信度启源用不确定理论做具身智能世界模型，不堆GPU走第三条路

“ 用数学理解世界 “机器人看到的是160毫秒之前的世界。” 全球开发者先锋大会现场，一位数学研究背景的演讲者，为当下的具身智能算了一笔时间账：视觉延迟60毫秒，控制执行延迟100毫秒，总共160毫秒，接近六分之一秒。 背后是行业性的痛点，传感器、传输、状态读取、控制执行等多个环节都有延迟，叠加起来，就是机器人执行动作的缓慢与“迟疑”。 几百毫秒，足够一个动态物体位移，也意味着一个柔性物体的形变方程变了，最后导致机器人抓慢、脱手。 业内一般用推理引擎优化，把端到端延迟压缩，端侧实时推理的基线成本，已经高到需要专门的系统工程来“抢救”，也消耗了大量算力。 对于延迟问题，信度启源换了个解题思路：将延迟问题、预测当下和推演未来等能力纳入信度世界模型和算法，成功实现了算力消耗极低、算法速度更快、泛化性更强。 01. 160毫秒的时差，意味着生死线 在“具身智能大脑的下一站”论坛上，信度启源技术负责人戴韡抛出了开头的问题：相比模型还能增加多少参数，当下更需要回答的是，机器人能否在真实环境下，及时作出动作。 参数更复杂的模型可以提供更丰富的预测，但如果推理时间过长，到了执行这一步，预测结果已是“过去的结果”。 这正是具身智能与语言模型不同的地方：它不只涉及训练所需的芯片和数据，也涉及机器人端侧能否在功耗、内存和时间预算内完成计算。 视频生成、世界动作模型和视觉语言动作模型（VLA），在进入真实场景后都在追求同一个答案：在有限的时间内，能否形成可执行的判断、落地为安全可控的动作？ 当下关于世界模型的讨论，很容易把“预测下一个物理状态”简化为生成更逼真的视频、更长的交互推演，或把世界模型等同于更大规模的视频生成。世界动作模型的推理算力消耗，本就天然高于传统VLA。机器人多“想”几百毫秒，做决策时面对的已是六分之一秒前的旧世界。 速度，或者说安全可控的速度，已成为机器人进入商业场景的生死线。 从传感器获取信息，到控制系统接收到一帧图像的时间里，物体可能已经移动。仅识别滞后的旧位置并不够，还得在各种噪音中推算后续动作发生时，目标在哪里、动作边界在哪里。 信度启源的核心预测模块，就在解决这一问题：先用不确定统计感知执行链路中的各类延迟情况，然后纳入状态推演，用较早时刻的数据估算当前的位姿和状态，进而预测后续变化。 延迟补偿不再是事后“补丁”，而是世界模型中的内置一环，实现先结合延迟数据预估当前、再推演未来的世界，给机器人提供更高效的行动依据。 02. 如何度量物理世界的不确定性 这一模型算法背后的理论基础，来自戴韡的博士导师、清华大学数学科学系教授刘宝碇创立的不确定理论。 该理论自2007年提出以来，逐步发展出不确定统计、不确定规划、不确定过程和不确定微分方程等研究方向，《Uncertainty Theory》也成为相关领域的代表著作，被译成多种文字。刘宝碇教授曾获国家杰出青年基金、国家科技进步二等奖。 不确定理论及相关工具，为具身智能领域提供了一种高效的“度量方式”。 机器人面对的环境，并不总能获得充足、稳定的数据来确定概率分布。物体形变、传感器误差、外部扰动和未知条件交织在一起时，单靠预设的随机模型，可能难以完整表达系统对状态的判断。 以独立事件为例，概率测度使用乘法规则，而不确定测度的乘积公理采用取小运算。处理频率不稳定的问题时，后者提供了新的工具。 信度启源团队从不确定过程、不确定微分方程延伸到机器人运动与空间几何，将运动规律与外部扰动等描述、推理方式，纳入到具身智能算法，进而让刻画误差和状态变化落入边界更清晰、更可控的范围内，并据此决定下一步动作。 基础数学早已经进入机器人领域，价值在于它能否在不同硬件、任务和环境中给出足够快、足够可靠的预测。 03. 让机器人聪明能干，计算需要精准“收敛” “我们的特点可以总结为三个关键词：泛化能力强、成本低、速度快。”戴韡介绍。 团队选择的方向，不是让一个大型神经网络包办全部环节，而是尽量用数学模型完成可明确描述的计算。 主流大模型路线是反向训练，数据不断投喂，不同场景往往需要新一轮采集和标定。信度世界模型是正向设计，从数学公理直接推出算法，相当于让机器人具备了知识计算能力和更清晰的容错边界。 以抓取为例，首先要确定物体与机械手的相对位置、姿态及运动关系。这些关系可以用几何、运动学和动力学描述。难点是，现实世界并不按照理想参数运行：传感器有噪声，关节执行有偏差，地面不平，目标物体可能会被碰一下。 信度启源通过不确定微分方程等工具，把扰动噪音纳入状态演化计算，实现收敛，再估计物体与机器人未来可能处于的状态范围。 在戴韡看来，不是每项任务都需要还原所有物理细节。对一个以行动为目标的系统而言，决定成败的不是预测信息有多少，而是预测了哪些关键变化。 这种取舍也体现在被团队称作“七窍”的架构中：听觉、触觉、视觉

来源只提供摘要，完整内容请打开原文。