TL;DR

GigaAI 团队推出的 GigaWorld-Policy 成功打破了机器人“世界模型”部署难的瓶颈。它在训练时利用未来视觉预测（Future Video Prediction）提供高密度的物理监督，但在推理阶段却能“优雅地关掉”视频生成分支，直接输出动作序列。这种设计让它在保持世界模型高成功率的同时，比前代模型快了整整 9 倍，在真实场景中实现了极具竞争力的闭环控制性能。

1. 痛点深挖：稀疏监督与推理泥潭

目前机器人学界主要有两条技术路线：

1. VLA 模型 (如 π0.5)：通过模仿学习直接将图像映射到动作。缺点是监督信号太“干巴”，模型容易走捷径（Contextual Shortcuts），不理解动作背后的物理连续性。
2. 世界模型 (WAM, 如 Motus)：预测未来图像。虽然学得好，但在控制时需要像视频生成一样一帧帧扩散，速度慢得感人（通常 >3s/step），根本跟不上机械臂的实时响应需求。

GigaWorld-Policy 的核心直觉是：“理解物理演化”对于训练很重要，但对于推理，它应该是一个可选的信号而非负担。

2. 核心架构：因果遮掩下的“分治与统一”

GigaWorld-Policy 基于 5B 参数的扩散 Transformer (Wan 2.2)。其最精妙的设计在于 Causal Self-Attention Mask（因果注意力遮掩）：

• 训练阶段：模型将当前观察 ($T_o$)、本体状态 ($T_s$)、动作 ($T_a$) 和未来视频 ($T_f$) 打包。通过特定的遮掩策略（见下图），确保 Action 只能看到当前，而 Video 可以看到 Action。这种物理上的“因果一致性”强制模型在预测视频的同时优化动作表征。
• 推理阶段：模型只需对 $T_a$ 部分进行 Flow Matching 采样。由于不再需要预测数以百计的视觉 Token，计算量骤降。

3. 课程学习方案：从互联网视频到机械臂

为了让模型具备深厚的物理直觉，作者设计了三步走计划：

1. Foundation：初始化自通用视频生成模型，继承人类对世界的常识。
2. Embodied Pre-training：在 10,000 小时的机器人视频和人类手部交互视频（Ego4D 等）上练就“火眼金睛”，学习跨视角的一致性和交互动力学。
3. Post-training：在特定机器人的标注轨迹上进行微调，完成从“看客”到“执行者”的转变。

4. 实验验证：又快又稳

在 RoboTwin 2.0 仿真环境的 50 个复杂任务中，GigaWorld-Policy 展现了压倒性的优势。

关键战绩指标：

• 推理速度：360ms/step，比 Motus 的 3231ms 快了近一个量级。
• 数据效率：在真实世界任务中，仅需 10% 的数据量即可达到基线 VLA 模型使用 100% 数据时的表现（见下图数据效率对比）。
• 泛化能力：在“扫垃圾”、“扫码”等需要精准对齐的真实任务中，平均成功率达到 83%，远超 Cosmos-Policy 等同类模型。

5. 深度洞察与总结

GigaWorld-Policy 的成功揭示了具身智能的一个重要趋势：世界模型不一定非要用来“生成”未来，它更大的价值在于作为一种“高维正则项”。

局限性：

• 虽然支持多视角，但目前的视觉输入仍需拼接成 Composite Image，可能存在空间分辨率的损失。
• 对于极长周期的任务，单纯依赖 Action Chunking 而不进行闭环视频回放，可能会在极端长程任务中丢失全局目标感。

未来展望：

这种“训练耦合、推理去耦”的策略，极有可能成为未来工业级机器人 Foundation Model 的标准范式。它既保留了大模型的推理深度，又兼顾了嵌入式设备的实时需求。