中国具身智能又跑出一匹黑马：清科灵境 OASIS WAM 登顶 RoboLab，击败 NVIDIA、Google、PI 等头部团队
近日，RoboLab全球高保真仿真基准平台更新了最新排名。在覆盖120个视觉-语言-操作任务的综合评估中，由清科灵境（Synkrotron）与中国科学技术大学合作开发的OASIS WAM以综合成绩位列第一。
参与此次测评的团队中不乏行业巨头，包括NVIDIA、Google、Physical Intelligence（PI） 等具身智能领域的知名团队。
更值得关注的是，RoboLab基于NVIDIA Isaac和NVIDIA Omniverse仿真技术构建，利用高保真视觉环境和基于物理的建模能力，对机器人策略进行大规模训练与测试。此次OASIS WAM的成绩，是通过平台开放调用接口、由系统实际完成测试并确认后生成的排行榜结果，并非团队自行提交的离线数据。
这意味着，这是一场在统一仿真环境和统一任务体系下进行的横向能力评估。同时，RoboLab采用动态随机生成的场景、可变的语言指令、可控的环境扰动，没有固定训练题库，无法通过记忆规则来刷榜。
这也是榜单中唯一来自中国的团队。
对于一家由图灵奖得主姚期智院士孵化的中国初创企业而言，这样的结果意味着什么？或许更重要的并非“击败了谁”，而是WAM这类机器人动作模型路线，开始在大规模、多样化的机器人任务泛化测试中展现出竞争力。
而在这份排名背后，清科灵境真正想解决的问题更为宏大：
如何让机器人不仅能够“动起来”，还能理解任务、预测环境变化，并连续完成复杂任务。
1、机器人真正缺失的，或许不是“手脚”，而是一个能持续决策的大脑
过去几年，人形机器人最受关注的领域仍是本体结构。
机械结构、灵巧手、关节模组、运动控制……这些决定了机器人“能否运动”。
但当机器人面对日益复杂的开放环境时，一个新问题愈发凸显：
机器人知道自己应该做什么吗？
例如，给机器人一个任务：
“按照从下到上的顺序，将红、蓝、绿、黄四个积木叠起来。”
对于主要负责低层动作生成的模型而言，它可以学会“抓住积木”“移动到目标位置”“松开夹爪”，却未必能理解四个动作之间的任务顺序。
这正是清科灵境希望通过WAM与高层VLM协同解决的难题。
在清科灵境的技术方案中，WAM接收机器人当前的RGB图像、关节状态、夹爪状态以及语义指令，生成一段连续的机器人动作；同时，它还会预测这段动作执行过程中，场景在视觉上可能发生的变化。
而在WAM之上，清科灵境引入了高层VLM。
VLM负责理解完整任务、判断机器人当前处于哪个阶段，并决定下一步应完成的manipulation subgoal。
例如：
“拿起香蕉并把它放进碗里。”
对于高层模型来说，这是一个完整的操作目标。
至于靠近香蕉、闭合夹爪、抬起香蕉、移动到碗上方、打开夹爪等连续动作，则交给WAM完成。
这形成了明确的分工：
VLM决定“做什么”，WAM决定“怎么做”。
2、真正的亮点，是让机器人“一边执行，一边思考下一步”
如果仅仅是VLM + WAM，这并非这套方案最值得关注之处。
清科灵境真正试图解决的，是机器人系统中一个非常现实的问题：
高层模型速度太慢。
传统方式通常是：
执行当前动作 → 等待动作完成 → 调用VLM思考下一步 → 再调用低层策略执行。
对于复杂任务来说，机器人可能大量时间都消耗在等待模型推理上。
清科灵境的做法，是将这两个过程直接重叠。
机器人执行当前动作时，WAM同时预测未来视觉状态；高层VLM无需等到机器人真正到达那个状态后才开始思考，而是可以根据WAM预测出的未来场景，提前判断下一步应完成什么操作。
于是整个系统同时运行三个过程：
机器人执行、低层WAM推理、高层VLM推理。
机器人还在进行第一步时，系统已开始思考第二步。
这套设计的关键，是让高层推理不再完全成为机器人执行流程中的“等待环节”，而是尽可能隐藏在机器人当前动作的执行时间里。
对于需要连续完成多个操作的机器人任务而言，这种异步方式有望进一步降低高层模型推理带来的等待时间。
3、甚至连VLM“尚未说完的话”，也可被用来抢先行动
清科灵境进一步增加了一个轻量级的Speculator模型。
高层VLM的输出是逐步生成的。在完整答案生成之前，系统已能看到部分VLM输出。
Speculator会读取这些已生成的部分内容，并提前预测一个临时的下一步高层指令。
例如，VLM尚未完全输出最终结果，Speculator已可预测下一步可能是：
“拿起红色方块并把它放进托盘。”
这条临时指令可提前发送给WAM。
于是，WAM无需等待VLM完全结束，即可开始生成下一段机器人动作。
等VLM最终完成推理后，若最终指令与Speculator的预测一致，之前启动的WAM推理可继续使用；若不一致，系统则根据最终VLM指令进行修正。
最终的语义决策权仍掌握在VLM手中，但系统已提前利用了等待时间。
这套机制本质上是一种推测式执行。
它解决的并非“模型是否聪明”的问题，而是一个非常工程化的问题：
如何让机器人在等待AI大脑思考时，尽可能不停止动作。
4、从“动作生成”到更完整的机器人智能系统
从技术架构来看，清科灵境实际上试图构建的是一个分层的机器人智能系统。
最底层是机器人本体和实时控制。
中间是WAM，负责根据当前机器人状态和语义指令生成连续动作，同时预测动作执行过程中可能出现的未来视觉状态。
再往上，是高层VLM，负责理解整体任务、判断当前任务进度，并决定机器人下一步应完成什么操作目标。
最终，Agent Controller将机器人、WAM、VLM和Speculator连接起来，根据当前可获得的最新语义信息，决定下一轮WAM应执行哪条高层指令。
这种架构背后的核心思路，是将机器人的任务理解、动作生成和实时执行进行分层，同时让不同模块之间的计算尽可能并行。
其中，一个关键设计是WAM的未来视觉预测。
机器人执行当前动作的同时，WAM已开始预测接下来场景可能发生的变化；高层VLM则可利用这些预测结果，提前判断任务接下来应往哪个方向推进。
这样一来，高层决策无需完全等待机器人完成当前动作后才启动，而是可与机器人执行过程重叠。
对于需要连续完成多个操作的复杂机器人任务而言，这种异步的决策方式，有望进一步降低高层模型推理带来的等待时间。
5、RoboLab第一名之外，清科灵境想做的，是具身智能的公共技术底座
RoboLab的成绩为这条技术路线提供了一次公开的能力验证。
但如果将视线从一次benchmark拉长，清科灵境真正希望构建的，并非只是一个在特定任务上取得高分的机器人模型，而是一套能持续支撑机器人学习、训练和落地的技术体系。
在清科灵境看来，具身智能真正走向大规模应用，仍面临几个基础问题：机器人对物理世界的理解和交互能力尚未完全解决，训练数据不足限制了模型泛化，同时数据在机器人系统中的流转效率、推理响应速度和执行稳定性，也直接影响机器人能否进入真实商业场景。
因此，清科灵境目前围绕OASIS WAM、混合数据平台和Dora OS三个核心技术方向展开。
第一层，是OASIS WAM世界动作模型，解决机器人的“大脑”问题。
OASIS WAM面向通用机器人，承担任务理解、动作规划、状态预测、长程任务和泛化执行等能力。
在具体系统中，WAM并非孤立工作的动作生成模型。它可根据当前机器人状态和语义指令生成连续动作，同时预测动作执行过程中可能出现的未来视觉状态；高层VLM则负责理解整体任务、判断当前任务进度，并决定下一步应完成什么操作目标。
通过这种分层架构，机器人可在执行当前动作的同时，提前对下一阶段任务进行推理，从而将高层模型的计算与机器人执行过程尽可能重叠。
第二层，是混合数据平台，解决具身智能“从哪里学习”的问题。
与纯数字世界中的AI模型不同，机器人需要大量真实世界交互数据，而真实机器人数据的采集成本高、效率低，也很难覆盖复杂多样的环境。
清科灵境希望通过真实数据、众包数据和仿真数据的结合，建立持续的数据获取和迭代体系，并通过机器人评测进一步形成数据闭环。
这意味着，机器人并非仅依赖一次训练得到一个模型，而是通过真实世界、仿真环境和评测体系持续获得反馈，再反过来推动模型能力迭代。
从这个角度看，RoboLab的价值也不仅是一个排行榜。
它提供了一套标准化的机器人任务测试环境，让不同策略能在相对统一的任务体系中接受泛化能力检验。
第三层，是Dora OS，解决具身智能系统“如何高效运行”的问题。
当机器人同时运行视觉、语言、动作等多模态模型时，系统面对的已不仅是传统机器人控制问题，还包括大量高频数据的通信、设备管理、算法管理、任务调度以及端边协同。
Dora OS正是从这一层切入，定位为具身智能原生操作系统，承担数据通信、设备管理、算法管理、任务调度和端边协同等基础能力。
三者组合起来，构成了清科灵境对于具身智能基础设施的整体思路：
OASIS WAM负责让机器人“会思考、会行动”；混合数据平台负责让机器人“持续学习”；Dora OS则负责让这些能力真正高效地运行在不同机器人本体上。
而这也是清科灵境希望成为“具身智能行业公共技术底座”的原因。
向上，它可以支撑医疗科研、工业制造、巡检运维、教育科研、智能物流等不同应用场景；向下，则可兼容机械臂、智能复合机器人、人形机器人、四足机器人以及AGV/AMR等不同类型的机器人本体。
这种平台化路线的价值在于：基础能力可一次建设，在不同场景中持续迭代，不同机器人本体可共享复用，从而减少不同企业重复建设“大脑”、数据体系和操作系统的成本。
对于机器人企业而言，这意味着它们可更专注于自己的本体能力和具体应用场景，而不必每家都从头搭建一套完整的机器人智能基础设施。