自然意志物理基模 Natura-1 首次亮相：技术、启发与幕后故事
10 月 13 日，由清华大学电子工程系助理教授、博士生导师丁宁创办的自然意志（Nature Will）发布了成立以来首个通用具身基础模型 Natura-1 及技术报告，引起了业内广泛关注。
这是一个拥有 500 亿参数的混合专家（MoE）模型，在超过 100 万小时的第一人称视角人类经验数据上完成预训练，以语言和视觉为输入，可在 100 毫秒的控制回路内驱动 20 自由度的灵巧手。官方技术报告显示，该模型能够零样本地遵循复杂自然语言指令，并对空间约束、多物体关系与否定条件进行推理，同时可自主完成数分钟级、无需人工干预的长程工作流。
公开信息显示，自然意志成立于 2026 年 1 月。作为一家致力于实现物理世界通用智能的研究型公司，自然意志专注于通用物理智能与具身智能研发，训练能够在真实世界中执行感知、预测、推理与动作闭环的通用基础模型，并探索实现真机在物理原生系统中的自我觉知与持续学习。
作为首个对外公布的通用具身基础模型，Natura-1 对自然意志具有标志性的意义。为什么 Natura-1 迎来了如此多关注的目光？作为通用物理基础模型，它究竟有何不同？
围绕 Natura-1 的技术选择、研发过程和一系列意外发现，42 号电波采访了自然意志技术团队。相比已经公开的演示结果，我们更想知道，这些能力从哪里来，研究人员如何理解它们，并深挖不为外界所知的幕后细节。
另类路线
过去几年，具身智能基础模型逐渐形成了几条受到广泛关注的研究路线。以视觉—语言—动作模型（VLA）为代表的方法，通常将视觉观察和语言指令映射为机器人动作；世界—动作模型（WAM）则更加重视对环境动态的建模，将未来物理状态的预测与动作生成联系起来。还有一些系统采用分层结构，将高层任务规划与底层实时控制分别交给不同模块。
Natura-1 并不完全符合其中任何一种简单分类。它不应被视为 WAM 或是 VLA 路线下的基础具身模型，而是走出了一条独特的路线。
拆解模型对数据的编码方式不难发现，语言、视频、动作等来自物理世界的信息并没有一个绝对统一的本位，自然意志希望在同一个模型中统一语言理解、视觉世界建模和机器人动作生成。
Natura-1 的训推基础设施将语言理解、视觉世界建模和机器人动作生成统一到模型当中，让机器人不仅能预测接下来发生什么，还能够决定该如何行动。而其最突出的特征，在于构造理解模式的方法表现出了无模态本位但呈「序列化」的特征。
如图所示，蓝色区域的视觉信息容纳多机位数据中的真实历史视频帧，灰面右侧则是模型需要学习预测的一张张未来画面。中间的曲线表示机器人与环境随时间变化的状态轨迹，用于概念性地描绘机器与物体物理状态的演化。以 Action 为代表的手部动作信息同时与状态一一对应，形成流式匹配；在此基础上，再采用细粒度语言监督，让语言意图真正影响视频和动作预测。如此，Flow Matching 配合联合去噪，不仅将模型对未来的预测稳定下来，不同指令还会驱动模型预测出不同的未来状态及相应动作。这种联合学习的潜在优势是，即便一部分人类数据没有高质量的机器人动作标签，丰富的视觉信息仍然可以提供有关物理变化的训练监督。
特别值得注意的是，如果仔细观察状态与动作的内在关联，不难发现 Natura-1 将同一时刻的视频画面和动作位姿视为统一物理状态的两种不同「投影」，学习预测视频内容亦等同于学习执行动作。例如，一个人拿起桌上的咖啡杯。视频可以记录手接近杯子、手指与杯身接触、杯子离开桌面的过程；动作数据则描述手部姿态与运动。二者虽然采用不同的表达方式，却反映着同一段物理交互。模型需要学习的不只是某一帧图像对应怎样的动作，还包括不同时间步之间的联系，以及动作如何改变后续的视觉观察。
简单来说，Natura-1 的技术思路中，最关键的部分是对多模态的「序列」重整。它实际上揭示了 Natura-1 与很多 VLA 或 WAM 模型架构设计上的根本区别。Natura-1 并非只将语言模型、视频生成模型和机器动作串联起来，而是将整段机器人操作经历重整为包含语言、图像、视频、动作的统一序列，并以递归的方式建模整段经历。
这种设计的潜在价值在于，人类经验并不需要全部转化为高质量的机器人动作示范，才能参与模型训练。即使不同数据包含的监督信息有所差异，模型仍有机会从丰富的视频变化中学习物体运动、手部操作以及它们之间的物理关系。
从头开始
一个关键的问题是，供机器学习最为根本的经验从哪里寻得？由于机器人数据采集受制于机器人自身的能力，它只能在已有数据的场景中工作，从机器动作获取大规模数据显然不现实。
在人类身上，这个限制要小得多。
人类已经在厨房、办公室、工厂和无数日常场景中使用双手。大量物体、工具和工作流程，也都是围绕人手的运动方式设计的。如果能够将这些经验有效转化为训练数据，机器人模型便有机会从远大于现有真机数据的经验空间中学习。
自然意志技术团队在采访中表示，要在这个规模上采用人类数据训练，必须自建整套技术栈。项目之初，团队就把模型和 Infra 放在一起考虑。原因在于 Natura-1 的训练任务与纯语言模型存在显著区别，它需要同时处理语言、视觉和动作，训练目标又涉及视觉世界建模与动作生成，因此现成的大语言模型训练框架并不能直接满足需求。
更重要的是，团队希望能够持续探索不同的模型架构，而不是一开始就让研究工作受限于某一套现成系统。这意味着训练框架必须足够模块化，允许研究人员自由组合模型的模块，在结构和训练配方不断变化时进行快速实验。等到技术路线逐渐确定，又必须具备大规模分布式训练所需要的效率、稳定性与故障恢复能力。
对于为什么没有直接使用开源具身训练框架，团队给出了相当直接的回答——市面上没有最佳答案。
「内部其实没有经过太多纠结。今年年初到现在，具身领域都没有一套能完全支持不同模型架构的训练框架，也没有一套高效的算子。同时，大语言模型领域的算子对于我们的具身模型也完全不适配。」
团队提到，项目初期曾对包括 StarVLA 在内的开源方案进行调研，但认为现有方案不足以直接承担百万小时数据和 50B 以上参数模型的训练需求。
「我们调研了当时的开源情况，发现现有方案都不适合我们的需求，结论就非常清晰：只能从头自研整套训练框架与算子。」
确认方向后，团队就基础设施、注意力算子和模型进行协同设计。早期先用较小的模型和数据快速验证，再让模型规模、数据规模和基础设施共同发展、相互配合，最终在迭代中形成最终配置，即今天对外展示的 50B 参数模型。而要实现物理智能，100 毫秒甚至更短的时延、端侧高吞吐是当前众所周知难度非常大的两个关键技术瓶颈，这还牵涉到注意力算子和 GPU 的利用率。
由于物理交互要求模型持续接收新的观察信息、及时输出动作，自然意志便将 Natura-1 的优化覆盖了整个执行过程。为此，自然意志研发了基于 Rust 的推理调度系统，将观察接收、GPU 计算与动作传输尽可能重叠执行，并借助融合 CUDA 算子、GPU 缓存状态和计算图降低重复计算与调度开销。官方称，这套系统可以在真实硬件上维持 100 毫秒的观察到动作控制循环。
而训练端的重点是让 GPU 持续得到合适的计算任务。团队通过样本打包、缓存和预取来减少填充浪费、不同设备之间的负载不均，以及等待数据的时间。针对模型的注意力计算，也进行了专门的算子优化。在数百张 GPU 的长时间训练中，模型 FLOPs 利用率超过 50%，亦达到约 98% 的 GPU 利用率。这些优化共同服务于两个目标，即训练时能够高效扩大模型和数据规模，执行时能够及时根据环境变化调整动作。
为何表现亮眼
本次发布中突破感最强的部分，就是 Natura-1 分别在零样本泛化与长程任务上的真机表现。 事实上，部署在灵巧手上测试是非常大胆的选择。提到 Natura-1 的零样本泛化效果，团队认为最关键的是数据训练规模和模型架构的提升。
「我们认为，最核心、最关键的是 scale 了大量的数据，同时扩展了对应的模型架构。我们发现，模型的零样本泛化效果、执行速度、从失败中恢复的能力，以及执行任务的成功率，都随着数据规模和模型规模的提升而提高，呈现出正相关关系。」
这一切都建立在一个前提下：模型架构和训练目标能够最大程度地吸收预训练数据中的信息。从目前做的几项横向评测来看，同等数据规模下参与评测的开源模型架构，训练效果都远不如我们。也就是说，首先要有一个能够吸收尽可能多的信息、容易 scaling、训练效果好的模型架构，再在这个基础上扩大数据和模型规模。
同时，数据来源、模型训练和执行本体需要形成一致的路线。人类第一视角视频提供了能够持续扩大的操作经验，包含不同物体、场景和操作方式；灵巧手能够更充分地利用其中的手指动作、手内操作和双手协作信息。
「现实世界中的很多工具和工作流程本来就是围绕人手设计的，我们希望机器人能够适应这些工具和流程。」
以包馄饨为例，馄饨皮会随接触改变形状，双手必须在留出可折叠边缘的同时托住薄皮与馅料。Natura-1 从整叠中分出一张皮，用右手掌心托在下方，以左手长柄工具加馅，放下工具后双手折合封口，过程中持续调整托举与按压方式，使压力足以封边，又不撕破皮或挤出馅料。
随着预训练数据和模型规模提升，在相同任务流程下，模型能够更自然地完成对准和操作，减少了反复修改流程的需要，任务微调后的精细操作表现就如演示中一样灵巧。
零样本指令试验均为研究人员日常互动中的即兴指令。在具体的场景中，模型需要处理的请求就变得非常贴近真实生活。比如，「拿一瓶不是蓝色、粉色、橙色、绿色、黄色或紫色的瓶子」；对于同样两个物体，分别用「左右手先后」和「同时」拿起；把积木放进打开的抽屉后，因边缘空间狭窄，改用四指指尖把抽屉推合；研究人员三次用长杆移动柠檬与收纳箱，机器人依据最新位置实时调整并完成抓取，或在人手持柠檬移动时跟随抓取......当然，这些操作和场景很有可能在人类数据的预训练中出现过，但这些经验要真正进入模型，就要变得可迁移、能举一反三，这实际考验的就是模型能否从吸收的数据中提取出原子任务，再基于新的任务进行一定的推理和组合。
Natura-1 在长程任务上同样取得了极为亮眼的表现。数据显示，在实时规划、记忆、恢复多个基准上，Natura-1 采用 Agentic 和 Base 部署灵巧手的成绩均明显优于 Pi 0.5 与 GPT-6 Astra。
对灵巧手和场景的选择，背后有着团队的精心考量。演示中，Natura-1 展示了六个单次连续拍摄、数分钟无需人工干预的工作流。无论是包馄饨、打包快递箱、奉茶，还是书写中国书法、给手机贴钢化膜、做酸奶碗，这些任务都要求模型以单一策略应对不同材料与不断变化的接触条件，包括倾倒液体、舀取物品、处理柔性物体、使用多种工具以及精确对位零件。
「我们希望这些 demo 场景的演示能够体现模型的灵巧操作。我们选的这几个 demo 都包含大量工具使用，以及精细操作和手内操作。选这些任务主要也是为了体现日常生活中的大部分任务都需要用到灵巧手，灵巧手能以非常自然、高效的方式使用工具，连续、精巧地完成任务。」
团队因此择取了最贴近日常生活真实场景的几类任务，它们不仅持续时间长，且都需要灵巧操作。重点就在于检验模型能否在长程任务中保持双手动作的精准与协调，在连续执行多个步骤时，把精细操作、工具使用和双手配合组织起来，而不只是完成一次抓取。比如，包馄饨涉及柔性材料和手内操作；书法、贴膜涉及工具控制和精确对齐；打包、奉茶、制作酸奶碗则包含物体操作、步骤衔接和双手协调。它们共同检验的是机器能否在一个长程任务中实现「从头到尾的精准」。一个步骤产生的结果，要成为下一步操作的可靠起点，最终完成一个完整流程。让团队感受比较明显的是，随着基础模型能力提升，团队不再需要为了迁就模型而反复修改每一个操作细节，经过任务级微调后，基础模型就掌握完成复杂流程的能力。
很明显，Natura-1 在这方面又迈出了巨大的一步，而这正是此前具身模型商业化落地最大的技术瓶颈。不过技术团队表示，虽然这些 DEMO 体现了部分能力维度，但要真正系统地评价模型能力，还是要在 benchmark 中的不同维度来进行评估。
涌现「幕后」
更加值得注意的是 Natura-1 在一系列新场景下的智能涌现。在公开的演示视频中，许多指导其完成动作的数据实际从未进入过 Natura-1 的训练内容中，而且也不需要人类事先演示。
团队把这类行为视为通用物理智能的早期迹象。技术报告之外，团队描述了 Natura-1 曾给内部带来过多种多样的惊喜。
「有一次，我们在测试制作酸奶碗的任务，让模型拿起燕麦并倒入容器。过程中觉得它的表现和预期有些不同，检查后才发现部署错了模型：用的是经过手机贴膜任务微调的版本。尽管如此，它仍然能够理解拿取燕麦的指令，并完成相关操作。这件事让我印象比较深，因为贴膜和制作酸奶碗是很不一样的任务。虽然这只是一次测试中的偶然发现，但它让我们看到，模型在针对某个任务微调之后，仍然可能保留一部分通用能力。」
团队回忆，内部成员曾临时拿来一台电脑，让机器人打开后用食指按下空格键。由于团队没有采集过电脑相关的真机后训练数据，研究人员原本无法确定模型是否能完成这一任务，但机器人不仅理解了操作目标，也使用手指完成了按键动作。
为了找到源头，团队随后在后训练数据里寻找可能支持这种操作的示范，发现按压类操作主要来自台灯开关与按钮。移除相关动作数据之后，模型仍然能够按下键盘。这个结果让团队感到意外，说明模型的按键能力至少不能简单解释为对某一个具体真机训练动作的直接复现。
但它究竟从哪里来？ 一种可能是，大规模人类第一视角数据提供了与按键、接触和手指操作相关的经验，而模型通过预训练与后训练之间的联系，将这些经验迁移到了机器人本体上。
类似的情况也出现在物体抓取中。团队透露，Natura-1 在内部测试中表现出相当广泛的物体抓取能力。即使后训练数据覆盖的场景、物体和任务数量有限，模型仍能完成大量此前没有针对性训练过的抓取与放置任务。目前进行的内部测试中，基本上没有它拿不起来的东西。
「这部分的后训练数据非常少，远没有大家想的那么多，覆盖的任务、场景和物体也非常少。但我们发现，它对绝大部分物体都知道是什么，并且都能抓起来。」
在另一场景中，研究人员要求机器人先把一卷胶带套在瓶子上，再用夹面包的夹子将空瓶夹起来，最后放到一把剪刀上。模型按照这些临时组合的要求完成了操作，难点不完全在于胶带、瓶子或夹子本身，而在于物体之间形成了此前没有明确训练过的组合关系。
最令研究人员印象深刻的是一场原本带着玩笑性质的测试。
研究人员曾想「逗逗模型」。他把一个柠檬拿在手里，在机器人准备抓取时将柠檬迅速拿开，观察它是否能够跟上。结果，随着手部不断移动，机器人也持续改变机械臂和灵巧手的位置。更让团队意外的是，在公开展示的这次过程中，机器人的手并没有碰到研究人员的手。这种持续与人互动的操作，并没有出现在团队的机器人后训练数据中。
「视频里可以看到，人的手不仅在桌面上来回摆，高度也一直在变化，机器人的手则一会儿绕到人手后面，一会儿绕到下面，一会儿又绕到上面。」
团队当时还担心，当柠檬移动到人手上方时，机器人可能为了抓取目标，直接伸手与人发生接触，造成伤害。但实际过程中，它却采用了绕行的动作。研究人员半开玩笑地将这种表现形容为机器有了「善良型人格」。
由此判断，Natura-1 模型可能已经在一定程度上学习了人与物体之间的空间关系，并能在动态环境中利用这些关系调整动作。
Natura-1 的其他演示中也出现过类似的行为。在抓取扑克牌时，机器人将牌推过盒子边缘，制造出方便手指进入的悬空部分；够不到毛线团时，它借助穿过篮子提手的长杆，将篮子拉近之后再取出物体；面对叠杯失败，它曾通过大幅旋转手腕，尝试改变杯子的姿态；在一项折衣服测试中，研究人员没有发出新的语言指令，而是通过手势提示机器人注意落在衣服上的橘子。模型对这个非语言信息作出反应，随后重新组织操作。
当然，这些现象有着不同的复杂程度，也不能全部归结为同一种能力。有些可能属于从既有操作经验中组合出新的动作，有些则涉及动态环境下的视觉反馈、空间推理或失败后的动作调整，但它们共同说明了一个变化。随着具身基础模型的规模扩大，研究人员关注的对象正在从预先设计的单项技能，逐渐扩展到模型在新任务中自行产生的操作策略。
对于自然意志，这些意外是让团队保持兴奋、迈出下一步的重要理由。
The Will To Act
Natura-1 的发布使自然意志第一次较为完整地展示了其对于通用物理智能的技术思想。通过大规模人类经验建立基础模型，再利用相对有限的机器人数据完成本体适配，让模型逐渐掌握跨任务的灵巧操作能力。这条路线能否持续奏效，仍然取决于数据、模型和基础设施能否协同扩大规模。
自然意志的技术报告将这一思路称为「Build to Scale」。 在数据端，团队需要持续获取、处理和筛选大规模人类经验；在模型端，要确保模型结构能够有效利用持续增加的信息；基础设施端则需要让更多计算资源真正转化为有效训练，而不是消耗在系统开销和设备等待上。
团队在采访中表示，这三个环节没有绝对的先后关系，必须共同发展。而目前最大的挑战是把泛化能力进一步转化为复杂任务中的可靠表现。模型能否在更长的流程中保持较高成功率，能否完成更精细的动作、在失败后恢复，以及能否满足真实场景的速度、硬件稳定性和成本要求，都还需要继续推进。
在采访中，自然意志团队将模型泛化能力视为接下来需要继续解决的核心问题。下一步，团队会继续提高模型在不同任务和场景中的泛化，尤其是在长程任务、精细操作和纠错恢复上的成功率与速度。
「这种能力最终需要体现在完整任务上。比如进入一个新厨房，面对不同的厨具和食材，能够连贯地完成多个步骤；中间发生偏差，也知道如何调整。对使用者而言，重要的是机器人能否可靠地把事情做完，而不只是展示某一个动作。」
这些幕后故事的讲述也生动呈现着具体的人—— Natura-1 幕后扣人心弦的细节，以及自然意志团队谨慎预期之下的理想主义。
自然意志表示，他们保持着对灵巧手通用操作能力的长期期待，同时也判断可能首先采用成本更低的硬件进行落地。面向未来，自然意志将推进对通用物理模型的能力上限的探索，以及如何把已有能力转化为稳定、可负担的实际应用。谈及具身智能的「GPT 时刻」何时到来，团队则表达谨慎预期。
「对于具身智能的 GPT 时刻，现阶段更适合用具体能力来描述进展。模型能够泛化到哪些任务，在什么条件下成功，遇到失败能否恢复，以及能否达到实际使用需要的可靠性。未来，我们希望这些能力不断扩展，让机器人能够从人类经验中学习，并在更多真实场景中发挥作用。」
截至目前，已有越来越多的具身智能企业在技术前沿发现了机器智能涌现的早期迹象，并意识到从物理世界中吸纳数据、扩展训练规模的重要性。稍早之前，光轮智能、简智机器人纷纷公开了同自然意志有关人类具身数据层面开展的合作，这说明智能的涌现也依托于整个产业生态的相互配合。
智能潮汐滚滚向前。 作为国内具身智能领域领军企业之一，自然意志承载着一定期望。面对业界和社会对具身智能 GPT 3 时刻的普遍期待，Natura-1 的发布标志着自然意志在通用物理智能基模方向交出了第一份亮眼答卷。面向未来，自然意志最终期望实现的通用人工智能，核心是具备完整的泛化能力。要真正实现这一目标，前路依然长远，此刻走在路上比答案更重要。在物理世界挖掘智能，自然意志还在行动。