图形学 × 具身 · Mundo：一个能推门的房间，机器人在里面练活

游戏玩家对"照片级场景重建"不陌生：拍一圈照片，生成一个能自由走动观看的三维空间。这类世界模型有一道天花板——场景只能看，不能碰。门推不开，椅子推不动，抽屉拉不出。机器人需要的练习场恰恰是能碰的那种。10 月 31 日，大晓机器人联合南洋理工大学 S-Lab 发布的世界模型 Mundo，把"能碰撞"补上了。【直引：文汇报 10-31 报道、官方发布】

它做了什么

Mundo 的输入可以少到 1 至 12 张照片或一段视频。输出是一个可探索、可交互的三维空间：同一组参考图像支持多条相机路径，围绕房间里的家具与结构自由换角度；面对更大的场景，可动态选择上下文，连续生成数十秒至分钟级的探索画面。用一张生成图像或画作起步，也能把其中的结构与风格延伸到新视角。【直引：官方演示描述】

生成管线分三步：先从真实场所的影像建立三维代理，确定视图间的空间关系；再由视觉语言模型智能体调整代理场景，通过渲染、比较、修正让场景结构与输入影像对齐；相机移动时，已拍到的布局由输入图像约束，没拍到的区域由模型推断补全。参考视图越多，补全的不确定性越小。【直引：技术描述】

能碰撞这件事，卡在哪里

看和碰之间隔着物理属性。Mundo 的做法是通过代码编辑世界：用场景程序描述每个物体的名称、尺寸和位姿，再配上质量、摩擦这类物理参数；脚本定义动作和施加的力，物理引擎在重力与接触约束下计算响应，得到运动轨迹、接触位置和碰撞力。抽屉被拉开、椅子被推动、物体落地，都有可计算的反馈。【直引：技术描述】

同一个环境因此有两种用户。人得到的是能漫游的沉浸式场景；机器人得到的是能练习导航和操作的仿真器，练成的策略可以往真实场景迁移。在大晓以 Kairos 为核心的世界模型体系里，Mundo 补的是环境建模、训练数据生成与仿真训练这三块。【直引：公司表述】

为什么值得关注

第一，数据账算得过来。具身智能的公认瓶颈是真机数据：采集一小时算一小时，成本高、场景窄。世界模型生成的交互环境可以无限重置、无限变体，机器人练一万次开门不会磨坏任何一扇真门。英伟达 Flora 把视频标注打到每小时 0.72 美元，Mundo 这类模型把"环境"本身变成可生成资产，两条路都指向同一个目标：把数据从稀缺品变成复制品。【推论：基于公开数据的交叉比较】

第二，"能碰撞"是仿真到现实的硬门槛。只保外观的世界模型练不出力控：机器人学不到"这个抽屉有多沉"。物理参数可配置意味着同一个场景能生成轻重两个版本，泛化能力在仿真器内部就能拉练。这类能力在 10 月密集出现——NVIDIA 的 Cosmos 系列与 Mundo 都在做"物理一致的世界生成"，路线之争尚未分胜负。【判断】

第三，验收窗口很近。文汇报报道的演示场景从家具级到房间级，分钟级长路径生成已经跑通。接下来值得盯的是第三方复现：物理响应的精度够不够支撑 sim-to-real 迁移、位姿误差在长序列里会不会累积漂移。世界模型的"物理一致性"宣传多、实测少，这一条要等机器人策略在真实房间里的成功率说话。【判断】

小贴士：世界模型（world model）指能对环境动态建模的生成模型——给它一段观察，它能预测"接下来会发生什么"。具身智能训练缺真实数据，世界模型被当作"数据工厂"：机器人在生成的世界里先学会，再搬到现实。

参考

• 文汇报：《不只"能看"的3D场景，大晓机器人联手南洋理工发布"能碰撞"的世界模型》（10-31）
• 官方发布材料与演示视频（大晓机器人 × NTU S-Lab）
• 交叉对照：NVIDIA Cosmos 系列世界模型、Flora 数据引擎公开数据

一句话收束：过去的世界模型给你一间看得见摸不着的样板房，Mundo 把门装上了合页。机器人的驾校，从今天起可以批量盖了。