盖世汽车获悉，6月29日，无界动力正式发布首个“长时序双向物理因果链”隐空间世界模型——MWA™ 具身通用大脑，同时在由斯坦福大学等顶尖机构联合发起的具身智能权威榜单 RoboCasa GR1 TableTop 中荣登全球第一。

图片来源：无界动力

自成立起，无界动力就坚持“隐空间世界模型+强化学习”双轮驱动的技术路径：以“隐空间世界模型”建立“世界观”，认知客观世界的物理规律与因果关系，构筑起物理世界认知与未来状态预测的核心能力；以强化学习塑造“价值观”，基于高频的试错、解决与奖励，将对物理世界的深刻理解沉淀为改变现实的精准执行策略。

在无界动力看来，具身大脑的终极目标是让机器人拥有类人的世界认知建模能力，而非构建客观世界的完整复刻模型。因此，真正的智能不需要在世界的像素层面去一比一还原世界的所有冗余，而是应当像人类大脑一样，在高度抽象的隐空间中，直击物理因果与高维度常识的本质。

为此，无界动力在“隐空间世界模型”基础上，采用“双向动力学”架构，推出了首个“长时序双向物理因果链”隐空间世界模型——MWA™ 具身通用大脑，目标让机器人真正建立起认知客观世界物理规律与因果关系的“世界观”，以及持续自主进化最终输出精准策略操作的“价值观”。

据了解，MWA™ 摒弃了像素空间预测的冗余噪音与高算力消耗，全程在统一共享潜空间完成推演，实现高能效精准表征。同时，MWA™ 创新性地实现了时序 Chunk 级逆向动力学建模机制，突破传统世界模型“单步潜动作推理”的桎梏，重构逆向动力学模型的输出范式，使之具备长时序因果归纳能力，可批量推理输出连续多步 Latent Action Chunk 动作组，有效解决机器人长周期作业连贯、高精度执行难题。

图片来源：无界动力

在构建“长时序双向物理因果链”隐空间世界模型的同时，MWA™ 还从底层架构上原生适配强化学习机制，深度耦合强化学习训练范式，构建“物理因果建模 + 强化学习试错 + 边界认知进化”的全新具身智能进化逻辑。

无界动力首创 的AnyPhys 负样本核心数据体系，通过将深层负样本、细粒度边界失稳样本、用于策略对齐的次优样本与基准正样本深度交织，构建出高信息稠密性的物理边界坐标系，补齐了强化学习稠密训练所需的全维度样本短板。

据悉，目前AnyPhys 已累计沉淀数万条专属失败、失稳、临界边界样本，构建起覆盖绝大多数工业、商业及生活场景的物理失效知识库。依托该体系，无界动力得以通过海量打滑、磕碰、飞溅等失败轨迹反向推演物理临界阈值，精准建模不同工况下的物理稳定域，让每一次动作决策都有清晰的物理安全边界作为支撑。

无界动力始终聚焦打造具身智能“通用大脑”与“操作智能”，并已率先在工业制造、商业服务等高价值领域打磨“通用操作大脑”能力，与全球顶尖合作伙伴在真实场景中深度共创。目前，无界动力已与远景科技、 ZF LIFETEC、欧摩威集团，以及国内外知名连锁咖啡品牌等达成深度合作，并签署总额近 1 亿美元的全球订单。

随着该公司第二代机器人 K15 开启批量投产，无界动力即将全面进入面向全球的交付周期。