索辰科技×美梦空间｜数贸会联合发布Physical‑WAM，物理AI生态布局迎来新进展_新浪财经

世界动作模型数贸会正式亮相

构建物理因果，让世界模型读懂真实世界

9月26日，索辰科技携手战略投资企业美梦空间正式发布Physical‑WAM：基于可观测数据+深层物理数据训练的物理‑世界动作模型，同步展出 RoboTwin‑Phys物理鲁棒性评测基准，集中呈现模型训练、动作生成与能力评测等方面的技术进展。这项重磅技术成果在第五届全球数字贸易博览会这一国家级数字贸易专业展会上完成首次公开亮相。

Physical‑WAM首发首秀

强强协同，深耕世界模型底层创新

美梦空间（MEMO）专注于世界模型的研发与应用，由北京大学信息技术高等研究院高文院士领衔的AVS先进视觉系统研究中心孵化，核心团队在具身智能、视频编解码、空间计算、人工智能领域积累了深厚的研究经验，兼具学术深度与工程落地能力。

此前，索辰科技完成对美梦空间独家种子轮战略投资，将其纳入物理AI生态布局，双方围绕世界模型开展深度协同研发，探索物理世界模型的国产化落地路径。Physical-WAM和RoboTwin-Phys正是双方携手给业界带来的一张新答卷。

联合发布Physical-WAM

技术突破：为AI构建物理因果关联

随着具身智能走向真实场景，模型需要应对更加复杂的物理交互。机器人完成抓取、搬运等任务，既要识别目标、理解指令，也要适应质量、摩擦、重心及接触状态的变化。即使物体外观相近，相同动作也可能产生不同结果。如何将这些影响交互结果的物理信息融入模型学习，是提升机器人操作适应能力的重要研究方向。

有效的物理交互样本诞生于真实或高保真仿真的接触过程：抓取、推拨、按压，每一次有效交互都伴随真机运动、接触反馈和物体状态改变。这类数据采集周期长，硬件损耗成本高，不同机器人本体之间还存在明显的数据迁移壁垒。由此形成客观现实，机器人可用的真实物理交互样本仅维持在百万量级，和文本图像领域数十亿级别的数据体量相比，存在数万级别的落差。

Physical‑WAM以可观测数据与深层物理数据的联合训练为特色，将物体属性和交互状态等物理信息纳入世界—动作建模。Physical-WAM由PhysLens、PhysDream、PhysAct三个模块构成，形成“感知→预测→生成→修正”的反馈链条。在模型设计中，PhysLens面向物理属性与接触状态形成表征，PhysDream开展未来状态预测，PhysAct结合物理条件生成动作，并利用执行反馈调整后续动作。通过连接物理感知、状态预测与动作生成，模型围绕变化条件下的机器人操作需求，探索提升物理适应能力的技术方法。

Physical-WAM概念图

同步展示的RoboTwin‑Phys物理漂移测评基准，将物理条件变化纳入机器人操作评测，这是业内首个以物理因素扰动为核心评测对象的机器人操作基准，能够把现实中抽象的物理参数，转化为可控、可标记、可复现的变量。

这套评测基准遵循三层递进逻辑：物理属性推断准不准、物理扰动下任务还成不成、性能差距的上界在哪里。它在RoboTwin的基础上，新增了13类真实世界常见的物理扰动因素，包含物体属性、接触属性、阻尼、任务环境到相机配置五大维度，支持单因素扰动到多因素组合扰动测评，为机器人策略的物理鲁棒性评估提供系统化依据。

RoboTwin-Phys由美梦空间、北京大学、北大信研院和索辰科技联合发布开源，项目代码、数据集与排行榜全部开放，支持第三方验证复现。