一张发布会幻灯片上,RoboTwin 2.0 的平均分是 88.98%。
第二名 86.47%。
差 2.51 个百分点。
这是华为云 11 月 16 日发布的 CloudRobo-WM1.2。另一个榜,LIBERO-Pro 2.0,它拿 81.7%,第二名 75.0%。
两个第一,都是厂商自报。
榜单差 2.5 分,失败率差两成
先把分数换成失败率。88.98% 的成功率,意味着 11.02% 的失败;86.47% 对应 13.53% 的失败。11.02 除以 13.53,是 0.814。换成一句话:同样的任务,它的失败次数比第二名少 18.6%。LIBERO-Pro 2.0 的差距更大:81.7% 对 75.0%,失败率是 18.3% 对 25.0%,少了 26.8%。榜单上只差 2.5 分,落到失败率上差近两成。机器人操作这件事,成功率的尾巴比头部重要,机器人不看平均分,看它会不会在同一个动作上反复失败。
但这两个数有一个前提:它们只出现在华为云的发布会材料里,到目前没有第三方复现。
开源,但先别急着下载
发布会说得很清楚:模型、训练框架、昇腾算力最佳实践,一起开放。听上去是全部给了。
我翻完 CloudRobo 专区页面,模型资产一栏摆着 CR-VLA-Dual、Lerobot-ACT、Lerobot-π0.5,没有 WM1.2 的权重入口。多家到场媒体也写了同一件事:发布会当天没有仓库地址,没有许可证,没有参数规模。没有许可证,商用和再分发就没有明确授权。
开源和可下载,是两件事。
对开发者来说,前者是承诺,后者才是能跑起来的代码。华为云说训练框架和昇腾实践也会开放;但 1.2 的权重什么时候放、放多少、用什么许可,发布会没有给时间表。
这不是说它不开源,是说现在还不能用开源两个字代替可用。
语言模型在猜词
要理解这个世界模型,先看它和语言模型差在哪。
语言模型的训练目标很简单:给一段上文,猜下一个 token。词表是离散的,答案是一个概率分布,损失函数是交叉熵。它读的是互联网上的文本,一条序列从左到右,错一个词,后面的词还能靠上下文纠回来。所以语言模型的评测,是考卷:问一个问题,看答案对不对。训练和评测都在一维的 token 序列上完成。
世界模型不这样。
世界模型在猜下一帧
它要回答的是:给定当前画面和动作,下一秒场景会变成什么样。输入不再是文字,是 RGB、深度、点云、关节角、力矩;输出也不再是一个词,是下一帧、下一组状态、下一段动作。训练目标从猜对下一个词,变成猜对下一个状态,损失算在像素、latent 或 3D 表示上。这是四维的题:三维空间加时间。
语言模型错一个词,读者可能看不出来;世界模型错一帧,机器人就会撞上去。
更麻烦的是,误差会复利。假设每一步的判断有 99% 的准确率,走 100 步,全程不犯错的概率是 0.99 的 100 次方,36.6%。这是把误差当独立事件算的简化账,真实系统有闭环纠错,不会这么惨。但量级说明了一件事:世界模型对单步精度的要求,比语言模型苛刻得多。
一秒视频,3.6 万个 token
还有数据量。
一段 640 乘 480、30 帧每秒的机器人视频,按 16 乘 16 的 patch 切,一帧是 40 乘 30,1200 个 token;一秒 30 帧,3.6 万个 token。一篇 2500 字的文章,按一个汉字一个 token 粗算,大约两三千个 token。也就是说,一秒视频的 token 量,顶十几篇文章。
语言模型可以从互联网上抓文本,世界模型只能去产线上采。遥操作、真机试错、仿真合成,每一种都比爬网页贵。数据贵,token 多,误差还会复利,这三件事叠在一起,就是世界模型难训的原因。所以它不能在像素上硬算,要在 latent 里算,要把动作单独拆出来。
DualAct 把两条路拆开
CloudRobo-WM1.2 的做法,是共享一个世界模型骨干,再分两条路。
一条是 VideoDiT,负责预测未来的视频表示,追求准;一条是 ActionDiT,也就是动作专家,直接输出动作,追求快。训练时两条路一起学,部署时可以切到动作专家,把延迟压下来。官方给了四种推理模式:World、Expert Action、Joint、Action-only。名字不重要,重要的是它承认了一件事:世界模型算得准,但算得慢;机器人要的是准,还要快。代价是训练更复杂:两条路要对齐,动作专家的容量要单独调。
PPA 架构负责输入端。它把 RGB、语义、深度、点云四类信号放进同一个表征,再让模型预测未来的多模态结果。用发布会的话说,从看懂一张静态照片,到看懂一段正在发生的 4D 动作。这句话是厂商的表述,但它指向的训练目标是真的:不是识别物体,是预判交互之后会发生什么。
卫星数冷却塔
模型发布的前几天,另一件事在英文技术圈传开。
Epoch AI 的两名研究员 Ben Cottier 和 Lynette Bye 发了一份报告,标题是《华为和林格尔数据中心揭示中国的算力差距》。他们没用华为的新闻稿,用的是商业卫星图。
方法不复杂,但很笨:数冷却塔。和林格尔园区分西、南、北 3 个区。北区的冷却塔明显少,研究人员判断那里不是高密度 AI 机房,把它排除。西区和南区有 4 栋楼配了高密度冷却设备,按冷却塔的类型、尺寸、数量推算散热能力,再反推 IT 电力容量,得到 286 兆瓦。他们还做了交叉核对:附近的变电站容量约 304 兆瓦,备用发电机约 230 兆瓦,286 兆瓦落在中间。
然后是把电力换成芯片。研究团队按华为芯片的销售记录,假设 4 个月的部署滞后,推算出运行中的芯片约 10.5 万颗昇腾 910C 和 0.8 万颗 910B;4 栋楼里有 3 栋已经在跑。再换成统一口径:华为披露 910C 约等于 0.76 个 H100 的算力,英伟达 B200 和 B300 约等于 2.5 个。折算下来,和林格尔的运行算力约 8.1 万个 H100 等效,90% 置信区间是 3.6 万到 14.1 万。
8.1 万不是 8.1 万张卡
这里有两个口径,很容易读错。
第一,8.1 万是 H100 等效算力,不是 8.1 万张卡。实际芯片是 10.5 万颗 910C 加 0.8 万颗 910B,合计 11.3 万颗。第二,286 兆瓦是 4 栋楼的 IT 容量,8.1 万是 3 栋楼在跑的算力,两个数不能直接除。谁要是拿 8.1 万除以 286,会得出一个偏低的每兆瓦算力,因为他把还没开机的那栋楼也算进了分母。
按 Epoch 的口径,Colossus 2 现在约 114 万个 H100 等效,正好是 8.1 万的 14 倍。8.1 除以 114,是 7.1%。
到 2028 年,和林格尔预计升到 14.1 万,涨 74%;Colossus 2 至少 180 万,涨 58%。14.1 除以 180,是 7.8%。
涨得更快,份额几乎没动。
这就是这份估算最刺人的地方:不是它算得准不准,是它算出来的比例,在两年里都差不多。
而它的不确定性也很大。90% 置信区间的上下限,3.6 万和 14.1 万,差了 3.9 倍。冷却塔模型、4 个月的部署滞后、0.76 的折算系数、哪栋楼在运行,每一个假设都会晃动结果。这是 Epoch AI 的第三方估算,不是华为披露的数字。
一边是发布会幻灯片上的 88.98%,一边是卫星图上的 8.1 万。
一个是模型能力,一个是算力家底。两个数都指向同一个问题:国产具身智能到底走到哪一步了。但两个数都还没有被独立复核:榜单是厂商自报,机房是第三方估算;前者缺独立评测,后者缺第二家复核。
能确定的只有方法:一个用仿真任务考模型,一个用冷却塔数机房。
方法比结论更耐用。
免责声明:本文基于公开信息撰写,仅供读者参考,不构成任何投资建议。