Nature Will 发布 Natura-1：50B MoE 物理世界基础模型，用 100 万小时第一视角视频驱动 20 自由度灵巧手

核心背景与行业痛点

机器人基础模型大多停在两类：面向简单夹爪的通用策略，或只做单一任务的灵巧手系统。灵巧手的接触动力学容错极低，动作空间随关节数指数膨胀；而机器人真机数据只能在「机器人已经会做」的场景里采，形成死循环。2026 年 4 月成立的 Nature Will（真格基金投资）在 10 月 13 日发布的 Natura-1 选择换数据源：直接从人类第一视角经验里学。

架构亮点与底层机制

1. 单一 50B MoE Transformer：语言、图像、视频、动作放进同一序列，整段轨迹自回归建模；模态差异只体现在序列排布与注意力因果结构上。
2. 视频与动作同为状态：用 flow matching 联合去噪同时预测未来画面与动作，让稀缺的动作标签借力海量视频。
3. 数据与推理栈自研：100 万小时数据含 6170 万段、31.8 万任务；手部动作重建 MPJPE 较开源方案降 41%；训练 MFU 超 50%，推理端用 Rust 调度与融合 CUDA 内核保住 100ms 控制环。

权威 Benchmark 与实测跑分对比

官方 12 维灵巧操作基准：Natura-1 Base 53.4、Agentic 59.1；π0.5 与 GPT-6-Astra（作为写代码的策略）在灵巧手平台上都没拿到分，换到夹爪平台后为 13.5 与 16.7。注意基线跑在不同硬件上，不是严格同条件对比，且测试由厂商自建。数据从 4.4 万小时扩到 100 万小时后，真机动作预测 MSE 下降 67.7%。六个长流程演示（包馄饨、封箱贴标、贴膜等）额外做了任务微调。

开发者实战落地与开箱指南

目前没有开放权重、API 或 SDK，技术博客是唯一一手资料。对具身智能团队，可直接参考的是方法：「人类视频预训练 + 少量机器人后训练」、整轨迹建模、视频动作联合去噪，以及按任务分类法补齐冷门数据的采集流程。评估时重点看零样本泛化演示与训练集检索对照，并等待第三方复现。