信度启源“白盒世界模型”

8月6日，具身智能赛道又迎来一名重磅玩家。

据行业报道，一家名为“信度启源”的初创公司，用一套基于“不确定微分几何”的白盒世界模型，让一台人形机器人在没有针对场景做过任何标定、没有针对“抓取水杯”做过一次预训练的情况下，顺畅完成了从语音指令到抓取递送的全流程。

在具身智能行业被端到端大模型叙事主导的2026年，这条消息的意义非常特别。它提出的，是一条与主流范式截然不同却极富想象力技术路线——不是数据驱动，不是规则驱动，而是“理论驱动”；不是黑盒，而是“白盒”；不是用大模型技术逼近物理因果，而是用数学公理直接推演物理世界的可信边界。

这条路线被称作“第三条道路”。但它究竟是具身智能的真正破局，还是一次过于超前的理论实验？要回答这个问题，不妨先回到这家公司本身，看看它的技术内核究竟由什么构成。

01.

 信度启源做了什么

信度启源今年刚刚成立，由清华大学数学科学系教授刘宝碇牵头。

刘宝碇在学术界最知名的身份，是不确定理论（Uncertainty Theory）的开创者。这门理论始于20世纪90年代，旨在处理概率论无法覆盖的那类不确定性——没有频率稳定性、无法重复实验、依赖主观信度的现象。代表作《Uncertainty Theory》由德国施普林格出版，被译成俄文、日文、中文和波斯文，已经形成了独立的学术脉络。

 

清华大学数学科学系教授刘宝碇

信度启源的技术核心，是将这套数学理论延伸到微分几何领域，形成“不确定微分几何”。在经典微分几何描述机器人空间运动的基础上，用不确定理论建模现实世界中无处不在的扰动，从而计算出每个动作的“可信边界”。团队将这个框架称为“信度世界模型”，由听觉、触觉、视觉、校验、预测、决策、控制七个模块构成。

团队记录了一个演示场景：清华科技园的办公室里，一台人形机器人面对一个被推到随机位置的纸杯，在没有任何预训练和场景标定的情况下，以正常人类速度完成抓取，动作没有试探和犹豫。报道称，从采购机器人本体到部署算法、完成调试，只用了一个月。

团队称这套方案无需海量数据预训练即可完成抓取递送，可将产线定制周期从数月压缩至“部署即用”，目前已开启新一轮融资。

02.

在行业语境中定位

当前具身智能的主流技术架构，大致可分为两派。

第一派是端到端大模型，代表如Google RT系列等。其核心逻辑是数据驱动，用一个统一的神经网络将感知输入直接映射为动作输出。这条路线的问题在于可解释性差，且对海量数据和算力高度依赖，在场景迁移时往往需要重新采集和训练。用信度启源团队的话说，“用统计相关性去逼近物理世界的因果必然性，本质上是在用掷硬币的逻辑，去驾驭从不重复的真实世界”。

第二派是分层式架构，也称“大脑-小脑”架构，代表如Figure Helix、英伟达GROOT N1等。它将任务分解为高层规划（“大脑”）和底层控制（“小脑”）等模块，各自独立优化。这种路线更易于工程落地、响应速度快，但模块间可能存在误差累积，跨任务的泛化能力相对较弱。值得一提的是，Boston Dynamics的现代路线也广泛融合了模型预测控制与强化学习，早已超越了早期“规则驱动”的范畴。

 

需要明确的是，这两种路线并非完全对立，行业实践中已呈现融合趋势，例如混合架构和世界模型与VLA体系的结合等。

而信度启源走的“第三条路”则更为独特：理论驱动、白盒、从数学公理推演。

它的核心主张是：物理世界的规律是确定的，不确定的只是我们对状态的观测和执行的精度。与其用数据拟合一个统计模型，不如直接用数学描述物理规律，再把不确定性作为一个可计算的边界来处理。这与前述两种依赖数据或预设规则的主流路线形成了根本性差异。

但信度启源的技术范式建立在不确定理论之上，而该理论作为一门新的数学分支，其公理体系与应用边界仍在学界深入探讨中。这需要放在学术生态的语境中理解：主流学界对于任何新理论在诞生初期都难免持审慎态度，概率论本身也曾经历过漫长的争议期。

值得注意的是，无论学界如何争论，信度启源在产业叙事中已经为自己找到了一个清晰的参照系。

03.

信度启源与“白盒世界模型”

信度启源将自己定位为“白盒世界模型”。而“世界模型”恰恰是2026年具身智能领域最热的概念之一。

这一年，世界模型赛道非常拥挤。

上海创智学院与智元机器人联合发布了参数量达5B、预训练数据约3万小时的开源具身世界模型τ-0WM；蚂蚁灵波发布了全球首个开源的自回归视频-动作世界模型LingBot-VA；大晓机器人在WAIC上发布了开悟世界模型3.1。行业不少人称“2026年是世界模型元年”。

但热潮之下是概念的高度未收敛。世界模型仍处于概念未收敛、技术路线未收敛、数据标准未收敛的早期阶段，大部分工作停留在视觉生成层面，距离真正的物理世界理解尚有距离。

信度启源在这个拥挤的赛道中试图打出的差异化牌是“白盒”。

与所有基于神经网络的世界模型不同，它的核心计算模块不依赖深度学习，每一步都有明确的数学支撑，决策可追溯、可解释。

这个定位在理论上极具吸引力，但产业上当然也面临挑战。白盒的优势在于可解释、可验证、不需要海量数据；挑战在于，数学模型的表达能力有限，而现实世界的复杂程度往往会超出数学描述能力。

04. 

怎么看待这条“第三条道路”

信度启源的技术路线，在具身智能行业提供了一个难得的“反共识”样本。

当前行业的主流叙事是“规模即智能”——更大的模型、更多的数据、更强的算力，就能解决一切问题。信度启源挑战的正是这个假设：它认为物理世界的规律不需要用海量数据去“拟合”，而可以用数学去“理解”。

这个思路在理论上有其合理性。人类并不需要看几百万次杯子掉落才能学会抓杯子，我们依靠的是对物理世界因果结构的理解，而不是统计相关性的记忆。如果机器人也能拥有类似的“物理直觉”，确实可能绕过数据瓶颈。

或许最公允的评价是：信度启源做了一个值得尊敬、激动人心的理论尝试，但它距离证明自己是一条可行的产业化路径，还有很长的路要走。正如其创始人所说，“这是两种世界观”。世界观的碰撞需要时间，而时间会给出最终的答案。

在具身智能这个充满不确定性的领域，信度启源至少做对了一件事：它让人们看到，除了“堆数据、堆算力”之外，还存在另一种可能性。无论这条路最终通向何方，这种探索本身，对行业的多元化发展都是有价值的。