图片来源与许可 · CC BY-SA 4.0
AI 辅助插画 · 参考照片：DavidPMaynard · CC BY-SA 4.0 · 依据参考照片使用 AI 绘制细线彩铅人物插画，调整背景、构图与色彩；网页与分享卡片按版式缩放、裁切并叠加文字。展示图缩放至最长边 640 像素并转为 WebP。 · 参考图：File:Anastasis Germanidis at 2026 SXSW London 02.jpg · 照片日期：2026-06-03 13:09:25 · 插画及本站对分享卡的改编贡献沿用 CC BY-SA 4.0
公开发言
3原话逐字核对过；转述不加引号我们常说的一件事是：随着我们不断扩展视频模型，仅仅通过 Scale 视频模型，我们意外地为机器人领域创造出了一个顶尖模型。我们在去年年中意识到，机器人实验室纷纷主动找上门来，希望将视频模型用于生成合成数据，并让我们针对机器人场景对视频模型进行后训练。
One thing we like to say is we as we scaled video models, we accidentally uh created a state-of-the-art model for robotics uh by just scaling video models. So we realized at some point um mid last year that robotics labs started coming up to us and kind of asking to use video models for synthetic data kind of asking us to post train our video models to work really well for robotics
语境：Anastasis Germanidis 披露 Runway 开发 GWM1 时的工程惊喜：视频规模化预训练直接沉淀出了对物理交互的通用感知表征，无意中成为机器人策略的核心基础设施。
如果你拥有一个交互式模型，你希望它能够生成反事实结果——例如如果我执行动作 A 与执行动作 B，它能生成同样逼真的不同结果。我认为这就是视频模型与世界模型之间的重大鸿沟：反事实推演能力。如果你想要一个出色的机器人世界模型，你必须能够极其逼真地模拟动作的失败。
if you have an interactive model, you wanted to be able to generate counterfactuals like if I take this action versus this action, you wanted to generate equally realistic outcomes. Uh so that's I think the big gap between video models and and and world models is that idea of the counterfactual generation. And if you want a great model for robotics, you want to simulate failure very well
语境：Anastasis Germanidis 辨析世界模型的技术本质：视频模型倾向于生成顺畅的成功画面，而具身策略评估与强化学习闭环则高度依赖对「失败」的反事实精确模拟。
利用第三人称人类视频对世界模型进行前置预训练，能够显著降低具身智能对昂贵遥操作硬件采集数据的依赖，打破真实物理世界数据采集难以规模化的瓶颈。
语境：Anastasis Germanidis 阐释具身数据飞轮路径：人类主要是通过第三人称观察学习动作，世界模型吸收海量日常视频后，仅需少量动作微调即可泛化到机器人任务。