宇树科技发布人形机器人自主格斗相关博文这是全球首次由世界模型实时驱动的全自主人形机器人格斗演示。驱动这台机器人的，就是宇树刚发布的UnifoLM-X2-1.0世界-动作大模型。
但“世界-动作大模型”这个名字，和“ChatGPT”放在一起，容易让人误以为它们是同一个物种。实际上，它们之间的差异，不比一个拳击手和一个语言学家之间的差异小。
它不是在“理解语言”，而是在“推演物理后果”要理解这个差异，先看G1在擂台上到底做了什么。
人类一拳从启动到命中，快则零点几秒。在这段时间里，机器人要做完四件事：看清对手的动作、评估威胁、决定怎么应对、把指令下发给全身关节。按传统的做法，这四步是串行的——相机采集、状态估计、规划求解、电机响应，每一步都在吃掉时间预算。
环环相加，拳头到了眼前，指令还在路上。
宇树的解法是把“反应”变成“预判”。UnifoLM-X2-1.0在内部运行了一个推演引擎：给定当前的观测状态和一组候选动作，它先算一遍每种动作接下来会导致什么结果——重心会不会偏移、对手会不会反击、碰撞之后受力怎么分布——然后挑一条最有利的轨迹交给身体执行。
六格画面展示实拍场景与模型预测结果类比一下：你下棋的时候，不会等对手走完再想怎么应对。你会在脑子里预演：“如果我走这一步，他可能会走那几步，然后我再用这一步反击。”
UnifoLM-X2-1.0做的事情，本质上就是在物理世界里下棋，只是它的“棋盘”是擂台，它的“棋子”是全身关节，它的“对手”是一个会实时移动、会攻击的人类拳手。
ChatGPT不是这么工作的。你问它一个问题，它把你的话拆成一个个token，然后在它见过的所有文本里，找一个概率最高的token接在后面，如此往复，直到生成一个完整的回答。这个过程中，它唯一需要遵守的规则是语义逻辑——话要通顺，上下文要连贯，不能自相矛盾。
它没有身体，没有重量，不需要考虑重力，不需要担心一脚踢空之后会不会摔倒。
UnifoLM-X2-1.0的每一步推演，都必须遵守物理规律：重心不能偏出支撑面、关节扭矩不能超过上限、碰撞之后要能恢复平衡。推演的结果不是一段文字，是一组关节角度、力矩和运动轨迹，直接转化成电机指令，没有任何中间的文字翻译环节。
同一个模型，两套完全不同的“输入输出系统”你把ChatGPT和UnifoLM-X2-1.0放在一起对比，最能看出差异的地方是输入和输出。
ChatGPT吃的是文字。你打一段话，它把这段话切成令牌，然后逐个处理。输入是离散的、有边界的——你打完字、按下回车，它才开始工作。输出也是文字，生成完最后一个字，任务就结束了。这一轮对话和下一轮对话之间，没有物理上的连续性。
UnifoLM-X2-1.0吃的是连续物理信号。G1身上装着视觉相机和关节力矩传感器，它们同步采集对手的实时动作、自己每个关节的角度和受力情况，形成毫秒级的连续观测流。没有“输入结束”这个概念——物理世界不会停下来等你，对手的拳头不会等你打完字再挥过来。
输出也不是文字。模型推演完，直接生成一组关节动作序列：出拳、格挡、后撤、扫腿。这些指令下发到电机之后，机器人在碰撞瞬间收到的力矩反馈立刻进入下一轮感知-推演-决策循环，全程没有人工遥控，没有预设脚本。
把这个对比再简化为一个更直观的类比：ChatGPT像是你手机里的语言助手，你跟它聊完，它就回到待机状态，等你下一次召唤。
UnifoLM-X2-1.0像是你开车时的身体本能——你看到前车急刹，脚已经踩下去了，你不需要先把“前车刹车”翻译成文字，再分析“我应该减速”，再下达“踩刹车”的指令。你的眼睛、大脑、脚，在毫秒级别完成了一个闭环，中间没有语言介入。
这就是宇树创始人王兴兴说的“输入输出对齐”问题。他在2026年世界机器人大会上直言，机器人目前最大的瓶颈就是AI模型的输入和输出对齐程度不够，每输入输出一次都会产生偏差，导致全世界的模型真实成功率都比较差。
UnifoLM-X2-1.0这次演示，就是在尝试把这个对齐做到搏击场景下可用。
能打拳，不等于能干活但这段38秒的视频，也把UnifoLM-X2-1.0的边界暴露得很清楚。
它目前只验证了格斗这一个场景。换一个没有提前调试过的陌生环境，比如一个堆满杂物的客厅、一条光线不稳定的走廊，它的任务成功率会显著下降。每切换一个全新任务，都需要重新针对真机环境做适配，做不到像ChatGPT那样零样本跨领域通用。
工作人员通过体感设备操控人形机器人英伟达机器人研究负责人Jim Fan曾明确指出，这类世界动作模型存在一个内生缺陷：视频预测如果出现“物理幻觉”——也就是模型推演的未来状态和真实物理世界之间出现像素级的偏差——这个偏差会直接转化成动作失败。
他展示过一个例子，某模型在解迷宫时，因为预测画面里“省略”了几何结构，导致机器人走错了路。
还有更根本的能力边界。UnifoLM-X2-1.0可以做物理对抗，但它做不了抽象逻辑推导，做不了跨语种文本生成，做不了数学猜想的证伪，做不了代码编写。这些纯符号领域的任务，恰恰是ChatGPT这类语言模型的主场。
反过来也一样——你把ChatGPT接到一台机器人身上，让它控制身体打拳，它连“重心”是什么都不知道，因为它只在文字里见过这个词，没有体验过倾斜身体时重力对关节的拉扯。
王兴兴自己对这个差距的判断很清醒。他给出了一个“具身智能ChatGPT时刻”的标准：当机器人能在80%的陌生环境中，仅通过语音或文字指令就完成约80%的日常任务，才算真正迈过了门槛。他预计这个节点快则2到3年，慢则5到10年。
人形机器人可通过语音指令完成指定任务UnifoLM-X2-1.0这次演示的意义，不在于它已经能替代人类拳手，而在于它第一次把“世界模型驱动”这条路从纸面推到了擂台——它证明了，让机器人在脑子里推演物理后果、在毫秒内完成感知-决策-执行的闭环，在极限对抗场景下是可行的。
至于这条路能走多远，要看它能不能从擂台走到客厅，能不能从格斗泛化到折叠毛巾、收纳玩具、插花这些更接近日常的任务。用王兴兴的话说，真正的爆发时刻，还在未来1到2年里。