1X为家用人形机器人NEO换上140亿参数视频模型，用互联网视频替代大规模机器人数据

美国人形机器人公司1X Technologies当地时间1月12日宣布，其2025年10月开放预订的家用人形机器人NEO，将改用基于生成式视频模型的控制策略，而非传统的机器人控制网络。公司将其命名为1X世界模型（1XWM）。首席执行官Bernt Børnich在公告中表示，NEO如今可以从互联网规模的视频中学习，并直接用于物理世界；研究员Daniel Ho称，即便是从未见过的任务，用户的一句指令也能变成完全自主的动作。

根据1X同日发布的技术文章，模型主干是一个140亿参数、以文本为条件的视频扩散模型。训练分三个阶段：先用网络规模视频预训练，再用900小时人类操作物品的第一人称视频做中期训练，最后用70小时NEO传感与电机日志微调。另有一个逆动力学模型（IDM），用400小时未经筛选、包含随机动作的机器人数据训练，负责读取生成画面并预测从一帧到下一帧所需的动作。它采用Depth Anything主干加流匹配输出头，以8帧滑动窗口工作。

实际运行时，NEO收到文本指令，世界模型生成5秒的未来视频，逆动力学模型再从中提取电机指令。1X表示，在多GPU推理下生成视频需11秒，提取动作需1秒，也就是每段5秒动作之前要先计算约12秒。公司还用视觉语言模型把简短指令扩写成详细描述，称为“字幕上采样”，以提高视频对指令的遵循度。

1X罕见地公开了失败数据。在每项任务30次的真实测试中，抓取薯片袋成功率约100%，熨蒸衬衫约80%，打开推拉门和使用浇水壶约60%，熨烫衬衫和刷碗约40%，倒麦片和画笑脸均为0%。在抽纸巾任务中，单次生成成功率为30%，并行生成8次后择优可提高到45%。公司列出的局限包括：单目预训练导致三维空间理解较弱，即便画面合理也会出现动作过冲或不足，灵巧操作仍困难，单次任务时长上限为5秒。

这项技术建立在一款已有明确商业条款的消费产品之上。总部位于加州帕洛阿尔托的1X于2025年10月27日开放NEO预订，早鸟价2万美元并享2026年优先交付，或以每月499美元订阅；美国市场2026年交付，其他市场2027年起。发布稿显示，NEO重66磅（约30公斤），举升能力154磅，搬运能力55磅，噪音22分贝。机器人暂时无法独立完成的任务，可由1X员工通过“专家模式”远程指导。

这一路线与多数竞争对手不同。1X在技术文章中把Physical Intelligence的π0.6、Figure的Helix和英伟达的GR00T N1.5等视觉语言动作（VLA）模型作为对照，认为基于视觉语言模型的方案擅长语义理解，但训练目标并非预测物理动态。按1X的逻辑，视频模型本身已懂得物体如何移动和下落，机器人自身数据需求因此大幅下降，70小时微调就是例证。

对手阵营资金雄厚。MEKAWIRE企业数据显示，Skild AI在两天后的1月14日完成14亿美元C轮融资，估值140亿美元；Figure于2025年9月以390亿美元投后估值融资10亿美元。同一数据中1X最近一轮是2024年1月的1亿美元B轮。两个月后的2026年3月，英伟达在GTC上预告GR00T N2，同样强调先预测视频再行动。

对中国产业链而言，这一路线值得关注。智元机器人在2026年3月已下线第1万台人形机器人，规模化部署带来的真机数据是中国整机厂的一条重要路径。如果人类视频能承担大部分基础能力训练，真机数据的边际价值将被重新定价，而算力与视频数据的重要性上升。

速度和可靠性仍是关键问题。每5秒动作需等待约12秒，对于在厨房与人共处的机器人来说过慢；熨衣和刷碗40%的成功率，也远低于消费者对一台2万美元家电的预期。1X表示下一步将提升推理速度、引入带记忆的闭环重规划、加入深度或双目输入，并让机器人用自身经验而非专家示范自我改进。此后，1X于2026年4月30日宣布在加州海沃德启用5.8万平方英尺工厂，年产能1万台，目标2027年底超过10万台；6月4日又成立由前Luma AI创始研究科学家Sam Sinha领导的1X世界模型实验室。