Natura-1发布：从人类经验到灵巧操作的AGI破局 | AI资讯

type

status

date

slug

summary

从包馄饨到物理智能：具身大模型的全新里程碑

包馄饨、给手机贴膜、沏茶，这些在人类日常生活中看似轻而易举的活动，对于机器人领域来说，长期以来都是难以逾越的技术高山。人手拥有20多个自由度，在接触柔软、易形变的物体时，指尖无时无刻不在根据触感回弹和视觉反馈进行毫秒级动态微调。过去，机器人要么依靠简化的二指平行夹爪做机械性抓取，要么依赖特定环境下针对单一任务定制的机械臂动作脚本。

近期，具身智能领域迎来重磅进展。北京自然意志（Nature Will）团队正式推出了名为 Natura-1 的物理世界通用基础模型。作为一个拥有 50B 参数的混合专家（MoE）模型，Natura-1 首次在 100 万小时人类第一视角经验数据上完成了大规模预训练，在端到端 100 毫秒的实时控制回路中，成功驱动 20 自由度的双灵巧手完成包括包馄饨、贴膜、沏茶在内的高难度连续长程操作。

这不仅是一项令人瞩目的动作工程演示，更标志着大模型技术从数字空间的文本、多模态推理，向物理世界的感知、决策与控制闭环迈出了决定性的一步。对于密切关注 AGI 和大模型演进的科技界而言，这无疑是极具启发性的前沿突破。了解更多前沿人工智能动态，可访问核心 AI资讯门户获取深度解析。

灵巧与通用的博弈：破解机器人学习的“数据死循环”

在具身智能的发展历程中，“高灵巧度”与“高通用泛化性”往往不可兼得。一方面，传统工业机器人倾向于使用二指夹爪以大幅降低控制自由度，但代价是彻底丧失了捻转、对捏、多指承托等精细协作能力；另一方面，高自由度的多指灵巧手由于动作空间呈指数级膨胀，其传统策略往往只能服务于单一受限任务。

限制灵巧手通用的根源在于高质量训练数据的匮乏。传统的遥操作采集方式成本高昂、效率低下，且陷入了一个典型的逻辑悖论：机器人只能在掌握某项技能的场景里采集训练数据，但它又只能在有数据的场景里干活。

打破这一困境的出路，正是将目光转向人类自身浩瀚的行动沉淀。今年以来，从英伟达的 EgoScale 到近期业界讨论的各类视频预训练模型，业界已初步验证了人类第一人称操作视频存在类似于大语言模型（LLM）的 Scaling Law（规模法则）。而 Natura-1 将这一规模推至全新的 100 万小时级别，彻底利用人类丰富的动作先验打破了真机数据孤岛，为具身智能提供了规模化的知识底座。

50B MoE 架构创新：让视频与物理动作在同一序列中共鸣

Natura-1 之所以能够将庞大的人类经验直接转化为精细的手部控制，关键在于其底层的模型范式创新。该系统没有将“语言理解”、“物理预测”和“动作规划”拆解为碎片化的拼装流水线，而是采用单一的 MoE Transformer 架构，将文本、图像、视频和动作 Token 组织为同构序列，进行联合自回归训练。

在核心机制上，Natura-1 提出了深刻的技术洞察：将第一视角视频与末端执行器的物理动作，视为同一连续物理状态的两种互补投影。动作标签是离散且珍贵的，但高密度的视频画面却极为丰富。模型通过流匹配（Flow Matching）技术，将过去的连续视觉状态作为物理记忆，同步预测未来画面演变与灵巧手动作轨迹。

与此同时，为了防止模型在海量视觉流中迷失语义焦点，预训练过程中引入了多层级的细粒度语言监督，使得自然语言提示词（Prompt）能够在物理状态演化中起到精准的指向作用。Scaling 评测显示，当数据从 4.4 万小时扩展到 100 万小时后，模型在真机动作预测上的均方误差大幅下降了 67.7%，这为物理 AGI 的演进提供了扎实的算力与数据扩展依据。

零样本泛化与自主恢复：超出预期的涌现能力

评判一个基础模型是否具备通用智能，核心标准在于面对“未见过”的任务时是否具备零样本泛化能力（Zero-shot Generalization）。

在 Natura-1 构建的 12 维度严苛测试基准中，测试场景和动作组合从未在真机微调阶段出现过。例如，面对将特定水果放入容器、再将托盘端走的多阶段组合指令，Natura-1 获得了超过 50 分的优异表现，而以往依托代码生成或夹爪策略的通用系统在多指灵巧手上得分基本停留在极低水平。这表明 Natura-1 成功将人类视频中储存的隐式世界常识，在无需后训练微调的前提下，直接迁移到了真机灵巧手之上。

更具突破意义的是模型表现出的“智能涌现”现象： * 工具自主利用：在抓取高处物品且直接臂展不够的场景下，模型能够根据语义指令主动借助现场的长杆拉近篮子，再协同双手取出物体。 * 物理重试与纠错：面对平放于桌面不易捏取的薄卡片，模型没有机械地重复错误抓取动作，而是顺势将卡片推向台面边缘使其悬空，再换用双手对捏顺利拿起。

这种在执行遇到阻碍时的自我反思与动作重构能力，并没有在真机采集环节刻意编写，而是模型在大规模预训练中，深度内化了人类在面对日常物理挫折时的调整经验。

工业级全栈基建：保障 100 毫秒超低延迟物理交互

要让 50B 规模的大模型真正走进物理世界实时干活，仅有理论架构是远远不够的，背后必须有极其强大的全栈工程基建支撑。

自动化数据处理湖仓：面对数十 PB 级别的非结构化录像，团队构建了高吞吐的处理管线，结合自研动作重建算法，使手部关节误差相比开源方案降低了 41%，实现每周吞吐处理数十万小时的人类行为数据。

算子与计算加速：在分布式训练层面，依托自研注意力算子，将计算吞吐提升至行业常见方案的数倍，显著提升了大规模 GPU 集群的有效算力利用率。

Rust 驱动的低延迟推理：为了满足机械结构毫秒级的动力学平衡，系统推理层经由高性能底层语言重写，将端到端“感知-推理-输出”的总体回路延迟严密压缩在 100 毫秒以内，彻底消除了具身控制中的卡顿失衡风险。

结语：迈向通用物理智能的未来征途

Natura-1 的亮相，为长期处于“专用机械臂”与“弱通用夹爪”夹缝中的机器人行业开辟了崭新的范式。它向业界有力证明：人类漫长进化所形成的身体经验，可以通过规模化多模态大模型的方式，完整沉淀并赋能给高自由度的灵巧机械载体。

从理解语言、看懂世界，到双手自如地改造现实物理环境，具身智能正在成为大模型商业化和 AGI 演化的下一座核心桥头堡。关注全球最新 AI新闻与大模型前沿研究，持续探索人工智能驱动的未来变革。