“世界模型”这词快被机器人和自动驾驶占成专属名词了，生数科技这套拆法反倒讲清了它不只是预测下一帧。他们自己的说法是理解、想象、行动三段，落到产品上大概是：
- 生成：Vidu 负责生成会持续变化的数字世界。
- 交互：Vidu S1 把用户的实时指令放进生成循环，能连续交互。
- 行动：Motubrain 把理解和预测转成机器人能执行的动作。
底下是同一套基座，MoT 架构让像素空间和动作空间共用一套。
我真正盯的是那个正向循环：视频预训练给机器人喂通用世界知识，机器人的真实行动再反过来补物理约束。两头能互相喂才算闭环，不然就是三款产品拼在一起讲故事。最后还得看内容提效和机器人稳定落地这两本账算不算得过来。