9 月 7 日晚，宇树科技发布了一段格斗实拍视频：一台戴红色拳套的人形机器人，跟持护具的人类陪练在擂台上对打——闪避、出拳、踢腿、调整重心，全程没有预设脚本，没有人工遥控。宇树称之为全球首次实现世界模型实时驱动的全自主人形机器人格斗。先说这事为什么值得单独写一篇。过去一年人形机器人格斗赛不少见，但那些擂台上的每一拳，背后都有一个真人操作员：要么握着游戏手柄，要么戴着 VR 头显，把人的动作翻译成机器人的电机指令。机器人本质上是遥控玩具。这次的区别在于，操作员被彻底拿掉了，打不打、怎么打、躲不躲，是机器人自己决定的。这套系统叫 UnifoLM-X2-1.0，属于宇树的「世界-动作大模型」架构。所谓世界模型，通俗讲就是在模型内部装了一个物理世界的模拟器：给它当前的场景和一个候选动作，它能推演「接下来会发生什么」。放到格斗场景里，机器人要持续感知对手的位姿和接触力，在模型内部实时预测下一时刻的环境状态——对手会往哪动、这一拳打上来自己会失去怎样的平衡——然后在这些可能性里挑一个最优动作，直接下发到关节级运动控制。视频里的可视化界面也印证了这一点：机器人出招前，画面上会先显示出对未来场景的预测轨迹。官方口径是突破了三个瓶颈：瞬时规划、决策输出、动态交互执行。前两个好理解，第三个最关键——高频接触、强对抗的场景里，感知、规划、执行任何一环慢一拍，拳头就已经招呼到脸上了。传统反应式控制之所以撑不住对抗，就是因为「看到—算出—做出」的延迟叠加起来，永远慢对手半步；世界模型的解法是提前把可能的未来推演好，等真发生了直接执行。因为格斗是人形机器人少有的高压综合考场：节奏快、接触频繁、扰动大，对模型延迟、本体平衡、抗干扰能力的要求拉到极限。能在这个极端工况下跑通感知—预测—决策—执行的完整闭环，迁移到工业协作、动态避障、巡检救援这些真实任务，基础就是现成的。这条线其实走了不短。宇树的大模型研发 2023 年就开始了：2025 年 9 月开源了世界模型-动作架构 UnifoLM-WMA-0（用 Open-X 数据集加自家五个数据集训练，分决策和模拟环境反馈两种模式）；之后陆续开源了操作大模型、全身遥操作真机数据集；6 月还跟英伟达联合推出了开源人形机器人参考平台。X2-1.0 可以看成这一系列工作第一次在「实时的、强对抗的物理世界」里交卷。有个对比值得一提：王兴兴曾在公开场合坦言，此前展示的格斗能力仍以固定动作随机切换为主、自主决策有限。从「几十个固定动作里随机出招」到「自己预判、自己出拳」，中间隔着的正是世界模型这一步。第一，目前只有视频，没有论文。没有技术报告，没有延迟数据，没有可复现的基准测试，也没有第三方独立验证。海外科技媒体已经指出这一点——公众现在能看到的，就是一段演示加公司自己的描述。X2-1.0 会不会像 WMA-0 那样开源，也未确认。第二，算力可能不在机器人身上。有研究者注意到视频下方的控制台日志出现了 PolicyServer 相关字样，这暗示重计算的世界模型推理可能跑在外部工作站上，通过局域网把指令发回机器人，而不是完全在 G1 的本机算力上运行。从演示到真正无约束部署，「把实时预测模型压缩到端侧跑起来」还是一道没迈过去的工程坎。第三，格斗打得好不等于通用能力强。它验证的是极限运动控制和实时决策，不是作业能力。让机器人搬箱子、接电线、进火场，要过的关跟打赢一场对练并不重合。放在更大的背景里看，这是国产具身智能两条战线里的一条：前几天荣耀的机器人在竞速赛跑出 8.83 秒，考的是身体的极限；宇树这次考的是大脑的极限。身体和大脑都到了这一步，接下来的问题就只剩下一个——什么时候从擂台走到车间。
参考资料：宇树科技官方发布、第一财经、东方财富、Humanoids DAIly 等。演示视频未经第三方独立验证，具体技术细节以官方后续披露为准。
