厘清智能发布PrismWAM与RoboDoctor：Physical AI双线推进

Physical AI争论的焦点，正在从“再堆一点视频预训练”转向“物理状态该怎么表征”。厘清智能与清华大学李一鸣团队本周末公开两项成果：模型侧的PrismWAM，与系统侧的RoboDoctor。

PrismWAM（模型层）：

1. 核心主张：把语义与物理解耦——用RGB做语义目标规划，用Depth做物理状态推演，再从物理推演读取连续动作；动作分支不直接依赖RGB外观相似性。
2. 训练设定：基于预训练视频骨干与深度VAE；官方称未做额外机器人动作数据预训练，也未对下游策略数据做额外增强。
3. 成绩：RoboTwin 2.0 C2R平均成功率约83.67%居官方榜单第一；RoboDojo无Agent口径约36.23分居同期可比第二；真机OOD相对OpenWAM等基线有公开提升口径。
4. 合作：论文作者含英伟达研究者；项目页与技术摘要已公开。

RoboDoctor（系统层）： 把底层动作策略与诊断、纠错、经验积累串起来——执行偏离时干预，并把交互沉淀为后续可用经验。在覆盖RoboDojo全部54项任务的测试中约57.1分，高于发稿时可查的HexaShell-Preview、WorldScape-R²SI等公开可比结果。

产业含义很清楚：厘清智能把“Scaling Physics”写成可核验的PoC——缩放对象可以是物理状态表征本身，而不只是参数与语义数据。需要说明的是，榜单分数依赖特定评测协议；跨本体与真机产线复制仍待更多独立复现。

一句话收尾：PrismWAM与RoboDoctor一内一外，想证明Physical AI下一程燃料可能是“可推演的物理状态”，而不只是更花的演示视频。