看了20万小时「人类干活实录」，机器人悟了量子位

刚刚，机器人圈公认最难的「家务大考」RoboCasa-365，榜首换人了。

新纪录62.6%，比之前的SOTA直接高出8.4个百分点。

要知道，这个榜上大部分模型还在50%以下挣扎。

更有意思的是，登顶的这个名字，之前几乎没人听说过：Riemann-1.0，黎曼动力。

一查，好家伙，首秀。这个模型才刚在WAIC 2026上正式发布。

跑分说明不了一切，我又去翻了它的真机视频。

随手点开一段机器人收拾餐桌的demo，只能说，榜单没骗人。

薄薄贴在桌面上的勺子，夹得起来；碗里剩的汤，知道先倒了再收；完事了还顺手把桌子擦干净。

（完了，估计连老妈以后的台词都要改了：连机器人都比你眼里有活儿~）

再往上扒，黎曼动力背后站着的是昆仑万维——前者正是昆仑万维专为具身智能方向成立的子公司。

一个新面孔，凭什么首秀就登顶？

答案藏在它的「食谱」里：23.2万小时训练数据中，占大头的根本不是机器人数据，是人的视频。

没错，人做饭、叠衣服、收拾桌子的第一视角视频。

造机器人大脑，行业吵出了新共识

为什么是「人的视频」？这还要从具身智能领域吵了一年多的路线之争说起。

VLA和世界模型，谁代表机器人的未来？行业曾为此分裂成鲜明两派。

两派各有优劣，为便于大家做对比，这里我直接放了一张AI生成的图表：

△图片由AI生成

简单总结就是，VLA属于「直觉派」，快但容易翻车；世界模型则属于「深思派」，稳但是又慢又贵。

吵着吵着大家发现：算了，既然各有优劣，那不如来一个取长补短？

于是，两条路线开始合流。

今年6月，英伟达西雅图机器人实验室发布了一篇长文综述，文章的核心判断是：

World Action Model（WAM，世界动作模型）已经从VLA研究里的小众分支，迅速长成了机器人基础模型的第二条主路线，而下一代机器人基础模型，大概率是两者的混合体。

△图源：英伟达官方技术博客

ICML 2026上，包括LeCun团队在内的多篇论文也在往同一个方向使劲：

从海量无标注的野外视频（in-the-wild videos）里学习潜在动作世界模型。

△图源：ICML官网

把这些工作放在一起看，一条正在被越来越多团队验证的训练范式浮出水面：

先用大规模开放世界视频做预训练，让模型看遍人类怎么和物理世界打交道，攒够物理直觉；再用少量真实机器人数据做动作对齐，把直觉翻译成可执行的控制信号。

这就解释了，为什么下一代机器人大脑，都盯上了「人的视频」。

对机器人来说，人类每天的生活就是一场不间断的操作示范。做饭、叠衣服、整理房间，这些第一视角视频里，藏着人类怎么感知环境、规划动作、处理意外的全部秘密。

而且这类数据要多少有多少，场景丰富，还在源源不断地增长。

实际上，行业里少部分前沿玩家已经看到了这点。比如Being-H0.7用了20万小时第一视角人类视频，Generalist AI的GEN-1更是砸了50万小时可穿戴设备采集的人类数据。

作为其中之一，Riemann-1.0的独特之处在于：

它是国内较早把这条范式完整工程化跑通的选手，从仿真Benchmark到真机均获得验证的那种。

而它之所以能跑通，关键在于解决了一个核心难题：人类视频里没有机器人动作标签。

没错，再漂亮的范式，也有自己的问题要解决。

人叠衣服的视频看得再多，机器人手臂该转多少度、夹爪该用多大力，视频里一个字都没写。

看得懂，做不出。

20万+小时人类干活的视频，怎么变成机器人手上的活儿？

这正是Riemann-1.0故事的起点。

23.2万小时视频，怎么变成机器人的手艺

Riemann-1.0，一款面向通用机器人操作的世界模型（World Action Model）。

从名字就能看出来，它正是前文说的「混合体」：

VLA的手它有（直接出动作），世界模型的脑它也有（预演世界演化），两派的活儿，一个模型全包了。