---
title: "语言模型猜下一个词，世界模型猜下一个动作"
date: 2026-11-17
category: 智能机器人
site: 脑机网
canonical: https://aiai.cafe/a/njw-cloudrobo-wm-1117
language: zh-CN
---

# 语言模型猜下一个词，世界模型猜下一个动作

> 一张发布会幻灯片上，RoboTwin 2.0 的平均分是 88.98%。

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。**

---

来源：脑机网（https://aiai.cafe/）｜原文：https://aiai.cafe/a/njw-cloudrobo-wm-1117
本内容仅供参考，不构成投资建议。
