「One World One Model」——这并非一句营销口号，而是超脑未来对下一代人工智能底层架构的核心判断。

当世界模型赛道仍围绕像素生成、隐空间建模与空间智能展开竞争时，超脑未来选择了一条更少有人涉足的路径：群体世界模型。它关注的不是如何让单个智能体更逼真地模拟世界，而是如何让多个智能体共享同一套世界认知、预测同一个未来，并据此完成协同行动。

今天，WorldDreamer V4 正式发布。与大多数面向单一智能体构建的世界模型不同，WorldDreamer V4 从训练阶段便以多智能体为基本单位。其背后的判断直截了当：真实世界的自动化不可能由一台"全能机器人"独立完成，具身智能的终局是多种机器人之间的长期协同。因此，WorldDreamer V4 并不是对某个细分场景的妥协，而是对机器人智能终局的一次押注——自动化的终点，从来不是单兵能力的无限叠加，而是群体协作能力的系统涌现。

这也意味着，世界模型正在经历一次更深层的范式迁移：从单体智能走向群体智能，从观察世界、预测世界，进一步走向组织智能体共同改变世界。

让机器人共享一个世界大脑

过去，机器人智能长期面临一个核心瓶颈：一个机器人拥有一个模型。机械臂、无人车、四足机器人、人形机器人往往分别训练、分别部署，每一个机器人都像一个孤立的信息孤岛。即使多个机器人同时工作，也通常依赖高频通信来交换状态、意图和任务规划。

超脑未来认为，下一代机器人智能的核心不是让机器人交换更多信息，而是让机器人共享同一个世界模型。基于这一理念，WorldDreamer V4 被定位为群体智能体世界动作基础模型（Shared World-Action Model），其核心能力覆盖五个维度：理解复杂物理环境、建模多智能体之间的关系、预测未来世界状态、生成多智能体联合动作，以及支持不同机器人形态之间的知识迁移。协作的终点不是沟通，而是默契。

多智能体端到端预训练：从局部观察学习全局协同

WorldDreamer V4 的核心创新是一套全新的 Multi-Agent End-to-End Pretraining Architecture（多智能体端到端预训练架构）。在训练过程中，多个 Agent 同时参与同一个任务场景，每个 Agent 拥有不同的视角、不同的观测和不同的局部信息。模型通过视觉观测、状态信息、任务指令和动作轨迹，学习一个关键能力：一个 Agent 如何理解整个世界，以及其他 Agent 将如何行动。

这一架构的关键技术是 Masked Agent Modeling。训练时，模型随机隐藏部分 Agent 的状态，仅提供少量可见信息，然后要求模型预测被隐藏 Agent 的当前状态、未来动作以及群体协同策略。这种训练方式迫使模型学会从局部观测恢复完整世界，这与真实机器人环境高度一致——机器人永远只能看到世界的一部分，真正智能的系统需要知道看不见的地方发生了什么、其他智能体可能正在做什么、未来世界可能如何变化。随着智能体数量与数据量级的提升，模型会以尽可能全面的视角认知世界，最终逼近"上帝视角"，相当于在隐空间中构建了一个"高维认知场"。

另一项重要设计是 Shared Latent World State（共享隐式世界状态）。传统多智能体系统依赖 Agent 之间不断交换信息，但随着 Agent 数量增加，通信复杂度迅速增长。WorldDreamer V4 的做法是让所有 Agent 不再同步大量信息，而是共同依赖一个不断演化的世界模型。这带来一种新的协同范式：从"传递信息"升级为"预测信息"。当所有 Agent 对未来世界拥有一致预测时，群体协同便自然产生。

双榜验证：从机器人控制到世界生成的统一能力

强大的模型能力需要经过真实挑战验证。WorldDreamer V4 已在多个国际权威 benchmark 中取得领先成绩。

在机器人操作领域权威基准 RoboCasa 中，WorldDreamer V4 取得榜单第一。值得注意的是，该测试采用盲测方式，模型并未针对 RoboCasa 任务进行专项微调或"应试式训练"，而是依靠此前的大规模多智能体预训练能力，直接展现出强大的机器人操作泛化能力。这证明了一个重要结论：多智能体预训练学习到的并不是某几个机器人的操作技巧，而是更通用的世界动作规律。尤其在复杂组合任务和未见任务场景中，WorldDreamer V4 展现出了显著优势。

在权威世界模型评测榜单 WorldScore 中，WorldDreamer V4 同样登顶。WorldScore 并非简单评价视频生成质量，而是评估模型是否具备世界一致性、相机控制能力、对象控制能力、三维空间稳定性以及动态演化能力。WorldDreamer V4 在多个关键指标中取得领先表现，这证明了它生成的不是一段孤立的视频，而是一个可控制、可运动、可保持一致的动态世界。

这两项成绩背后指向同一个趋势：机器人模型、视频生成模型和世界模型，过去通常被视为三个不同方向，但 WorldDreamer V4 展示了它们共享同一个核心问题——世界如何变化，动作如何影响世界。机器人需要预测"我执行这个动作之后，环境会发生什么"，世界模型需要预测"如果世界继续演化，未来会是什么样"，二者本质一致。WorldDreamer V4 正在探索一种统一范式：World + Action + Agent = 下一代 Physical AI 基础模型。

梅尔卡夫机器人定律：群体智能的 Scaling Law

超脑未来（World Agents）是一家专注于多智能体基础模型的 Physical AI 公司，公司愿景是"One World One Model"，致力于构建物理世界的超级大脑。其核心思路是从机器人"思维链共享"的第一性原理出发，通过 WorldDreamer 世界动作模型，将分散在机器人群体中的感知、决策与行动经验压缩到共享模型权重中，让不同形态机器人共享同一个世界模型，实现从"一脑一机"到"一脑控所有"的智能跃迁。

互联网时代，大语言模型通过海量文本数据实现能力跃迁。超脑未来相信，下一代 AI 的关键数据不再只存在于互联网，而存在于真实物理世界。由此提出了新的 Multi-Agent Scaling Law（梅尔卡夫机器人定律）：机器人数量越多，产生的数据越丰富，世界模型越强，机器人能力越高，可部署场景越广。这套正反馈循环意味着，未来一个世界模型可以连接工业机械臂、AGV、四足机器人、人形机器人、无人机、商业服务机器人乃至空间机器人，让所有机器人共享同一个不断进化的智能基础设施。

从 ChatGPT 让机器理解语言，到 WorldDreamer 让机器理解物理世界，人工智能正在经历下一次跃迁。语言智能解决的是人类如何与数字世界交互，世界智能解决的则是机器如何进入并改变物理世界。WorldDreamer V4 的发布，标志着世界模型正式进入群体智能时代。未来，机器人不再只是执行命令的机器，它们将拥有共同的世界认知、共同的经验积累，以及共同进化的智能。

「One World One Model」——这并非一句营销口号，而是超脑未来对下一代人工智能底层架构的核心判断。

当世界模型赛道仍围绕像素生成、隐空间建模与空间智能展开竞争时，超脑未来选择了一条更少有人涉足的路径：群体世界模型。它关注的不是如何让单个智能体更逼真地模拟世界，而是如何让多个智能体共享同一套世界认知、预测同一个未来，并据此完成协同行动。

今天，WorldDreamer V4 正式发布。与大多数面向单一智能体构建的世界模型不同，WorldDreamer V4 从训练阶段便以多智能体为基本单位。其背后的判断直截了当：真实世界的自动化不可能由一台"全能机器人"独立完成，具身智能的终局是多种机器人之间的长期协同。因此，WorldDreamer V4 并不是对某个细分场景的妥协，而是对机器人智能终局的一次押注——自动化的终点，从来不是单兵能力的无限叠加，而是群体协作能力的系统涌现。

这也意味着，世界模型正在经历一次更深层的范式迁移：从单体智能走向群体智能，从观察世界、预测世界，进一步走向组织智能体共同改变世界。

让机器人共享一个世界大脑

过去，机器人智能长期面临一个核心瓶颈：一个机器人拥有一个模型。机械臂、无人车、四足机器人、人形机器人往往分别训练、分别部署，每一个机器人都像一个孤立的信息孤岛。即使多个机器人同时工作，也通常依赖高频通信来交换状态、意图和任务规划。

超脑未来认为，下一代机器人智能的核心不是让机器人交换更多信息，而是让机器人共享同一个世界模型。基于这一理念，WorldDreamer V4 被定位为群体智能体世界动作基础模型（Shared World-Action Model），其核心能力覆盖五个维度：理解复杂物理环境、建模多智能体之间的关系、预测未来世界状态、生成多智能体联合动作，以及支持不同机器人形态之间的知识迁移。协作的终点不是沟通，而是默契。

多智能体端到端预训练：从局部观察学习全局协同

WorldDreamer V4 的核心创新是一套全新的 Multi-Agent End-to-End Pretraining Architecture（多智能体端到端预训练架构）。在训练过程中，多个 Agent 同时参与同一个任务场景，每个 Agent 拥有不同的视角、不同的观测和不同的局部信息。模型通过视觉观测、状态信息、任务指令和动作轨迹，学习一个关键能力：一个 Agent 如何理解整个世界，以及其他 Agent 将如何行动。

这一架构的关键技术是 Masked Agent Modeling。训练时，模型随机隐藏部分 Agent 的状态，仅提供少量可见信息，然后要求模型预测被隐藏 Agent 的当前状态、未来动作以及群体协同策略。这种训练方式迫使模型学会从局部观测恢复完整世界，这与真实机器人环境高度一致——机器人永远只能看到世界的一部分，真正智能的系统需要知道看不见的地方发生了什么、其他智能体可能正在做什么、未来世界可能如何变化。随着智能体数量与数据量级的提升，模型会以尽可能全面的视角认知世界，最终逼近"上帝视角"，相当于在隐空间中构建了一个"高维认知场"。

另一项重要设计是 Shared Latent World State（共享隐式世界状态）。传统多智能体系统依赖 Agent 之间不断交换信息，但随着 Agent 数量增加，通信复杂度迅速增长。WorldDreamer V4 的做法是让所有 Agent 不再同步大量信息，而是共同依赖一个不断演化的世界模型。这带来一种新的协同范式：从"传递信息"升级为"预测信息"。当所有 Agent 对未来世界拥有一致预测时，群体协同便自然产生。

双榜验证：从机器人控制到世界生成的统一能力

强大的模型能力需要经过真实挑战验证。WorldDreamer V4 已在多个国际权威 benchmark 中取得领先成绩。

在机器人操作领域权威基准 RoboCasa 中，WorldDreamer V4 取得榜单第一。值得注意的是，该测试采用盲测方式，模型并未针对 RoboCasa 任务进行专项微调或"应试式训练"，而是依靠此前的大规模多智能体预训练能力，直接展现出强大的机器人操作泛化能力。这证明了一个重要结论：多智能体预训练学习到的并不是某几个机器人的操作技巧，而是更通用的世界动作规律。尤其在复杂组合任务和未见任务场景中，WorldDreamer V4 展现出了显著优势。

在权威世界模型评测榜单 WorldScore 中，WorldDreamer V4 同样登顶。WorldScore 并非简单评价视频生成质量，而是评估模型是否具备世界一致性、相机控制能力、对象控制能力、三维空间稳定性以及动态演化能力。WorldDreamer V4 在多个关键指标中取得领先表现，这证明了它生成的不是一段孤立的视频，而是一个可控制、可运动、可保持一致的动态世界。

这两项成绩背后指向同一个趋势：机器人模型、视频生成模型和世界模型，过去通常被视为三个不同方向，但 WorldDreamer V4 展示了它们共享同一个核心问题——世界如何变化，动作如何影响世界。机器人需要预测"我执行这个动作之后，环境会发生什么"，世界模型需要预测"如果世界继续演化，未来会是什么样"，二者本质一致。WorldDreamer V4 正在探索一种统一范式：World + Action + Agent = 下一代 Physical AI 基础模型。

梅尔卡夫机器人定律：群体智能的 Scaling Law

超脑未来（World Agents）是一家专注于多智能体基础模型的 Physical AI 公司，公司愿景是"One World One Model"，致力于构建物理世界的超级大脑。其核心思路是从机器人"思维链共享"的第一性原理出发，通过 WorldDreamer 世界动作模型，将分散在机器人群体中的感知、决策与行动经验压缩到共享模型权重中，让不同形态机器人共享同一个世界模型，实现从"一脑一机"到"一脑控所有"的智能跃迁。

互联网时代，大语言模型通过海量文本数据实现能力跃迁。超脑未来相信，下一代 AI 的关键数据不再只存在于互联网，而存在于真实物理世界。由此提出了新的 Multi-Agent Scaling Law（梅尔卡夫机器人定律）：机器人数量越多，产生的数据越丰富，世界模型越强，机器人能力越高，可部署场景越广。这套正反馈循环意味着，未来一个世界模型可以连接工业机械臂、AGV、四足机器人、人形机器人、无人机、商业服务机器人乃至空间机器人，让所有机器人共享同一个不断进化的智能基础设施。

从 ChatGPT 让机器理解语言，到 WorldDreamer 让机器理解物理世界，人工智能正在经历下一次跃迁。语言智能解决的是人类如何与数字世界交互，世界智能解决的则是机器如何进入并改变物理世界。WorldDreamer V4 的发布，标志着世界模型正式进入群体智能时代。未来，机器人不再只是执行命令的机器，它们将拥有共同的世界认知、共同的经验积累，以及共同进化的智能。