仅凭"动作剪影"，打通视频生成与机器人世界模型！BridgeV2W让机器人学会"预演未来"

机器人如何 "脑补" 未来？ 想象一下，你面前摆着一杯咖啡，你伸手去拿，在你的手真正触碰到杯子之前，你的大脑已经在 "脑补" 了整个过程：手臂将如何移动、杯子会是什么触 感、抬起后桌面的样子…… 这种对未来场景的想象和预测能力，正是人类操控世界的核心认知基石。 那么，能否赋予机器人同样的 "预演能力"，先在 "脑海" 中模拟动作后果，再付诸执行？这就是 具身世界模型 要做的事情：让机器人在行动前，就能 "看 见" 未来。近年来，借助大规模视频生成模型（如 Sora、Wan 等）强大的视觉先验，这一方向取得了令人瞩目的进展。 然而，一个尴尬的问题始终悬而未决： 视频生成模型的世界由像素编织而成，而机器人的语言却是关节角度与位姿坐标，它们使用完全不同的 "表征语言" 描述同一个物理世界。 为了解决上述问题， 具身智能公司中科第五纪联合中科院自动化所团队推出 BridgeV2W ，它通过一个极为优雅的设计， 具身掩码（Embodiment Mask） ，一种由机器人动作渲染出的 "动作剪影"，将坐标空间的动作无缝映射到像素空间，从而真正打通预训练视频生成模型与世界模型之间的桥梁，让 机器人学会可靠地 "预演未来"。 ...