来源：human five（Odyssey 官方博客中文转载）（Oliver Cameron、Jeff Hawke（Odyssey 联合创始人）） · 2026-09-16 · 原文链接
分类：主线强相关（世界模型作为统一底座跨硬件本体；与 GWM 五级路线、Motus2 三接口、触觉数据供给直接相关）
一句话概括
自动驾驶老兵创办的 Odyssey 发布 Odyssey-3，自称"基础世界模型"：自回归扩散 Transformer 预训练一次，主干全程冻结，顶部只挂一个学到的 action decoder，用数十小时（驾驶仅 20 小时仿真数据）“体验数据"就能驱动机械臂、Flexion 人形、印度街道闭环驾驶、室内无人机、GTA V 游戏，还展示了跨游戏零样本迁移（约 2 小时 GTA 片段训的移动策略直接去《荒野大镖客 2》骑马）。核心论点是批判"暴力求解”——靠海量任务专属数据弥补通用世界认知的缺失。
核心要点
技术路径：一套主干 + 多个 action decoder
- 模型是自回归扩散 Transformer，在海量世界视觉观测上预训练，习得物理规律、动力学、因果关系、人类行为。
- 动作解码器（action decoder） 是挂在世界模型之上的学到的输出组件，在"体验数据"（物理系统的观测信息 + 任务执行动作配对）上训练，把 Odyssey-3 的内部表征转换为该物理系统需要执行的动作。
- 驾驶与无人机实验中预训练主干权重全程冻结，只提取视觉表征喂给一个较小的策略网络，由它预测途经点。原文表述：“仿真体验只是教会模型如何把这套知识应用到驾驶任务上。”
机械臂：数十小时机器人演示数据即可控制多款机械臂完成复杂任务。最被强调的是恢复行为——抓取失败后重新调整夹爪姿态、取回掉落到特殊位置与姿态的物体，而这些行为在训练演示样本中从未出现过。原文推论：想收集全部故障场景与对应恢复策略的演示样本，现实中几乎不可实现。已与 Poke & Wiggle（专注机器人数据、策略分析与大规模基准评测）合作，跨硬件本体、观测视角、控制方式评测，探明知识迁移边界与失效场景。
人形（Flexion 合作）：Flexion（通用机器人智能，RL 与全身控制方向，CEO Nikita Rudin）以 Odyssey-3 为基础模型开发人形控制策略，仅需数十小时 Humanoid 遥操作数据，系统可实时执行任务。评测称相比测试的 VLA 基线对环境变化泛化能力更强——基线策略在光照变化下失效，本系统仍能继续完成任务。Rudin 原话：最兴奋的是它可以"依托远超出机器人自身演示样本规模的物理知识开展工作"。
车辆（唯一给了具体数字的实验）：仅 20 小时仿真驾驶数据，在印度街道完成闭环自动驾驶、实时输出行驶轨迹。对比"完全在仿真环境训练的策略"与"基于真实驾驶视频训练的策略"，在干扰频繁的繁忙道路评测：两套都能过弯保车道、处理两侧超车、繁忙路口转向；真实道路测试中，纯仿真训练策略的安全驾驶员两次介入之间行驶里程，达到真实视频训练策略的 77%。
用于训练 AI（PROWL 项目）：Odyssey-3 可生成供智能体置身其中的环境，支撑递归学习系统——“一套智能运行在另一套智能内部，二者互相推动彼此能力提升”。机制是：智能体发现世界模型的缺陷，以此指导世界模型迭代；同时高保真仿真体验反过来训练智能体。世界模型变强 → 生成更复杂体验；智能体变强 → 发现弱能力智能体触不到的模型漏洞。 另外给出一层用途：这类仿真环境提供研究高能力智能体行为的载体，在危险行为对现实物理世界造成伤害之前发现潜在风险。
无人机：与驾驶同样的流程（冻结权重 + 小策略网络，输入相机历史观测、无人机运动状态、高层导航提示，输出飞行途经点），数十小时仿真数据，在仿真室内场景稳定飞行并具备避障。冻结权重做定性 rollout，模型可输出合理的飞行方向与避障运动，行为与场景语义一致，据此证明预训练阶段就学到了有效的空间结构与运动知识。
游戏：用游戏录像配键鼠输入训练策略，预训练世界模型全程冻结。实现 GTA V 长时间连续游玩（驾驶、射击、近身格斗）。早期迁移能力：GTA 上训的策略无需额外训练，可在《荒野大镖客 2》中完成移动、在《Sleeping Dogs》中骑摩托车；其中一组用约 2 小时 GTA 片段训出的移动策略，直接在 RDR2 实现骑马——把一款游戏学到的控制逻辑复用到完全不同的角色、载具与环境。
核心论述：批判"暴力求解"
- 该领域长期愿景是"通用物理智能"，但实践进展依靠越来越专用化的系统，每套针对狭窄领域训练、往往需要海量任务专属数据。
- “如今大量机器人系统，依靠反复播放特定任务演示样本学习物体操作，投入大量窄域样本只为完成单一任务。我们认为这属于暴力求解：依靠海量任务专属数据弥补通用世界认知的缺失。”
- 对照人类：“我们 18 岁就可以操作危险机械设备，哪怕此前从未接触过该设备”，因为早已建立空间感知直觉，见过物体运动与受力反馈，明白碰撞会带来危险。
- “人类并不需要观看成千上万小时特定任务演示才能掌握技能，绝大多数必要知识，来自我们对广阔现实世界的体验。”
公司背景（原文提供）：Odyssey 成立于 2023 年末，总部加州 Palo Alto / Menlo Park，另在伦敦、苏黎世设办公室，团队约 50–60 人。CEO Oliver Cameron 此前是 Voyage 联创兼 CEO（后被 Cruise 收购）、Cruise 产品副总裁；CTO Jeff Hawke 是 Wayve 创始工程师、牛津大学机器人学博士。核心团队来自 DeepMind（Gemini、Veo）、Tesla FSD、Waymo、Meta、Apple、xAI、Wayve（GAIA 世界模型），部分具备好莱坞视效经验。董事会含皮克斯联创、前迪士尼动画工作室总裁 Ed Catmull。
资本（原文提供）：累计融资约 3.37 亿美元；2026 年 6 月完成 B 轮 3.1 亿美元，估值 14.5 亿美元，由 Natural Capital 领投，Amazon、GV、AMD Ventures、EQT、IQT（In-Q-Tel）参投；AWS 成为首选云服务商并合作优化 Trainium 上的运行。天使包括 Jeff Dean、Elad Gil、Qasar Younis、Kyle Vogt（Cruise 创始人）、Garry Tan、Guillermo Rauch，以及 NVentures、Samsung Next、Air Street Capital。此前已发布 Odyssey-2 系列、Starchild-1（实时多模态）、Agora-1（多代理共享模拟）、PROWL-1。
金句
我们认为这属于暴力求解：依靠海量任务专属数据弥补通用世界认知的缺失。
人类并不需要观看成千上万小时特定任务演示才能掌握技能，绝大多数必要知识，来自我们对广阔现实世界的体验。
我们 18 岁就可以操作危险机械设备，哪怕此前从未接触过该设备。
仿真体验只是教会模型如何把这套知识应用到驾驶任务上。
世界模型能力变强，就可以生成复杂度更高的体验；智能体能力变强，则可以发现弱能力智能体无法触达的模型漏洞。两套智能持续拓展彼此的学习边界。
能力更强的世界模型，可以孕育更强的智能体；而智能体的探索与发现，反过来又会优化生成这些虚拟世界的模型，二者共同突破人工构建环境所能达到的上限。
未来甚至可以让人类智能体前往从未亲身经历过的环境开展作业，包括地球之外的未知世界。
质疑与核查
这是官方博客，不是同行评议。 全文无基线表、无消融、无失败案例。“数十小时"没有具体数字与任务清单，“不错的物理系统控制性能"没有成功率。唯一的具体数字是驾驶的 77%。
⚠️ 发布状态：中文版写"今天，我们发布”，读起来像已全量开放，但第三方报道（AGI Hunt，2026-09-15）称目前是 early preview，公开发布"在数周内”。 在拿到公开可用版本之前，所有能力描述都只能当预告读。
77% 这个数字被放在最有利的语境里，实际含义是"更差"。 原文是"纯仿真训练策略的安全驾驶员两次介入之间行驶里程，可以达到真实视频训练策略的 77%"——也就是掉了 23%。而且它的对照组是"基于真实驾驶视频训练的策略"，不是人类驾驶员，也不是现有自动驾驶系统；因此这只是"仿真数据 vs 真实数据"的迁移折扣，不能读成"达到了人类的 77%“或"接近实用”。此外介入里程本身方差极大，未给测试里程数与介入次数。
恢复行为没有统计支撑。 “我们观察到训练演示样本中未曾出现过的恢复行为”——无频次、无对照、无与其他方法的比较。演示中未出现 ≠ 学会了泛化；也可能是策略的随机探索恰好成功，被挑选呈现。这是全篇最接近"世界模型真的懂物理"的证据，也恰恰是最需要量化而没量化的那一条。
跨游戏迁移是低级能力迁移，不是任务语义迁移。 GTA → RDR2 迁移的是"移动/骑马"，Sleeping Dogs 迁移的是"骑摩托"——都是 locomotion。而且 GTA 与 RDR2 同为 Rockstar 作品，视觉风格与引擎相近。没有一例是"在某个游戏学会的任务，在另一个游戏里能用"。 原文自己用了"早期迁移能力"这个限定，中文读者容易读过去。
VLA 基线未指明。 “相比测试的 VLA 基线模型”——哪个模型、多少数据、什么任务、几个种子，全部未给。“基线在光照变化下失效"这一条也因此无法判断难度。
冻结主干是一把双刃剑，原文只讲了好的一面。 好处是排除了端到端微调的功劳，证明收益确实来自预训练表征。代价是没有任何"世界模型容量/预训练数据量 vs 任务性能"的消融——我们无法判断 Odessey-3 的效果提升有多少来自预训练世界知识，有多少来自 action decoder 本身的设计或数据质量。同样地，没有与"从头训练同规模模型"的对照，而这是判断"世界模型有没有用"的关键实验。（这一点与我们记过的 PFD 那个"推理时砍掉未来分支却几乎不掉点"的尴尬发现同型：都需要 ablation 才能定位收益来源。）
数据采集方式本篇完全没提。 “海量世界视觉观测数据"是什么、多大、怎么来的，一个字没说。据外部报道（TechCrunch 2024-11，非本篇内容）其特色是人背摄像头步行采集——如果这个说法属实，那么规模受限、成本高、且第一人称人类视频天然不含接触力学信号，这直接决定了它能覆盖哪些本体。但这是外部信息，未在本篇确认，引用前需回原报道。
估值与收入脱节。 14.5 亿美元估值、3.37 亿累计融资，公开材料没有任何 ARR 或客户数。董事会与投资人阵容（Ed Catmull、Jeff Dean、Kyle Vogt）是很强的背书，但背书不是技术证据。另需注意：In-Q-Tel（CIA 关联基金）参投意味着国防方向是明确的应用场景之一，原文"游戏、医疗、教育"的表述没有提这一层。
本篇与 2026-09-10 那篇 GWM（朱军/生数）不构成互相印证。 两者都在主张"世界模型是下一代基础模型”，但一个是学术论文框架，一个是公司产品发布，同源的自我表述不能当独立来源。
中文版是转载，非原创报道。 公众号 human five 提供的是 Odyssey 官方博客的译文，未加独立核实或评论。上文标”⚠️"的发布状态差异即由此产生。
本文为阅读剪藏（摘要 + 摘录 + 评论），非原文转载。查看原文