【环球网科技报道 记者 张阳】近日，在2026世界机器人大会上，眸深智能联合创始人兼首席科学家陈涛教授以“具身智能4.0：端侧原生的机器人世界运动模型”为题，系统阐述了该公司在机器人运动智能、三维空间感知、端侧部署及模型自进化等前沿领域的最新研究成果。
构建机器人原生大脑：从动作生成到世界运动模型
陈涛回顾了团队自2019年起在具身智能领域的深耕历程。从早期的MLD、MotionGPT系列，到后续的LL3DA、HL3DWM及STIWMM，眸深智能始终聚焦机器人“运动”核心命题，逐步构建起涵盖理解、生成、规划至执行的完整技术体系。
在此基础上，眸深智能正式提出第四代World Motion Model（世界运动模型）。陈涛指出，区别于以语言预测为核心的传统大模型，该模型利用Next Token Prediction能力，旨在预测机器人下一步的隐式状态与动作，从而打通世界理解、运动规划与动作生成的链路。他强调，具身智能的关键不在于单纯扩大模型规模，而在于使模型真正理解物理世界，并将认知转化为可执行的运动指令，打造“机器人原生大脑”。
突破数据与感知瓶颈：实现三维世界深度理解
针对真实机器人数据获取成本高企的行业痛点，眸深智能探索出融合互联网视频、关节动捕与真机数据的混合训练范式，分别支撑世界知识学习、动作习得及本体对齐，有效降低了对大规模真机数据的依赖。
在空间智能维度，团队致力于赋予机器人三维环境感知能力。通过LL3DA、EgoExoLLM及Ego-affordance Estimation等技术，实现了从三维环境理解、多视角协同推理到可交互区域识别的突破，使机器人不仅具备动作生成能力，更能理解动作背后的逻辑、空间位置及后续决策。
推动端侧落地与持续进化：兼顾性能与成本
为解决具身模型参数庞大、推理昂贵的工程难题，眸深智能在模型轻量化与端侧推理方面取得显著进展。通过PAGCP、MADTP++等优化技术，团队最高实现75%的参数压缩、62倍的计算量削减及20倍的端侧推理加速，切实提升了机器人的可用性与经济性。
同时，团队积极探索智能体的持续进化机制。最新的T2VLA研究利用模型自身置信度，通过Test-time RL实现无需外部奖励的自举策略优化，并在多项基准测试中验证了跨架构、跨场景的性能提升。陈涛表示，未来的机器人智能不应仅依赖训练阶段的数据堆叠，更需具备运行时的自主优化能力。
迈向产业化应用：通用大脑适配多元场景
陈涛还强调了具身智能产业化的重要性。他认为，通用具身大脑必须走出实验室，在真实的机器人本体、工业产线及生活场景中接受验证。眸深智能正持续推进模型在不同载体与场景下的泛化测试。
陈涛总结称，具身智能下一阶段的发展重心，将从模型规模扩张转向数据质量、感知精度、部署效率及泛化能力的综合提升。眸深智能将继续深化生成式通用具身大脑的研发与产业化进程，推动智能技术真正融入机器人实体与真实世界。