编辑 | 泽南
7 月中旬的一天，清华科技园的一处办公区， 一台人形机器人站在屋子中央，身后没有风扇轰鸣的 GPU 机柜，不远处是两张落满公式的书写板。
对面桌子的滑轮托盘上，放着一个纸杯。托盘被推了一下，滑动一段距离后，停在没有标定过的位置。当抓取指令响起，机器人调整方向，走向桌子，然后站稳，抓住杯子，举了起来。
10 多秒的视频一刀未剪，机器人的动作没有试探和犹豫，达到人的正常速度。
做出这套系统的团队叫信度启源。他们的算法没有用过几百张 GPU 训练，没有针对这个房间做过任何特殊标定，甚至没有针对「抓取水杯」这个动作做过一次预训练。采购完机器人本体、部署算法，从零开始完成全套调试，只用了一个月。
当硅谷的具身智能团队还在为泛化边界和数据瓶颈争论时，这里的人形机器人正在用数学对冲拟合幻觉，像人类一样，自然地完成从语音指令到抓取递送的全流程。
技术的底层，是清华大学刘宝碇教授创立的不确定理论；它的目标是用「不确定微分几何」直接计算物理世界的可信边界。
具身智能的牌桌上，有人正在换一副牌打。在信度启源的创始团队看来，当下行业的主流叙事中，用统计相关性去逼近物理世界的因果必然性，本质上是在用掷硬币的逻辑，去驾驭从不重复的真实世界。
从数学理论做起
不确定理论的创立者是清华大学数学科学系刘宝碇教授，他的代表作《Uncertainty Theory》被广泛引用并译成俄文、日文、中文和波斯文，是国际数学界公认的、不同于概率论的数学分支。
满足概率论公理的现象，称为随机。满足不确定理论公理的现象，称为不确定。
大量实证研究表明，现实世界是不确定的，不是随机的。
我们在现实中既观测不到大数定律，也观测不到中心极限定理，更观测不到重对数律。概率论的完美自洽，建立在「频率稳定」这个隐含前提上。就像掷硬币，掷一万次，正面朝上的频率总会在 1/2 附近波动。但真实世界没有理想条件，家庭场景、工厂扰动、天气都不会简单重复。当频率本身就远不稳定时，用概率模型去拟合，则会带来三重缺陷：
- 一是「强做可知」。概率模型在任何情况下都必须输出完整的概率分布，哪怕面对从未见过的事物，也要把 100% 的概率分配到已知类别上，这不是数据量能解决的问题，因为真实世界永远有新的组合。
- 二是「虚假精确」。当模型对一个物理上不可能发生的预测给出 99% 的置信度时，错误不在模型，而在于理论本身 —— 比如用维纳过程预测运动，会推导出路径长度无限长的矛盾。
- 三是「数据饥饿」。每一次环境变化都需要新的数据重新校准分布，这意味着永无止境的数据采集、标注和训练，这也是换场景就失灵的根本原因。
这些缺陷是当下具身智能行业痛点的源头，而信度世界模型天生绕开了它们。
信度的解法
高效白盒的世界模型
要理解信度世界模型到底做对了什么，其实要从每个人中学都学过的立体几何说起。
机器人控制的本质是几何问题。机器人在哪里，杯子在哪里，手要移动到哪个位置，以什么角度抓握，这些都是空间中的位置、姿态、轨迹问题，这是第一层：立体几何。机器人又是运动的，位置随时间变化，就必须引入时间变量，用微分方程来描述运动状态随时间的演化，这是第二层：微分几何。到这里为止，还没有超出经典数学的范畴，所有运动学、动力学，都是在用微分几何来重建机器人的空间运动。
但在现实世界，扰动必然存在：地面不是绝对平整，电机执行不是绝对精准，传感器存在微小误差，模型和现实之间永远存在偏差。如何处理这些偏差？
信度世界模型在这里走出了关键一步：它用信度来建模这些不确定性，目标是算出一个「可信边界」，就像开车的人不会精确计算旁边的车变道的概率分布，只会本能地保持一个安全距离：在这个几何范围内，我的动作是物理安全的。把微分几何中的扰动用不确定理论重新建模，就得到了第三层：不确定微分几何。
这就是信度启源为机器人构建的完整数学世界。
基于这套数学体系推导出的是一套「信度智能算法」。它实时解算未来状态的可信边界，让机器人在这个边界内做出最优决策，不需要海量采样、设想的分布，甚至不需要针对新场景重新训练：物理规律在哪都是一样的。
以不确定统计、不确定微分方程和不确定控制为基础，该团队构建了「七窍」智能框架，由听觉、触觉、视觉、校验、预测、决策、控制七个模块组成，复刻了人脑处理信息的逻辑。前三个模块负责感知世界：听觉、触觉、视觉模块从传感器数据中提取环境的几何特征，将其转化为「不确定测度」也就是信度，传递给下游模块。这部分可以用成熟的感知模型来做特征提取。
但决定机器人怎么动、动多快的校验、预测、决策、控制等核心模块，并不基于主流的大模型方法。
其中，校验模块就像人脑的前庭系统，为整个系统的安全兜底：它实时接收传感器数据，毫秒级判断当前状态是否超出了物理可信边界，如发现危险则立刻中断当前动作，不需要等待上层决策。预测模块对应人脑的顶叶，负责空间感知，它不仅预测未来运动轨迹，更重要的是「预测现在」，所有传感器都有延迟，机器人看到的永远是几十毫秒前的世界。预测模块会基于带延迟和噪声的数据，反推出机器人此刻真实的物理状态，再去推演下一步运动。决策模块对应人脑的前额叶：它基于信度最大化原则，直接求解最优控制律，不需要在几万个可能动作里做概率采样，也不需要用大模型生成可能的未来。控制模块则对应小脑和基底节，把决策指令转化为电机的精确控制信号，实现最优控制。
这条完全透明的数据流，从传感器数据输入到电机指令输出，每一步计算都有明确的数学支撑，决策可追溯、可解释，中间没有神经网络的黑盒猜测。
具身智能行业里，目前的技术路线存在两条主干道：
第一条路，端到端大模型，代表是 Google RT 系列、Figure Helix。核心逻辑是数据驱动、黑盒、泛化靠堆量。这条路的问题是：数据永远不够，分布永远不全，泛化永远是概率意义上的。
第二条路，传统控制理论 + AI 混合，代表是 Boston Dynamics 早期路线、特斯拉 Optimus 的部分模块。核心逻辑是规则驱动、场景受限。这条路的问题是：规则写不完，场景一变就失灵。
信度启源走的是第三条路：理论驱动、白盒、从数学公理推演。它不依赖数据规模，不依赖算力堆砌，而是依赖对物理世界本质的数学理解。
但这条路要求团队同时具备顶尖的数学能力和卓越的工程能力，两个能力缺一不可。信度启源的核心成员来自不确定理论的研究一线，同时又具备机器人全栈的工程落地能力 —— 这种组合在具身智能领域极为稀缺。
更深层的问题在于，这条路能否在更复杂的场景里持续验证。从抓取水杯到精密装配，从单机器人到多机协作，从结构化环境到完全开放的野外场景，不确定微分几何的边界在哪里，还需要更多实践来回答。
对此，信度启源创始人总结：「大模型是在用数据拟合世界，我们是在用数学理解世界。这是两种世界观。」
从自研到落地
做出这套系统的信度启源今年刚刚成立，由清华大学刘宝碇牵头，走的是一条从理论到部署的自研链路。
从最底层的不确定理论，到七个模块的架构搭建，再到硬件平台的部署调试，信度启源的整条技术链路已经构建完成。这是一条完整自主、不依赖西方 AI 主流范式的技术路线。
据介绍，该团队是少有的「数学家 ＋ 工程师」组合：核心理论团队已在不确定理论领域深耕了 20 年，在如今机器人传感器、电机等硬件条件成熟的环境下，理论自然落地到了具身智能这个最适合的场景。
目前，信度启源已经开启新一轮融资，下一步团队会把信度世界模型适配到更多工业机器人、人形机器人平台上，推进工业场景和商业场景。
在传统方案上，机器人适应一个场景任务往往需要标定点位、采集数据训练模型，而信度世界模型天生的抗扰动能力、快速适配能力、不需要针对新场景重新训练的特点，命中了这些场景的核心痛点：不需要针对每条产线做几个月的定制化开发，算法部署上去就能用，厘米级的位置偏差、光照变化、微小扰动都能自己处理。
这就让机器人从 demo 变成能 24 小时稳定干活的生产力。
给机器人一套和人类直觉同源的数学框架，用可解释的物理规律来进行决策。当我们不再强迫机器人用「掷硬币 」的方式理解世界，它才能真正长出应对真实世界的能力。
这场从数学公理开始的革命，正在拉开序幕。
