今天，抓取已经不是具身智能最值得惊讶的事情。让机器人完成一个抓取动作并不难，难的是让它在没有被提前告诉答案的情况下完成动作。例如没有预先标定的坐标，机器人能不能抓起一只被移动过的杯子？这个在人类看来十分简单的问题，如今却暴露了具身智能下一场竞争的真正难题。
这个问题真正值得讨论的是：杯子动了以后，机器人是否还敢直接伸手？并且继续完美执行全流程。这个简单场景背后，指向的是具身智能一个越来越现实的问题——当机器人从实验室进入工厂、仓库、商场甚至家庭，世界不会按照数据集里的方式等待它。
地面会有几毫米的高低差，物体会被人碰一下，光照会变化，传感器会延迟，电机不会百分之百精准，上一秒还在原位的东西，下一秒可能已经移动。机器人真正面对的，从来不是一个“理想的世界”。而是一个不断变化、永远存在扰动的世界。
近期，这类难题似乎得到了一种新解法，用的还是数学而非传统的AI领域方法论。机器人大讲堂发现，一家名为信度启源的公司，放出了他们的最新成果。
在视频中的一间办公室里，一台人形机器人站在桌前，桌上就放着一杯咖啡，下面是一辆带滑轮的托盘。有人提前推了一下托盘。杯子随着托盘移动，停在一个没有被标定过的位置。几秒后，一条语音指令下发：取水杯。机器人没有重新扫描场景，也没有停下来等待人工校准。它调整方向，走向桌边，站稳，伸手，抓住咖啡，再把它拿起来。
整个过程只有10多秒。视频一镜到底。最后，机器人把咖啡递到人手中，人拿到咖啡杯后，机器人就自动松手，任务丝毫无卡顿，没有出现“夺杯子”的尴尬场面，机器人松手的动作没有试探和犹豫，像一个练习了千百遍的动作，而且已经接近人的正常速度和反应。
抓取考验算准动态位置，递送要同时算准力度、时机和对方手的空间，是抓取链条里最难的一环。一个没训练过的机器人在边界内快速确定动作物理安全，所以松手干脆利落，短短十秒钟的视频，背后确是决策像人、快、可解释的最佳体现。
机器人大讲堂了解到，视频背后是一套全新的具身智能运行框架！这家刚刚成立的公司，正在把一个来自数学领域的理论体系搬进机器人，他们尝试以“不确定理论”为基础，结合不确定统计、不确定微分方程和不确定控制，构建一套名为“信度世界模型”的新范式。
它最特别的地方，不是把模型做得更大，而是试图用数学的方式，让机器人少做一次猜测，多做一次计算；少走一步弯路，直接找到动作应该怎么发生。
如果这条路最终能够在更多真实场景中成立，它改变的可能不只是一个机器人模型，而是具身智能从实验室走向产业时，对“智能”本身的理解。
01.
热钱和落地之间，隔着一道泛化鸿沟
935 亿元。这是 2026 年上半年国内具身智能赛道的融资总额，是去年同期的 5 倍。融资事件 322 笔，同比增长 137%，市场规模预计年内破万亿。资本用真金白银投票，押注机器人进入工厂和家庭。
热钱的另一面，是落地的迟疑。兴业证券 2026 年 4 月的一份深度报告把问题挑明，机器人硬件已经足够成熟，真正的瓶颈在具身大模型。当前具身大模型难以可靠处理复杂物理世界的不确定性，泛化能力较弱。机器人换一个场景就失灵，是行业里公开的难题。
数据采集、模型训练、场景标定，每一项都在烧钱，部署一台机器人进产线，往往要几个月的定制化开发。行业不缺热情，缺的是一条把机器人真正送进真实世界的路。
信度启源视频里展现的，正是这样一种新的可能性。
02.
两条主干道，面临相似的挑战
围绕机器人的大脑怎么做，行业目前有两条"主干道"。
第一条是端到端大模型路线。视觉、语言、动作全部塞进同一个神经网络，数据驱动，黑盒运行，泛化靠堆量。它的困境也由此而来，数据永远不够，分布永远不全，遇到没见过的组合，模型只能靠猜。第二条是传统控制加 AI 的混合路线。规则驱动，场景受限，工程师把物理规律一条条写进代码。规则写不完，场景一变就失灵，复杂度随着场景数量线性膨胀。
两条路殊途同归，都在用数据去逼近物理世界。而真实世界的频率远不稳定，地面不会平整，光照不会恒定，电机不会绝对精准，场景从不重复。
当数据驱动的边界显现，行业把目光转向了世界模型。与其让机器人记住每个场景，不如先让它理解物理规律，再推演动作。图灵奖得主 Yann LeCun 多次公开表示，大语言模型不是通往真正智能的路，智能体需要的是能够预测世界的模型。斯坦福大学教授李飞飞把空间智能视为 AI 的下一个方向。WAIC 2026 上，世界模型被定义为 AI 的现实认知大脑。国内七部门揭榜挂帅申报指南提出，到 2028 年研制具有自主知识产权的端侧世界模型系统。从学界到产业再到政策，世界模型被推到了舞台中央。
但方向是新的，方法还在延续。主流世界模型依然以数据拟合为核心，用大模型处理海量数据，思路与前两条路一脉相承。
信度启源走的，是第三条路。数据驱动和规则驱动之外，它选择理论驱动，从数学公理出发，每一步计算都白盒可见。信度启源将其称为信度世界模型。
03.
把机器人控制做成数学题
要理解第三条路，得回到中学的立体几何。机器人在哪，杯子在哪，手以什么角度抓握，都是空间中的位置和姿态问题，这是第一层。机器人会动，位置随时间变化，就要引入时间变量，用微分方程描述运动的演化，这是第二层，微分几何。
现实世界的扰动必然存在。地面不会绝对平整，电机执行总有偏差，传感器带着噪声，模型和现实之间永远隔着一段距离。统计相关性擅长描述趋势，却难以给出因果边界，如何处理这段距离，是第三层要回答的问题。
信度启源用不确定理论把扰动重新建模，得到不确定微分几何。它算出的不是一个猜测的动作，而是一个可信边界。就像老司机不会去计算旁边车辆变道的概率分布，只会本能地保持一个安全距离。在这个几何范围内，动作是物理安全的。
这套数学体系推导出的是一套信度智能算法，实时解算未来状态的可信边界，让机器人在边界内做出最优决策，不需要海量采样，不需要预设分布，甚至不需要针对新场景重新训练。物理规律在哪都一样。
04.
七个模块，复刻人脑的信息处理
在这套数学体系之上，信度启源搭起了七窍框架，由听觉、触觉、视觉、校验、预测、决策、控制七个模块组成。
前三窍负责感知。听觉、触觉、视觉模块从传感器数据中提取环境的几何特征，转化为信度，传递给下游模块。这部分可以调用成熟的感知模型做特征提取。
真正决定机器人怎么动、动多快的，是后面四窍。
校验模块像人脑的前庭系统。毫秒级判断当前状态是否超出物理可信边界，发现危险立刻中断动作，不等上层决策。
预测模块对应人脑的顶叶，做一件反直觉的事，预测现在。所有传感器都有延迟，机器人看到的永远是几十毫秒前的世界，它基于带延迟和噪声的数据，反推出此刻的真实状态，再推演下一步。
决策模块对应前额叶，按信度最大化原则直接求解最优控制律，不在几万个候选动作里做概率采样。
控制模块对应小脑和基底节，把决策指令转化为电机的精确控制信号。
关键也在这里，校验、预测、决策、控制四窍完全没有使用大模型。每一步计算都有明确的数学支撑，决策可追溯、可解释，中间没有神经网络的黑盒猜测。
05.
快和省，到底来自哪？
正向设计，这就是信度世界模型快和省的原因。
主流大模型路线是反向训练。数据一遍遍喂进去，算力一次次烧掉，换一个场景，往往又是一轮采集和校准。信度世界模型是正向设计。从数学公理直接推出算法，绕开大模型，省掉大量推演。几乎没有训练成本，推理不需要云端算力，一台机器人本体加一套算法，就能跑起来。
用团队的话说，大模型是在用数据拟合世界，信度启源是在用数学理解世界。这是两种世界观。对投资人而言，省下的每一项都是账面上的数字。算力采购、数据标注、场景定制，这三块是具身智能公司成本的大头，信度世界模型把三者同时压了下去。
抗扰动能力也把第三条路的商业价值落到了实处。传统方案里，标定点位、采集数据、训练模型，一条产线几个月的定制化开发。信度世界模型不需要针对新场景重新训练。厘米级的位置偏差、光照变化、微小扰动，都能自己处理。算法部署上去就能用，机器人从 demo 变成能 24 小时稳定干活的生产力。
这意味着规模化部署的经济门槛被拉低。同一套模型可以适配不同的机器人本体、不同的作业场景，批量化落地的空间由此打开。工业装配、商业服务、家政服务，可落地的场景清单还在拉长。
06.
二十年理论，一条自主的链路
第三条路不是凭空冒出来的。
它的理论基础是不确定理论，2007 年由清华大学数学科学系刘宝碇教授创立，是研究非决定性现象的公理化数学分支。两套公理体系处理不同的现象，概率论研究频率，不确定理论研究信度，各有其适用边界。
二十年里，这套理论衍生出不确定统计、不确定规划、不确定逻辑、不确定过程、不确定分析、不确定微分方程、不确定金融等领域。代表作是德国施普林格出版的《Uncertainty Theory》，并被译成俄文、日文和波斯文。
这是清华数学系在具身智能领域的第一次创业。
从最底层的不确定理论，到七个模块的架构搭建，再到硬件平台的部署调试，信度启源的整条技术链路已经构建完成。这是一条完整自主、不依赖西方 AI 主流范式的路线，从基础科学到应用，全链条原创。
07.
从黑板到产线
目前，信度启源已经开启新一轮融资，下一步是把信度世界模型适配到更多工业机器人、人形机器人平台上，推进工业场景和商业场景。
当行业还在争论数据够不够、算力强不强，这家公司选择从公理出发。给机器人一套和人类直觉同源的数学框架，用可解释的物理规律做决策。这场从黑板开始的实验，正在变成一条可以走通的路。
视频里那只杯子，只是开始。
