世界模型这词最近被机器人和自动驾驶用得快成专属名词了，但生数科技把它拆成理解、想象、行动三段，反而讲清了它不只是「预测下一帧」。他们的逻辑是同一套基座：Vidu负责生成会持续变化的数字世界，Vidu S1把用户的实时指令纳进生成循环、能连续交互，Motubrain则把理解和预测转成机器人能执行的动作，底层用MoT架构让像素空间和动作空间共用一套。
作为做产品的，我最想盯的是那个正向循环能不能真跑通——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。
愿景是够大，但最后还得看内容提效和机器人稳定落地这两头的账算不算得过来。