机器之心编辑部
近日，NVIDIA 发布的世界 - 动作模型 DreamZero，在两项颇具代表性的机器人基准测试 RoboArena 、MolmoSpaces 上双双登顶。
DreamZero 核心思想是：在同一个模型里，同时预测未来视频和机器人动作。也就是说，DreamZero 让机器人在行动前，先在模型内部想象未来。
但问题也随之而来。
为什么这种边预测世界、边预测动作的设计，会带来如此显著的性能提升？它到底比传统策略模型或世界模型强在哪里？是真正的范式突破，还是数据与模型规模的胜利？
围绕这些问题，近期一篇颇具讨论度的分析文章《Why is DreamZero so good at robotics?》给出了一个更深入的解读：在训练一个通用机器人策略时，你的数据和模型架构需要具备哪些特征？这篇文章的解读，正在对以往的认知提出质疑。
文章作者是一位名叫 Chris Paxton 机器人与人工智能研究者，曾在 Hello Robot 负责具身智能（Embodied AI）方向的研究工作。此前，Paxton 在 NVIDIA Research 以及 Meta 旗下的基础人工智能研究机构 FAIR 工作过。
这篇文章从模型介绍、训练数据分布、模型主干规模、时间上下文长度，以及视频生成作为辅助监督信号等多个维度，拆解了 DreamZero 表现突出的可能原因。
文章地址：https://itcanthink.substack.com/p/why-is-dreamzero-so-good-at-robotics
接下来是文章主要内容。
DreamZero 是什么？
DreamZero 是 NVIDIA 提出的「世界 — 动作模型」（world-action model）。它借鉴了世界模型中的许多核心思想，尤其是视频生成对机器人任务有价值这一理念，但在关键设计上做了几处重要改动。其中最关键的一点是：它联合建模动作生成与视频生成。
通常来说，世界模型大致可以分为两类：
动作条件世界模型：学习状态与动作到下一状态的映射，即 x′=f (x,a)。其中 x 表示当前观测状态，a 表示动作。例如 V-JEPA 2 或近期 RISE 论文中的世界模型就属于这一类。
逆动力学世界模型（inverse dynamics world models）：例如 NVIDIA 的 DreamGen 或 1X 的世界模型。这类方法先学习 x′=f (x)，然后再通过一个逆动力学模型学习 a=g (x,x′)。
相比之下，DreamZero 更像一个传统的机器人策略模型，但它同时还会预测未来视频。因此，它学习的更接近于：(x′,a)=f (x)。
也就是说，它在同一个模型中同时预测未来状态和对应动作
我们也可以把它与传统的视觉 — 语言 — 动作模型（vision-language-action model）进行对比：DreamZero 不仅预测动作，还预测未来画面。这为模型提供了一种更丰富的监督信号，不仅告诉它该做什么，还告诉它世界接下来会变成什么样，从而帮助模型更好地学习环境演化的规律。
基准
RoboArena 是一个基于 Droid 构建的分布式真实世界基准测试。全球各地的评测者拥有相对相似的机器人和实验设置，并根据不同的自然语言指令，运行一系列开放式的机器人任务评测。
这意味着，从数据分布的角度来看，它在某种程度上属于 DreamZero 的分布内（in-distribution）场景。因为 DreamZero 本身就是在 Droid 数据上训练的，而 Droid 中包含了非常相似的任务和实验环境。但与此同时，这仍然是一个真实世界的评估环境，意味着会存在各种现实中的复杂性和变化；而且具体任务是由评测者自行选择的。
RoboArena 还是一个 head-to-head 式的比较基准，有点类似于在大模型发展中产生重要影响的 Chatbot Arena。
MolmoSpaces 是一个新的基准测试平台，具备高保真物理模拟能力和多样化、程序化生成的环境。
其中，MolmoSpaces-Bench 重点测试在多种受控变化条件下的任务表现，包括抓取（pick）、放置（place）、开合（open and close）等基础操作，以及这些操作的组合任务。
这是一个尚未接近性能饱和的新基准，也就是说，模型之间仍然存在明显差距，仍有较大提升空间。而 DreamZero 在这些测试中都取得了优异表现。
我们能从中学到什么？
我们可以具体对比一下 DreamZero 和 pi-0.5，因为 pi-0.5 是目前排名第二的模型。
训练数据方面
pi-0.5 使用了超过 1 万小时的真实机器人数据、视觉语言模型（VLM）数据，以及 Droid 数据集进行训练。而 DreamZero 则根据不同的模型版本（checkpoint），使用 DROID 数据或 AgiBot 数据进行训练。
训练数据的分布很可能在这里起到了至关重要的作用。可以注意到，在 DreamZero 的论文中，它在 AgiBot 数据集上的表现明显优于 pi-0.5（而 AgiBot 并不包含在 pi-0.5 的训练数据中）；但在双方都使用过的 DROID-Franka 设置下，两者的性能差距则要小得多。
这似乎也在暗示：那额外的 1 万小时机器人数据，可能并不像人们想象中那样万能有效。
更关键的，或许不是数据量本身，而是是否在正确分布的机器人数据上进行预训练。在另一篇近期博客文章中，Physical Intelligence 展示了一个非常显著的结果：当模型在与目标任务分布高度一致的合作方数据上进行预训练时，性能会出现大幅提升
因此，也许从另一种机器人身上额外增加 1 万小时的数据，并不一定比使用手头那些廉价、充足的第一视角视频数据更有效。对于那些希望训练跨机体通用机器人大脑的研究者来说，这可能并不是一个好消息。换句话说，从不同机器人形态中获得的收益，可能并不会比单纯加入大量低成本的第一视角视频数据更多。
模型主干
首先是主干模型规模之差。
DreamZero 基于 Wan2.1-I2V-14B-480P 构建，是一个 140 亿参数的视频生成模型，相比之下，pi-0.5 基于 30 亿参数的开源视觉语言模型 PaliGemma 进行训练，参数规模差了将近 5 倍。
其次是信息输入方式不同。
DreamZero 最多可以接收 8 帧上下文输入，等于让模型看一个短视频片段。pi-0.5 只能输入单帧图像，每次决策只看当前一张照片。
在真实世界中，机器人任务几乎都具备几个典型特征：环境往往是部分可观测的，存在复杂的物理动态过程，并且高度依赖对时间连续性的理解。例如，一扇门可能刚刚被推开了一点、某个物体正在滑动、机械臂上一刻的速度和加速度都会影响下一步动作的结果。
如果模型只能看到单帧图像，它往往无法判断物体是在运动还是静止，也难以推断当前状态是否由之前的动作所引发，更无法理解惯性等物理效应。
而如果模型能够观察连续的多帧画面，比如 8 帧历史信息，它就能捕捉到运动趋势和状态变化，更容易学习到潜在的物理规律，从而在控制和决策上表现得更加稳定和准确。
模型规模
DreamZero 是一个体量巨大的模型，而论文中相当一部分工作其实是在解决如何让这个 140 亿参数的庞然大物实现实时运行。论文中的消融实验似乎表明，模型规模在性能表现上起到了非常关键的作用。
同时引入更长的历史信息、扩大模型规模，通常都会带来一个问题：模型更难训练，而且在低数据环境下更容易过拟合。与大语言模型不同，后者由于拥有海量数据，几乎不用担心过拟合问题。机器人领域本质上始终处于一个低数据环境中。即便是现在，DROID 数据集相比最小规模的 LLM 数据集，也依然小得多。
因此可以提出一个猜想：视频生成目标在这里充当了一种辅助损失（auxiliary loss）。它为 DreamZero 模型施加了一种结构约束，迫使模型学习某种内部的世界模型。与来自机器人动作的稀疏信号相比，视频预测提供了一种更强、更密集的监督信号。这可能使模型更容易适应那些它并未直接训练过的、多样化的 MolmoSpaces 环境。
最后的思考
仅凭这些论文，我们仍然无法得出全部结论。我们无法获得 Physical Intelligence 所使用的全部数据；NVIDIA 用于推理的 GB200 设备目前也并不容易获取。但对很多人来说，可以得出一个经验，也许我们并不需要此前认为那么多的数据，就能够在真实世界机器人任务中取得强劲表现。
最后，作者表示，接下来几周会推出一期 RoboPapers 播客节目，专门讨论 DreamZero；此外，下周也会发布一篇更深入的分析报告，感兴趣的读者可以关注一下。
