近日，世界模型驱动的城市具身智能全栈商酷哇科技宣布，正式聘任人工智能领域学者杨学博士担任首席科学家。同时，酷哇近期将与上海交通大学启动筹建“具身智能与世界模型校级联合实验室”，进一步深化产学研前沿布局。

从顶尖人才引进到校企合作，两项动作都指向同一个目标：提升场景数据向模型能力的转化效率，升级面向多形态机器人的统一模型大脑，进而探索向更多产业应用拓展。

这源于穿越10年周期后的酷哇，对当下具身智能规模化应用的一个判断：算法、硬件和场景的协同决定落地能力，而真实世界数据能否被持续获取并高效转化，则直接影响模型的迭代速度。

酷哇科技是国内少数进入商业运营阶段的具身智能企业之一，当前业务已覆盖全球50多个城市和地区，形成万台级机器人的真实部署。这些商业项目成为了酷哇获取数据的重要入口，为其沉淀约 50PB 物理世界数据。

但数据规模并不会自动转化为可复用、可迁移的模型能力，更不会自然形成面对新任务、新环境时的泛化能力。

在酷哇看来，核心挑战是从海量数据中识别高价值样本、挖掘极端长尾场景，并将原始数据转化为有效训练信号，持续提升模型在新任务、新环境中的稳定性和泛化表现。这也是酷哇从数据积累走向规模化应用必须跨越的一道门槛。

不是造一个通用机器人，而是迭代一颗通用大脑

酷哇长期深耕城市服务场景，并在规模化运营中积累机器人系统能力和物理世界数据。在此基础上逐步形成了以世界模型驱动不同形态机器人的技术路径，这也成为酷哇将自身定位为“具身大脑公司”的基石。

这颗通用具身大脑，被命名为“COOWAM”（Co-Optimized World Action Model），也是当前行业首个原生融合“快慢思考”的双层智能体世界模型架构。

上层多模态视觉语言模型 Urban VLM 负责长程任务理解与规划，内嵌 PVM（生产力价值评估） 模块用于决策跟商业应用目标的价值精准对齐；下层交互式世界-动作模型 CooWAIM 聚焦机器人行动后 0～4 秒的短时未来窗口，负责低延迟的物理交互推演和实时动作调整。

杨学的加入，首先将落在驱动 COOWAM 的系统化升级上。

公开资料显示，杨学为上海市启源学者及CCF优秀博士学位论文奖得主，曾连续三年入选斯坦福全球前2%顶尖科学家榜单，在TPAMI、IJCV、CVPR、NeurIPS、AAAI等人工智能领域期刊及会议发表论文70余篇，谷歌学术引用超过1.3万次，在单体多模态大模型、复杂目标检测及弱监督学习等领域积累了领先国际的研究成果。

按照酷哇披露的规划，在“慢思考”层，杨学将结合多模态与奖励设计方向的技术突破，强化Urban VLM对长程任务的理解与规划能力，并提升PVM对系统决策与商业应用目标的精准对齐能力。

在“快思考”层，其在复杂目标检测和高精度感知方面的积累，将为CooWAIM 的感知与空间表征提供技术支撑。与此同时，酷哇将继续推进模型由机械臂控制、第一人称视角认知向高自由度灵巧操作演进。

从一次升级到加速进化，世界模型需要“盘活”数据

除了模型架构升级，要让 COOWAM 落地于充满动态变化与高频物理交互的复杂城市场景，在酷哇看来，还需突破数据工程化的瓶颈——不只是有数据，更要高效转化数据，形成持续的模型迭代闭环。

在酷哇的定义里，真实世界数据分为三个层级，动态场景数据帮助模型理解不断变化的现实环境，物理交互数据记录机器人动作与环境反馈之间的关系，真机纠偏数据则用于识别和校准模型在极端长尾场景中的能力边界。

这些数据共同构成了 COOWAM 持续迭代的基础。而当前的主要痛点，在于不同层级数据的筛选和标注成本，以及高质量真机纠偏数据的挖掘难度。

酷哇认为，杨学在弱监督学习和模型后训练方向的研究成果，将推动酷哇自研的物理AI数据工厂进一步升级，从两个维度提升数据转化效率：一是更智能地从海量动态场景和物理交互数据中识别高价值训练样本，二是充分利用真实运营产生的各类反馈信号，包括人工接管、动作修正等，来加速模型后训练迭代。

由此依托“一脑多态”架构，酷哇的世界模型升级后能自然地适配至不同形态的机器人。随着机器人进入更多真实场景，产生的真实数据经过筛选和后训练反哺模型迭代，进化的模型再适配至更多本体和场景，由此形成“场景部署—数据反馈—模型优化—多态适配-更多数据”的持续闭环。

如果说杨学的加盟补强了酷哇在模型研发、弱监督学习和数据工程化方面的能力，那么与上海交通大学筹建联合实验室，则为这套技术路线提供了长期的产学研协同平台。据酷哇介绍，双方将围绕具身智能与世界模型开展持续研究，并探索科研成果转化与人才培养，推动相关技术从前沿研究走向工程化验证。

物理世界的Scaling Law，要在规模化应用中验证

大语言模型的 Scaling Law 通常建立在参数、算力和训练数据的持续扩张之上。但机器人面对的是动态、开放的物理环境。同一个动作放在不同本体、任务和场景中，可能产生完全不同的结果。

因此参数越多、数据量更大，并不必然意味着机器人在真实世界中具有更强的泛化能力。

从酷哇的技术路径来看，其试图在物理世界探索的 Scaling Law 建立在另一条核心原则之上：相比数据规模，更关键的是让海量真实世界数据与模型持续迭代的效率相乘，规模化部署解决的是数据的“量”，而通过弱监督、后训练等方法把海量数据转化为高质量训练信号，解决的是数据的“质”，关乎模型迭代的效率。

酷哇的50PB数据只是起点。关键是这些数据能否通过自动化筛选、人工纠偏反馈等机制，高效转化为模型能力增量，进而改善机器人在真实作业中的成功率、稳定性、安全性和经济性。

这正是酷哇引入杨学的核心价值：提升数据工程化效率，缩短从问题发现到模型能力的转化周期。

这套系统的难能可贵之处在于，它不只是依赖某个新技术或新方法，而是围绕万台级真实部署建立起一整套自动化数据挖掘、标注、模型迭代和实时反馈的工程体系。每座城市的地形、气候和场景差异，这些真实世界的不确定性和酷哇在实际运营中积累的每一条修正策略，才是真正难以复制的壁垒。

最终，物理世界的Scaling Law不能只在实验室中定义，必须在真实规模化应用中验证。

酷哇要持续证明的是，通过这套闭环体系，COOWAM这颗“具身大脑”能否在从一个城市拓展到更多城市的更多场景时，持续创造客户愿意付费的生产力价值。