2026世界机器人大会（WRC）开幕首日，北京亦庄展馆内聚集了大量人形机器人、工业机械臂以及各类灵巧手Demo，现场热度持续攀升。
但在章鱼动力（SynapX）的展位上，最吸引观众驻足围观的并不是单一硬件，而是一块块正在运行模型的屏幕：在叠衣服、精细拼图等操作场景中，机器人面对不断变化的物体形态与视角时，既无需重新编写代码，也不必回到训练池补充数据，而是依靠一个统一模型实时理解环境、推演物理变化，并生成对应的动作策略完成应对。
这正是章鱼动力三天前正式发布的、面向具身智能领域的通用世界模型 SYNWorld V0.5。
如果要为SYNWorld V0.5提炼一个最核心的标签，不是参数规模，不是训练周期，也不是某项单点任务的精度，而是通用性。
行业中常见的“通用”叙事，往往被理解为“一个模型能够完成100个任务”——叠衣服、抓杯子、拧瓶盖、开门、插销等，看似覆盖广泛，但本质上仍是在同一模型框架中堆叠大量技能管道。一旦更换物体外形、光照条件或桌面高度，模型往往仍需重新采集数据并再次微调。
SYNWorld V0.5选择的则是完全不同的技术路线。当面对一个从未见过的新任务时，它不是去记忆库中检索“是否见过类似任务”，而是调用自身对物理规律的理解，推导“在当前场景下应该如何执行”。它不需要针对每个新任务单独采集数据、单独训练模型，因为它已经围绕物理世界底层逻辑建立起一套通用理解框架。
这正是SYNWorld V0.5区别于市面上多数具身智能模型的关键所在——它不是另一个“会做很多事的模型”，而是一个“开始理解世界的模型”。而真正理解世界，才是通用机器人与具身智能通用性的起点。
走出“专机专用” ，通用世界模型是物理 AI 的底层答案
今天的具身智能行业并不缺少亮眼的演示 Demo。无论是做咖啡、写字画画，还是抓取不同物件，各类机器人在展台上完成的一次次流畅操作，总能引发观众惊叹。
但在热闹的演示背后，行业始终绕不开一道现实鸿沟：大量机器人能力高度依赖特定场景、特定物体，甚至特定机器人本体。只要改变摆放角度，或换上一件陌生物品，很多模型就需要重新采集数据并重新调试训练。
这种“做一个任务，训练一套模型” 的模式，也就是行业常说的“专机专用”，不仅难以复制，也很难规模化扩展，距离真正意义上的通用机器人仍有明显差距。
章鱼动力 CEO 都大龙在 WRC 现场演讲中谈到行业痛点时表示，传统机器人长期依赖预设程序执行固定工作，一旦进入充满不确定性的真实环境，就很容易失效。机器人若想真正成为新一代生产力工具，不能只是机械执行预先写死的指令，而必须学会理解物理世界本身的运行规律，具备环境感知、因果推演、任务规划、自主决策以及持续自我演化的完整能力。
这也是章鱼动力持续投入大量资源研发 SYNWorld 通用世界模型的出发点：物理世界中的智能跃迁，不应依靠对任务清单无止境地叠加，而应建立在一套能够随着算力和数据规模同步Scaling的通用基础模型之上。
SYNWorld V0.5，正是这条 Scaling 路线上首个真正落地的关键坐标。
不同于传统将感知、预测、动作生成拆分为多个独立模块的思路，SYNWorld V0.5 采用 MoT 多模态 DiT 架构，将语言、视觉图像、视频、触觉力觉信号、机器人本体状态、动作指令以及任务进度统一纳入同一建模框架。通过模态专属编解码器处理不同类型输入，再借助共享自注意力机制完成跨模态信息交互，基座参数规模达到 10+B，并依托超过 30 万小时异构训练数据完成预训练，数据集覆盖海量图像视频以及带标注的机器人运动轨迹数据。
SYNWorld 模型架构图
整套预训练流程分为两步：首先，模型从图像和视频素材中学习物体特征、空间关系以及时间维度上的物理动态；随后接入机器人动作轨迹数据，建立环境状态变化与机器人动作之间的因果关联。完成预训练后的基座模型，沉淀出关于场景理解、未来状态预测、逆动力学和动作生成的共享表征，并在此基础上延展出 ACWM 动作可控世界模型与 WAM 世界动作模型两条能力路线。二者共享同一基座对物理世界的认知，但承担完全不同的技术职责。
ACWM（动作条件世界模型）可面向全局进行预测，它能够根据历史观测以及一系列待执行动作，推测环境在后续会发生怎样的变化，可为数字孪生、仿真数据合成、闭环评测和强化学习训练提供底层支持。而WAM（世界动作模型）则直接面向机器人动作生成：在获取当前环境观测和任务目标后，它能够同步预测未来世界变化并生成机器人的执行策略，直接服务于实体机器人的闭环控制。简单来说，ACWM回答的是“做出这个动作后接下来会发生什么”，WAM回答的则是“面对这个任务机器人应该怎么做”。
章鱼动力还设置了双盲偏好测试，将 SYNWorld V0.5 基座与 Cosmos3 Nano 基线模型进行横向对比，围绕语义跟随、视觉质量、物理规律遵循三大维度，使用近百组多样化提示词测试集开展评估。
评测结果显示，SYNWorld V0.5 在语义跟随维度的相对净胜率提升 46.7%，视觉质量提升 26.7%，而最关键的物理规律遵循指标提升 51.2%。三项数据同步向好，意味着基座模型对物理世界的理解能力实现了代际跃升。而对物理规律的掌握，正是机器人走出演示 Demo、进入真实应用场景的必要前提。
但通用世界模型仅靠算法架构创新仍远远不够。如果缺少持续稳定输入的高质量、多维度真实世界数据，再精巧的模型设计也难以真正释放潜力。想要打破“专机专用”的行业束缚，模型不能孤立存在，它必须与灵巧手硬件和完整数采链路深度协同，构建出完整的具身智能闭环系统。
协同飞轮：模型、硬件、数据三位一体打通具身闭环
在章鱼动力的产品逻辑中，SYNWorld 作为“脑”，OctoH‑Hand 仿生灵巧手作为机器人与现实世界交互的“手”，OctoSense 数采方案作为提供高精度、高质量训练素材的“数据”，三者并不是彼此割裂的独立产品，而是共同构成“数据采集 — 世界理解 — 策略生成 — 真机反馈”的生产力飞轮。
数据持续收集人类操作经验并传递给模型进行学习；世界模型负责理解物理规律并生成动作策略；灵巧手在真实环境中完成执行操作，再将真机环境中的感知与力反馈结果回传给整个系统，从而形成一轮完整的迭代循环。只有这个闭环持续运转，机器人才能逐步摆脱预设脚本，向物理AGI目标稳步靠近。
WRC 展会现场，观众可以直观感受到整套闭环系统的实际运转过程。
在“脑” 的展示区域，观众能够看到“脑”在叠衣服、精细拼图等不同场景中的流畅演示；OctoH‑Hand 灵巧手实物则对外展示多指协同、拇指对掌、指尖精细抓取等操作能力，凭借高自由度、多模态感知和柔顺力控等优势，完成一系列接近人手的复杂精细作业，让模型策略不只停留在屏幕之上，而是真正落地到物理世界中。
而整套闭环的起点，则来自 OctoSense 下一代具身数采方案。现场参观者可佩戴鱼眼头环、肌电手环以及同构外骨骼数采手套，亲身体验整套采集链路。
这套硬件矩阵最值得关注的技术突破，在于实现了肌电信号跨个体零样本泛化。以往肌电采集存在明显局限，不同使用者在肌肉结构和发力习惯上差异较大，往往针对单个用户完成适配后，一旦更换使用者就需要重新校准并重新采集标定数据。
OctoSense 打破了个体差异带来的限制，将人类手部操作经验近乎无损地映射到灵巧手真机上。也就是说，每一次人类真实操作，都能够直接沉淀为可供机器人学习的训练素材。
SYNWorld V0.5 从世界广度到任务深度的数据金字塔
章鱼动力构建了一套分层式“数据金字塔”，从底层海量通用图像、视频数据，到Ego第一视角数据，再到带Action的具身数据，最终沉淀少量高难度任务所需的高质量精细操作数据集。四层数据在广度与深度上相互配合，共同构成 SYNWorld 的训练底座。当前累计总训练数据已达到 30 万小时以上，系统日均新增超过 1 万小时，场景覆盖超 1000 种，并覆盖十余种不同机器人本体。
在行业中，做世界模型的团队并不少，做灵巧手硬件的公司同样很多，但大量项目仍停留在单点技术突破阶段。章鱼动力这套体系的特殊之处在于，从最初设计阶段开始，就将大脑模型、灵巧执行硬件、数据采集工具以及工程训练基础设施放在同一体系内进行统筹规划。
世界模型的能力边界，会受到数据质量以及执行硬件感知能力的约束；反过来，硬件设计和数采硬件开发，也会围绕模型训练所需要的信号与模态来定义需求。脑、手、数据三者相互约束，也相互增强，最终形成正向飞轮。当灵巧手真机在现实环境中执行任务并产生新的感知反馈时，这些信息通过数采链路回流，又会反过来持续滋养 SYNWorld 大脑，让模型对真实物理世界的认知不断迭代升级。
当然，也必须客观看待当前所处阶段。V0.5 版本只是起点，在长时序预测一致性、精细交互物理准确性以及跨任务、跨本体迁移能力等层面，仍有巨大的提升空间。参数规模本身并不是追逐的终点，真正核心的诉求，在于验证“随着数据和算力持续扩大，模型能力能够持续提升”这条 Scaling 曲线是否真实成立。
锚定迭代路线图，物理 AI 的竞争是一场长期系统性工程
在 WRC 大会现场，越来越多产业界人士形成了清晰共识：高级阶段的物理 AI，绝不是某一项单点技术的胜利，而是模型、硬件、数据与工程体系协同演进的系统性竞争。
在数字大模型时代，很多团队可以依靠公开数据集和开源基座快速完成演示版本；但面向物理世界时，真实场景数据获取门槛、真机硬件调试成本，以及数字世界与复杂现实物理世界之间的巨大鸿沟，共同抬高了整个赛道的进入门槛。
这也是资本持续押注章鱼动力这类团队的底层逻辑：想要真正跑通具身智能，不仅需要算法团队，同样离不开硬件工程、数据工程和机器人控制等多类人才的深度融合。
根据对外公布的迭代规划，SYNWorld 已经绘制出一条相对清晰的演进路径。
SYNWorld 从 V0.5 到 V2 的参数规模与模态扩展路径
- 当前版本，10+B 参数，已打通视觉‑动作统一建模、训练、评测与部署的完整链路；
- 计划今年 10 月推出 V1.0 版本，参数规模提升至 20+B，扩展触觉、力觉等更多模态输入，训练数据规模提升至 100 万小时以上，系统性验证能力随规模增长的可行性；
- 到 2027 年上半年，目标推出 V2.0 版本，迈向数百 B 参数 MoE 架构的全模态世界模型，训练数据目标达到 500 万小时。
每一步迭代，都会同步配套数据规模扩充、硬件采集矩阵升级，以及整套 Infra 体系的同步升级。
需要厘清的是，参数扩张只是实现模型能力提升的手段，而不是最终目标。章鱼动力对外反复强调，只有当模型能力能够真实地随着数据规模和算力投入持续增长，Scaling 路线才具备真正意义。未来，团队还将对外发布完整技术报告，详细披露 SYNWorld V0.5 的架构细节、训练方法以及全部实验评测结果，为行业提供更具参考价值的技术样本。
从行业宏观视角来看，2026 年整个具身智能赛道正在经历一次明显的认知转向。过去，行业更多聚焦机器人本体硬件参数，关节扭矩、自由度和运动速度是讨论重点；而现在，产业界逐步意识到，硬件只是承载体，真正的核心瓶颈在于机器人能否看懂、读懂真实物理世界，能否举一反三，在从未经历过的复杂环境中完成任务。
一部分团队选择从硬件出发，再逐步补齐上层智能；另一部分团队则优先发展大模型算法，再去适配现成硬件。章鱼动力选择了第三条路线：从一开始就将大脑、灵巧手本体和数采工具作为一个整体系统来设计。
但这条路线注定充满挑战。物理世界几乎无穷无尽，物体材质千差万别，环境光照、摩擦、形变都充满不确定性，仿真环境也无法 100% 复刻现实世界的全部细节。即便在实验室评测中取得亮眼数据，一旦进入非结构化的真实家庭或工厂环境，依旧可能出现大量未曾预料的问题。
SYNWorld V0.5 的发布，意味着章鱼动力已经跨过这条路线上的第一个重要里程碑，但并不意味着它已经给出了最终答案。
WRC 展台上，一次次数采体验、灵巧手动作展示与世界模型演示，向行业呈现的不只是几个产品 Demo，更是一条新的破局路径：我们不必再为每一类任务单独开发一套机器人系统，而是可以搭建一套持续成长的通用世界基础模型，依靠数据、模型与算力的持续 Scaling，让机器人自主学习物理世界运行法则，从而适应千变万化的任务需求。
当数字大模型浪潮逐渐进入下半场，AI 产业下一阶段更大的故事，很可能就发生在物理世界。大模型已经逐渐学会理解语言与图像，下一步，则是学会理解万物的运动、碰撞、形变与交互。
章鱼动力“脑‑手‑数据” 这套完整体系，也为国内具身智能赛道提供了一条可观测、可验证、可持续迭代的技术样本。未来一段时间，行业也将持续关注，这套飞轮能否持续高效运转，并从展会演示台真正走向千行百业的真实作业场景。