拍 12 张照片，就能给机器人造一个能推能撞的练功房：大晓 Mundo 不是视频生成

大晓机器人联合南洋理工大学 S-Lab 在 10 月 30 日发布了机器人世界模型 Mundo。第一眼看，它很像又一个“图片变视频”的模型；但按界面新闻和中关村在线 10 月 30 日的报道交叉，它真正想解决的不是“画面好不好看”，而是“机器人能不能在这个场景里练”。流程是三段：先用少量图片或视频重建一个三维场景，支持自由视角探索；再用代码定义、编辑场景里的物体、属性和动作；最后由物理引擎算运动、接触和碰撞，视频模型再结合参考影像把结果渲染出来。展示的例子里，输入 1 到 12 张图像就能完成一个室内空间的建模，大场景可以动态选上下文，连续生成数十秒到分钟级的探索画面。

值得单独说的一点，是“物理属性进了场景程序”。Mundo 把物体的质量、摩擦系数这些属性写进可编程的场景描述里，推、撞、掉落这些交互由物理引擎算出来，而不是由视频模型“猜”出来；运动轨迹、接触点、冲击力这些状态数据都会完整保留下来。这一步决定了它跟纯视频生成的分界线：视频生成只能给你“看起来对”的画面，Mundo 给的是“能拿去训练”的数据——在同一个定制场景里，机器人可以走导航、做操作，任务轨迹和物理交互状态直接输出成强化学习训练数据。按报道的说法，这就是它在大晓 Kairos 世界模型体系里的位置：补上环境建模和仿真训练这一环，帮机器人快速适配陌生场景、优化运动策略，少在真实场景里试错。

我的判断：机器人训练最贵的环节一直不是模型，而是“在哪练”。真实场景试错慢、贵、还容易撞坏东西；纯仿真又常常跟真实物理对不上。Mundo 的路线是折中的：用真实影像建场景保真度，用物理引擎保交互可信度，用代码编辑保可控性。对做具身、做仿真数据的人来说，这比“又一个世界模型 demo”实在；但对普通读者，它的价值要先降一档——这是一个面向机器人训练的工具链模块，不是能直接下载回家用的机器人产品，报道里也没有给出开放获取方式和价格，别按消费级产品去理解它。

什么情况下这个结论不成立：如果你要的只是一个能看的 3D 场景或一段视频，Mundo 的物理引擎和训练数据输出都是多余成本，普通重建工具就够了；如果你的场景里物理交互很简单（比如只是走一走、看一看），质量和摩擦这些属性算不算都差不多；还有一点要留口子：目前的说法都来自发布方和媒体报道，展示场景是室内、小规模，大场景、复杂接触任务下的保真度还没有独立验证，别直接按“已解决机器人训练数据问题”去排项目。