AREX Feed Article
NTT 发布让机器人先预测后行动的物理 AI 技术：自报货架堆放成功率从 73.1% 升至 92.3%
2026 年 11 月 11 日，NTT, Inc. 在东京发布一套面向机器人的物理 AI（physical AI）技术：机器人在真正移动之前，先对控制程序给出的多个候选动作逐一推演结果，评估载荷倒塌、物品掉落等失败情形的概率，再执行预计能成功的动作。据 ，这套技术的核心是一个把 NTT 自研 physics control adapter 整合进视频生成模型的世界模型，显式处理物体的位置、朝向、速度、质量等物理量，并依据运动方程预测状态变化。
在一项用小型机器人模拟物品堆放的货架装载任务中，NTT 自报采用该技术后，任务成功率从 73.1% 升至 92.3%，上升 19.2 个百分点。这套技术的首个设想应用是形状和重量各异的机场行李自动装卸：NTT 计划与 Mujin, Inc. 推进实地验证，并计划在 11 月举行的 上展出。截至发布，成功率与应用规划均来自 NTT 单方口径。
机器人在动手前，先把每个候选动作「预演」一遍
NTT 把这套技术定位为现有机器人控制软件决策的补充。按新闻稿说明，候选动作可以来自 VLA（Vision-Language-Action，视觉-语言-动作）模型——这类基础模型以相机视频和语言指令为输入、直接输出机器人动作——也可以来自 motion planner（运动规划器），即根据任务目标和周围环境信息计算机器人控制量的程序。对每一个候选动作，世界模型基于候选动作和相机、传感器信息生成一段「未来视频」，预测物体掉落、碰撞、载荷倒塌等结果并给出评分，机器人据此挑出成功概率高的那一个。新闻稿称，模型在设计上以保持精度为前提高速运行，以便直接嵌入机器人控制流程。
新闻稿配图展示了这个筛选过程：同一场景下，候选动作 A 的预测结果是载荷倒塌，候选 B 会掉落物品，候选 C 保持稳定，系统选择最后一个。
动机：常规世界模型算不准碰撞，物体还会在视频里「消失」
新闻稿在背景部分交代了这套技术的针对性。物理 AI 指让机器人等机器通过相机和传感器感知物理世界、自主决策与行动的 AI；在其中，依据机器人自身动作预测环境状态变化的世界模型正受到关注。但按 NTT 的描述，常规世界模型不在内部显式表示物体的物理量，生成的视频可能出现物体凭空消失、不合常理的形变，物体间的碰撞等相互作用也可能预测不准；对大量训练数据的依赖，则让模型在训练数据没有覆盖的情形下更容易失手。
在装卸形状、重量、摆放方式各异的物品时，这些短板尤其突出——机场行李和快递小件包裹是新闻稿点名的两类场景：仅靠常规机器人控制，事先很难判断一个动作会不会压塌载荷、掉落物品；而为每一种可能的物品收集训练数据也不现实。NTT 给出的思路是显式表示物理量、按物理规律推演，让模型应对没有见过的情形。
physics control adapter：先从视频估出物理量，再按运动方程生成未来
具体承担这件事的是 NTT 自研的 physics control adapter。按新闻稿和配套架构图，它先从视频出发，把画面分解为称为 slot（槽位）的特征向量，为每个物体估计位置、朝向、速度、质量等物理量，再依据运动方程计算物体下一步的运动，并把计算出的未来状态作为条件注入视频生成过程。NTT 称，这是全球首次把 physics control adapter 整合进作为世界模型基础的视频生成模型——「全球首次」为其自述口径。
新闻稿为这项设计列出四个特点：按物体估计物理量，依据物理规律高精度预测未来行为；显式引入物理规律后，可以预测训练数据中没有出现过的情形与运动；与视频生成模型结合，预测以自然的视频形式输出，便于在执行前评估动作结果；显式给出预测背后的物理量，让生成结果有据可查。
两组自报数据：小型机器人堆放实验与 OBJ3D 基准
NTT 公开的数据有两组。第一组来自货架装载实验：让一台小型机器人模拟物品堆放，对比采用与不采用该技术时的任务成功率，结果分别为 92.3% 和 73.1%。新闻稿中的实验画面显示，系统对四个候选动作分别打出 0.815、0.283、0.383 和 0.882 的分数，得分最高的第四个动作被标记为最佳。
第二组来自公开视频预测基准 OBJ3D，其中的视频包含多物体碰撞等交互。NTT 称其世界模型在 LPIPS（Learned Perceptual Image Patch Similarity，一种按人类感知方式衡量预测视频与真实视频相似度的指标，数值越低越接近真实）上优于对比方法：商用视频生成模型 NVIDIA Cosmos Predict 2.5 为 21.90，学术研究中报告过的最优结果 OCK（Song, YeonJi 等，ICCV 2025）为 7.92，NTT world model 为 7.81。按表格数字，NTT 与学术最优的差距是 0.11，领先幅度并不大。
两组数字均出自 NTT 自己的发布：堆放实验使用小型机器人，OBJ3D 是合成物体的碰撞视频。，计划中的 Mujin 实测要检验的，正是这组提升能否迁移到真实的机场行李装卸场景。
实测尚未开始，两家公司主讲人已列入论坛日程
新闻稿列出的合作设想不止 Mujin, Inc. 一家：NTT 还将考虑与机器人服务提供商、物流和仓储企业合作；在行李和包裹装卸的基础上，NTT 设想把这套技术扩展到物流仓储、制造、建筑、零售等领域，目标口径是「帮助减少人力需求、提高生产率」。
发布一周后，这项技术将按计划在 NTT 自己的论坛上展出。显示，论坛于 2026 年 11 月 18～20 日和 24～25 日举行，11 月 25 日 10:30～11:20 设有一场技术研讨会，主题为「AI 机器人与预测物理行为的物理信息世界模型的演进」，主讲人是 Mujin Japan, Inc. 首席执行官、全球首席营收官 Isamu Arase 和 NTT Human Informatics Laboratories 的 Executive Research Engineer Jun Shimamura。截至发稿，NTT 与 Mujin, Inc. 的实地验证尚未开始；这组实验室数据能否迁移到真实的机场行李装卸，要等这轮实测给出答案。