NTT给机器人装上“先预演再动手”的物理世界模型：实验室码货成功率从73.1%升到92.3%

先说背景：机器人“看过很多视频”，仍可能判断失误

给机器人装上摄像头和人工智能后，它可以根据画面决定下一步怎么伸手、怎么放货。这一类系统常会用到所谓的“世界模型”：先在脑子里推演“我如果这么做，周围会变成什么样”，再决定要不要真的做。

问题是，很多世界模型主要靠海量视频来“猜”未来画面，并没有在内部明确记录物体的质量、朝向、速度这些物理量。结果可能很奇怪：生成的视频里，东西会凭空消失、形状变得不合理，该撞上的却没撞上。训练数据里没见过的新箱子、新摆法，也更容易失手。机场行李和快递包裹正是这类场景：形状、重量、堆法天天都在变，不可能把所有情况都拍一遍拿去训练。

NTT说它做了什么

11月11日，NTT宣布开发了一种面向“物理AI”的世界模型。物理AI可以简单理解为：让机器通过摄像头和传感器感知真实世界，自己做决定并采取行动。

这项技术的核心，是NTT所说的“物理控制适配器”。它先从视频里估计每个物体的位置、朝向、速度和质量，再用运动方程计算下一步会怎么动；然后再把这些计算结果送进视频生成模型，输出一段“如果执行这个动作，接下来会怎样”的画面。NTT称，自己是把这种适配器集成进世界模型所用的视频生成模型的第一家。这是公司自己的定位，不是独立机构的裁定。

使用方式也不要求把原有控制系统整套换掉。NTT说，它可以挂在现有的机器人控制软件、视觉-语言-动作模型或运动规划程序后面：这些程序先提出几个候选动作，世界模型分别生成未来视频，评估会不会掉落、碰撞或塌垛，再选出一个更可能成功的方案。公司还强调，模型会明确给出预测所依据的物理量，让人更容易检查“它为什么觉得这样更稳”。

实验数字和边界

NTT给出的关键测试是：用一台小型机器人做模拟码货，加上这套技术后，成功率从73.1%提高到92.3%。公司还说，在公开的OBJ3D基准（包含多物体碰撞的视频预测测试）上，新模型在LPIPS这项更接近人眼观感的相似度指标上优于传统方法。它没有在新闻稿里列出具体的LPIPS数值。

这些结果来自NTT自己的实验室和基准测试，不是机场现场的独立验收。码货测试用的是小型机器人，模拟堆叠，不能直接等同于已经能在行李转盘边稳定工作。

下一步仍是计划，不是已经落地

NTT设想的第一个应用，是形状和重量都不统一的机场行李装卸。公司计划与机器人企业Mujin合作推进实地试验，并表示后续还可能延伸到物流仓储、制造、建筑和零售。这项技术预定在2026年11月的NTT研发论坛上展出。

对普通人可能意味着什么

如果这种“先预演、再动手”的方法在真实行李和包裹场景里也站得住，仓库和机场里的搬运机器人也许会少砸一些货、少停一些工。对旅客来说，更稳定的自动装卸或许意味着行李更不容易被粗暴堆放；对仓储业来说，则是在招人困难的岗位上多一种可用的辅助。

眼下还没到那一步。现在能确认的，是NTT在实验室里提高了模拟码货的成功率，并打算把技术送进场地试验。真正的行李会更乱、更重、更不规则，场地试验的结果，才是下一步该看的东西。

原文发布时间：NTT，2026年11月11日 14:00:30（北京时间）