当下，具身智能的商业化正面临瓶颈。北京大学与BeingBeyond联合发布的BeTTER基准指出，最先进的VLA模型（视觉-语言-动作模型）在面对空间布局偏移时，成功率呈断崖式下跌。此外，斯坦福大学的研究也表明，在复杂的接触式任务中，#VLA模型存在“精度失效”与“力失效”两个相互独立的痛点。简而言之，现有的VLA机器人只是统计学模仿者，并不真正懂得杯壁厚度、摩擦力或重心的改变，缺乏对物理世界的真实感知。
为打破这一僵局，在第五届全球数字贸易博览会上，由高文院士领衔的AVS先进视觉系统研究中心孵化的美梦空间（Memo），联合战略投资方索辰科技（688507.SH），正式发布了两项突破性成果：首个具备物理感知能力的Physical-WAM（物理-世界动作模型）和行业首个物理漂移评测基准RoboTwin-Phys。2026年8月，物理AI领军企业索辰科技完成了对美梦空间的独家种子轮战略投资，两者的深度协同正加速物理世界模型的研发落地。
传统机器人训练极度受限于数据。与文本和图像领域动辄数十亿级的数据量相比，机器人物理交互样本仅处于百万量级。物理交互数据的采集硬件损耗大、周期长，且本体间迁移困难。为此，美梦空间提出的Physical-WAM在感知输入与动作输出之间引入了一层“物理Token”表征，旨在让模型不仅能预测“下一帧画面”，更能理解“画面变化的物理成因”。
具体而言，Physical-WAM由三个核心模块构成：PhysLens（物理翻译器）负责从多模态信号中显式估计摩擦、重量和重心等不可直观观测的物理信息并转化为物理Token；PhysDream（物理预言家）结合当前状态预测滑脱、形变等风险；而PhysAct（动作生成器）则基于物理条件实时修正机器人动作。例如，在抓取纸杯并注水的过程中，系统能实时感知重量变化并调整抓握力度，展现出人类般的“物理直觉”。
除了模型本身，美梦空间还推出了RoboTwin-Phys评测基准。传统的具身智能评测主要测量任务完成度，对物理参数扰动不具备鲁棒性。RoboTwin-Phys在RoboTwin的基础上，新增了13类物理扰动因素，涵盖物体属性、接触属性、阻尼、环境及相机配置五大维度。它通过提供物理真值、固定种子配对评估和递进式逻辑，精确定位模型在感知、预测和执行链条中的失效环节，为具身智能的迭代提供了标尺。
具身智能Agent长期以来受困于“Sim-to-Real”（仿真到真实世界）的鸿沟。传统的VLA模型（如谷歌的RT-2）本质上是基于像素到动作的端到端映射，缺乏对物理底层逻辑的建模。美梦空间与索辰科技推出的Physical-WAM，通过引入显式“物理Token”，标志着具身Agent正从“视觉模仿时代”迈向“物理直觉时代”。相比单纯依靠多模态大模型（VLM）进行高维推理，物理世界动作模型（WAM）通过解耦物理属性（如摩擦力、刚度），能让Agent在未见过的物理环境中具备零样本泛化能力。这种将经典物理引擎先验与深度学习模型表征融合的路径，不仅能大幅降低机器人的物理数据采集成本，更将成为未来工业、服务业具身Agent走向全自主化（L4-L5级具身智能）的底层技术基石。这为整个AI Agent生态在探索真实物理世界交互上，提供了一条极具启发性的高可行性演进路径。
