小时：这是机器小时还是人工小时？是采集还是已标注？4D 重建管线产能是多少？材料均未给出合同金额、起止时间、SOW（Statement of Work，工作说明书）细节。立讯 3C 推进中——推进到什么程度？样件验证 / 量产爬坡 / 已定型？挖掘机 2025 千万$ 级收入——这一项最有实锤空间，但需要核验招标公告或财报披露。

把这些全部转换成可验证里程碑清单：

1. 基模发布时间表与具体技术指标？2026 底前能否发一个可对标的基模？
2. WorldArena / WorldScore 上自家模型排名与发布时间？要声称"第四类（操作型 WAM）"，至少要在公开 leaderboard 上能查到自家模型。
3. 1 万小时原生 4D + 千万小时混合的具体拆分（合成 / 众包 / UMI 占比）？
4. 4D 重建精度（手部网格 < 1 mm / 接触点 < 0.5 mm）是目标还是实测？实测覆盖率多少？
5. BYD 1 万小时 / 立讯 / 挖掘机 100% 满斗量产的可验证证据（招标公告 / 财报披露）？
6. 回购条款触发条件与利率？模板文档里这些留白，立项后必须与项目方及法务确认。
7. 港股 IPO 是否走 18C / 特专科技？研发占比按 50% 还是 15% 算？3 年营业纪录期如何处理？

估值合理性参照系放进来：PI $11B（2026-03）/ Skild AI $14B（2026-01）/ 极佳视界 B2 35 亿 / 流形空间 Pre-A 10 亿。原动力约 1.5 亿美元（投前估值）+ 500 万美元本轮是"天使+"阶段，与上述已 SOTA 玩家估值带相比合理，但前提是上述里程碑必须在 18 个月窗口内落地。

本章小结：原动力作为"成立 4 个月 + 验证为零"的天使+轮项目，尽调必须把所有材料里的定性描述换成可量化里程碑——基模发布时间表、公开评测成绩、数据管线产能、客户验证证据、18C 退出硬指标逐项对账。估值合理性可参照同代玩家，但前提是这些里程碑在 18 个月窗口内落地。

参考文献

本专题引用的核心资料如下，建议深入学习时阅读原文：

1. ZimaBlue: Evolving Generalizable World Action Models through Scalable Video Pre-training — arXiv:2609.00188
2. Develop Physical AI Reasoning, World, and Action Models with NVIDIA Cosmos 3 — NVIDIA Developer Blog
3. π₀.₇: a Steerable Generalist Robotic Foundation Model with Emergent Capabilities — arXiv:2604.15483
4. V-JEPA 2: Self-Supervised Video World Model — arXiv:2506.09985
5. DynamicWAM: Dual-Path Motion Conditioning for World-Action Models in Dynamic Manipulation — arXiv:2608.00793
6. SelfWAM: A Self-Grounded Unified World Action Model for Fast Robot Control — arXiv:2608.00725
7. WorldArena: A Unified Benchmark for Evaluating Perception and Functional Utility of Embodied World Models — arXiv:2602.08971
8. WorldScore: A Unified Evaluation Benchmark for World Generation — arXiv:2504.00983
9. Skild AI Series C — $1.4B Raise, $14B Valuation — skild.ai/blogs/series-c
10. 港交所主板《上市规则》第十八C章 特专科技公司 — HKEX 规则文本