中国具身智能又跑出一匹黑马：清科灵境 OASIS WAM 登顶 RoboLab，击败 NVIDIA、Google、PI 等头部团队

近日，RoboLab 全球高保真仿真基准平台公布最新排行榜。在覆盖120 个视觉-语言-操作任务的综合评测中，由清科灵境（Synkrotron）联合中国科学技术大学研发的OASIS WAM获得综合排名第一。

从参测团队来看，这份榜单并不缺少头部企业，包括 NVIDIA、Google、Physical Intelligence（PI）等具身智能领域的重要团队。

更值得注意的是，RoboLab 基于 NVIDIA Isaac 与 NVIDIA Omniverse 仿真技术构建，通过高保真视觉环境和基于物理的建模能力，对机器人策略进行大规模训练与测试。此次 OASIS WAM 的成绩，是通过开放调用接口，由平台实际完成测试确认后形成的排行榜结果，而非团队自行提交的离线成绩。

这意味着，这是一场在统一仿真环境和统一任务体系下进行的横向能力测试。同时，RoboLab 采用动态随机生成场景、可变语言指令、可控环境扰动，没有固定训练题库，无法靠死记规则刷榜。

这也是榜单中唯一的中国团队。

对于一家由图灵奖获得者姚期智院士孵化的中国创业公司而言，这样的结果意味着什么？或许更重要的并不是“赢了谁”，而是WAM 这样的机器人动作模型路线，开始在大规模、多样化的机器人任务泛化测试中展现竞争力。

而在这场排名背后，清科灵境真正想解决的，是一个更大的问题：

怎样让机器人不仅能够“动起来”，还能够理解任务、预测环境变化，并连续完成复杂任务。

1、机器人真正缺的，可能不是“手脚”，而是一个能够持续做决策的大脑

过去几年，人形机器人最受关注的部分仍然是本体。

机械结构、灵巧手、关节模组、运动控制……这些决定了一台机器人“能不能动”。

但当机器人开始面对更加复杂的开放环境，一个新的问题越来越明显：

机器人知道自己应该做什么吗？

比如，给机器人一个任务：

> “按照从下到上的顺序，把红、蓝、绿、黄四个积木叠起来。”

对于一个主要负责低层动作生成的模型而言，它可以学会“抓住积木”“移动到目标位置”“松开夹爪”，却未必能够理解四个动作之间的任务顺序。

这也是清科灵境希望通过 WAM 与高层 VLM 协同解决的问题。

在清科灵境的技术方案中，WAM 接收机器人当前的 RGB 图像、关节状态、夹爪状态以及语义指令，生成一段连续的机器人动作；与此同时，它还会预测这段动作执行过程中，场景在视觉上可能发生怎样的变化。

而在 WAM 之上，清科灵境引入高层 VLM。

VLM 负责理解完整任务、判断机器人当前处于什么阶段，并决定下一步应该完成哪个 manipulation subgoal。

例如：

“拿起香蕉并把它放进碗里。”

对于高层模型来说，这就是一个完整的操作目标。

至于靠近香蕉、闭合夹爪、抬起香蕉、移动到碗上方、打开夹爪等连续动作，则交给 WAM 完成。

这形成了一个清晰的分工：

VLM 决定“做什么”，WAM 决定“怎么做”。

2、真正有意思的地方，是让机器人“一边做，一边想下一步”

如果只是 VLM + WAM，这并不是这套方案最值得关注的地方。

清科灵境真正试图解决的，是机器人系统里一个非常现实的问题：

高层模型太慢。

传统方式往往是：

执行当前动作 → 等动作完成 → 调用 VLM 思考下一步 → 再调用低层策略执行。

对于复杂任务来说，机器人可能大量时间都耗在等待模型推理上。

清科灵境的做法，是把这两个过程直接重叠起来。

机器人执行当前动作的时候，WAM 同时预测未来视觉状态；高层 VLM 不需要等机器人真正到达那个状态之后才开始思考，而是可以根据 WAM 预测出的未来场景，提前判断下一步应该完成什么操作。

于是整个系统同时运行三个过程：

机器人执行、低层 WAM 推理、高层 VLM 推理。

机器人还在做第一步的时候，系统已经开始思考第二步。

这套设计的关键，是让高层推理不再完全成为机器人执行流程中的“等待环节”，而是尽可能隐藏在机器人当前动作的执行时间里。

对于需要连续完成多个操作的机器人任务而言，这种异步方式有机会进一步降低高层模型推理带来的等待时间。

3、甚至连 VLM“还没说完的话”，都可以被拿来抢跑

清科灵境进一步增加了一个轻量级的Speculator 模型。

高层 VLM 的输出是逐步生成的。在完整答案生成之前，系统已经能够看到一部分 VLM 输出。

Speculator 会读取这些已经生成的部分内容，并提前预测一个临时的下一步高层指令。

例如，VLM 还没有完全输出最终结果，Speculator 已经可以预测下一步可能是：

“拿起红色方块并把它放进托盘。”

这条临时指令可以提前发送给 WAM。

于是，WAM 不需要等待 VLM 完全结束，就可以开始生成下一段机器人动作。

等 VLM 最终完成推理后，如果最终指令和 Speculator 的预测一致，之前启动的 WAM 推理可以继续使用；如果两者不一致，则系统根据最终 VLM 指令进行修正。

最终的语义决策权仍然掌握在 VLM 手中，但系统已经提前利用了等待时间。

这套机制本质上是一种推测式执行。

它解决的并不是“模型聪不聪明”的问题，而是一个非常工程化的问题：

怎样让机器人在等待 AI 大脑思考的时候，尽可能不要停下来。

4、从“动作生成”到更完整的机器人智能系统

从技术架构来看，清科灵境实际上试图建立的是一个分层的机器人智能系统。

最底层是机器人本体和实时控制。

中间是 WAM，负责根据当前机器人状态和语义指令生成连续动作，同时预测动作执行过程中可能出现的未来视觉状态。

再往上，是高层 VLM，负责理解整体任务、判断当前任务进度，并决定机器人下一步应该完成什么操作目标。

最终，Agent Controller 将机器人、WAM、VLM 和 Speculator 连接起来，根据当前能够获得的最新语义信息，决定下一轮 WAM 应该执行哪一条高层指令。

这种架构背后的核心思路，是把机器人的任务理解、动作生成和实时执行进行分层，同时让不同模块之间的计算尽可能并行。

其中，一个关键设计是 WAM 的未来视觉预测。

机器人执行当前动作的同时，WAM 已经开始预测接下来场景可能发生的变化；高层 VLM 则可以利用这些预测结果，提前判断任务接下来应该往哪个方向推进。

这样一来，高层决策就不必完全等待机器人完成当前动作之后才启动，而是可以与机器人执行过程重叠。

对于需要连续完成多个操作的复杂机器人任务来说，这种异步的决策方式，有机会进一步降低高层模型推理带来的等待时间。

5、RoboLab 第一名之外，清科灵境想做的，是具身智能的公共技术底座

RoboLab 的成绩为这条技术路线提供了一次公开的能力验证。

但如果把视线从一次 benchmark 拉长，清科灵境真正希望构建的，并不只是一个在特定任务上取得高分的机器人模型，而是一套能够持续支撑机器人学习、训练和落地的技术体系。

在清科灵境看来，具身智能真正走向大规模应用，仍然面临几个基础问题：机器人对物理世界的理解和交互能力尚未完全解决，训练数据不足限制了模型泛化，同时数据在机器人系统中的流转效率、推理响应速度和执行稳定性，也直接影响机器人能否进入真实商业场景。

因此，清科灵境目前围绕OASIS WAM、混合数据平台和 Dora OS三个核心技术方向展开。

第一层，是 OASIS WAM世界动作模型，解决机器人的“大脑”问题。

OASIS WAM面向通用机器人，承担任务理解、动作规划、状态预测、长程任务和泛化执行等能力。

在具体系统中，WAM 并不是孤立工作的动作生成模型。它可以根据当前机器人状态和语义指令生成连续动作，同时预测动作执行过程中可能出现的未来视觉状态；高层 VLM 则负责理解整体任务、判断当前任务进度，并决定下一步应该完成什么操作目标。

通过这种分层架构，机器人可以在执行当前动作的同时，提前对下一阶段任务进行推理，从而把高层模型的计算与机器人执行过程尽可能重叠起来。

第二层，是混合数据平台，解决具身智能“从哪里学习”的问题。

与纯数字世界中的 AI 模型不同，机器人需要大量真实世界交互数据，而真实机器人数据的采集成本高、效率低，也很难覆盖复杂多样的环境。

清科灵境希望通过真实数据、众包数据和仿真数据的结合，建立持续的数据获取和迭代体系，并通过机器人评测进一步形成数据闭环。

这意味着，机器人不只是依赖一次训练得到一个模型，而是通过真实世界、仿真环境和评测体系持续获得反馈，再反过来推动模型能力迭代。

从这个角度看，RoboLab 的价值也不只是一个排行榜。

它提供了一套标准化的机器人任务测试环境，让不同策略能够在相对统一的任务体系中接受泛化能力检验。

第三层，是 Dora OS，解决具身智能系统“如何高效运行”的问题。

当机器人同时运行视觉、语言、动作等多模态模型时，系统面对的已经不只是传统机器人控制问题，还包括大量高频数据的通信、设备管理、算法管理、任务调度以及端边协同。

Dora OS 正是从这一层切入，定位为具身智能原生操作系统，承担数据通信、设备管理、算法管理、任务调度和端边协同等基础能力。

三者组合起来，构成了清科灵境对于具身智能基础设施的整体思路：

OASIS WAM负责让机器人“会思考、会行动”；混合数据平台负责让机器人“持续学习”；Dora OS 则负责让这些能力真正高效地运行在不同机器人本体上。

而这也是清科灵境希望成为“具身智能行业公共技术底座”的原因。

向上，它可以支撑医疗科研、工业制造、巡检运维、教育科研、智能物流等不同应用场景；向下，则可以兼容机械臂、智能复合机器人、人形机器人、四足机器人以及 AGV/AMR 等不同类型的机器人本体。

这种平台化路线的价值在于：基础能力可以一次建设，在不同场景中持续迭代，不同机器人本体可以共享复用，从而减少不同企业重复建设“大脑”、数据体系和操作系统的成本。

对于机器人企业而言，这意味着它们可以更加专注于自己的本体能力和具体应用场景，而不必每一家都从头开始搭建一套完整的机器人智能基础设施。