千诀发布机器人世界模型Polibrain：先预测行动后果，再做动作

千诀发布了自己的预测式世界模型Polibrain，目标不是生成更逼真的视频，而是让机器人在动手之前先推演"这一步做下去会发生什么"。按照公司给出的思路，这相当于先画出一张可用于预测和规划的地图，再决定路线，而不是在真实世界里反复试错。

这与当前主流的VLA路线形成对照。VLA更接近"看到什么就输出什么动作"，而Polibrain试图学习环境状态、历史信息与行动结果之间的关系，在任务相关的潜在表征空间中预测状态变化。对一台正在捡垃圾的四足机器狗来说，地面颜色和背景纹理并不重要，真正关键的是垃圾的位置、机械臂与目标的相对关系，以及抓取动作会如何改变目标状态。

在系统层面，Polibrain把环境感知、状态理解、行动预测、任务决策、动作执行和反馈调整连成闭环。执行结果与预测不一致时，模型会依据新的环境状态重新评估任务并调整后续动作；它还支持通过关键特征解码追踪预期状态与实际结果的偏差，用于异常定位和任务恢复。

为了让不同形态的机器人共用同一套"大脑"，千诀把面向环境与任务的共用表征，与具体机器人的动作执行能力相对分离。理解世界的能力可以共享，怎么执行则交给不同本体按自身能力决定。目前公司已在人形、轮式、单臂、双臂等形态上开展适配，探索陪伴服务、餐饮服务、物品整理和精细操作等任务。

支撑这套方法的是千诀与清华大学团队的研究积累。2025年双方在ICML发表《When Do Neural Networks Learn World Models?》，研究神经网络在什么条件下能从观测数据中恢复隐藏的世界结构；2026年5月，LeCun等人发表《When Does LeJEPA Learn a World Model?》，讨论相近的隐变量可辨识性问题。从公开时间看，千诀团队在相近方向上的论文早了约一年。

具体方法上，团队提出"多项式表征"来减少模型对背景纹理、光照等场景细节的记忆，并引入"因果记忆"判断某段历史观测是否会影响后续决策，从而决定是否保留。文章还提到一个叫Effective Degree的指标，用正交多项式拟合模型输出、按不同阶次成分的权重计算函数复杂度，试图为"模型学到了多复杂的函数"提供一把可计算的标尺。

需要冷静看待的是，这些基础研究提供的是技术依据，不等于产品已经验证。文章本身也承认，这套机制在复杂场景中的可靠性还需要更完整的实测数据，跨本体复用能否在真实任务中稳定成立，目前没有公开的量化结果。

世界模型正成为机器人赛道的新竞争点：LeCun持续押注预测式路线，李飞飞的World Labs探索可交互3D世界，而千诀选择从物理规律与跨本体复用切入。接下来值得关注的是Polibrain在真实任务中的成功率、不同本体迁移时的性能衰减，以及公司是否会公布可复现的评测结果。