ZIWU AIEmbodied Intelligence Measurement与我们连接 ↗

01/04

ZIWU · GRAPH MODELING

可视化所有的
具身智能。

Graph 把机器人、模型、任务、运行和证据接在一起。每次运行都能查、能比、能追溯。

一头接真实世界与模拟世界，一头接数据厂商与机器人本体、模型公司——同一张图，两边都看得懂。

OBJECTS × RELATIONS

Graph 描述运行，Visualization 打开模型。

ZIWU GRAPH MODEL同一套对象与关系

Scenedefines →Task

Robotruns →Model

Episodeperforms →Task

Episodeproduces →Evidence

Failurebelongs to →Episode

Datasettrains →Model

图不是最后画出来的报告，而是贯穿任务、运行、失败与证据的模型。

现在任务单元

先把一个任务从「测」到「改」跑通

下一步联邦测试点

同一把尺，复制到更多机器人和场地

终局机器人小镇

所有机器人在同一条赛道上留下成绩

先从一个任务开始，扩成跨机器人、跨仿真、跨场地的能力网络，最终建成机器人小镇——具身智能的“纽北赛道”：谁的机器人都能来跑一圈，成绩留在同一张榜上。

02/04

SIMULATION → REAL ROBOT → ROBOT TOWN

从模拟，到真机，
再到机器人小镇。

Graph 贯穿仿真与真机；机器人小镇则在真实世界里，把高难任务固化为统一规则与长期成绩。

SIMULATION模拟世界场景 · 扰动 · 仿真 Episode

↔复现条件
仿真结果

ZIWU GRAPH · THE CONNECTOR同一套对象与关系

Scene · Task · Robot · Model
Episode · Dataset · Failure · Evidence

↔测试任务
真机证据

REAL WORLD真机运行机器人 · 模型 · 真实 Episode

ROBOT TOWN统一赛道 · 长期成绩

DATA SUPPLY数据厂商数据供给 ↔ 采数需求

↔数据供给
采数需求

↔版本接入
能力缺口

EMBODIED INTELLIGENCE机器人本体 / 模型公司新版本 · 能力需求

GRAPH OUTPUT能力边界失败定位数据需求复测路径

03/04

TASK-GRAPH DIGITAL TWIN · RECORDED + LIVE

一张任务图，
回放 7 条轨迹，接住每次 GPU 实跑。

点节点、拖时间轴或点锚点，任务图与三路录制视频同步定位；LIVE 当前返回头部相机帧。

CANONICAL TASK GRAPH V6 · 12 NODES · 7 RECORDED + N GPU RUNS图随视频逐段生长。

CAM 01 · HEAD · XR1·trace s1e2t=24.64 s · step 615/615

FINAL_ACCEPTANCE · 双臂归位

推进抓取 / 对准尝试回退 / 进展丢失停滞循环超时终局未到达 / 无逐步观测

ACT · seed 0FAIL
Xiaomi_R1 · ep5SUCCESS
Pi_05 · ep5FAIL
Pi_05 · ep8SUCCESS
XR1·trace s0e0FAIL
XR1·trace s0e2FAIL
XR1·trace s1e2SUCCESS

XR1·trace s1e2 · SUCCESS · score 0.94× SCORE_GATE · FINAL_ACCEPTANCE @615打开数字孪生 / GPU 仿真实跑 ↗

GPU SIMULATION · LIVE RUN

一键启动，轨迹逐步长进 Graph

云端 GPU 运行 Isaac Sim 仿真。阶段、步骤、里程碑与头部相机帧持续返回；完整三路录制证据以 RunBundle 为准。

START→EVENTS→REPLAY

GRAPH ⇄ VIDEO

点图到帧，拖视频回到节点

节点、时间轴与锚点缩略图共用一个播放头；录制完成的三路视频同步定位。

EVIDENCE TYPES · TWO LAYERS

原生任务结果与视觉判读不混用

已到达、未到达与无逐步观测分别标注；群体统计不替代单次轨迹证据，原因只作为可检验假设。

150 → 144 → 121 → 92 → 35P3→P4 观测推进率 38.0%

进入完整数字孪生 ↗查看完整 Landscape ↗

边界 GPU 实跑指 RTX 4090 上的 Isaac Sim 仿真执行；当前结果不外推为真实机器人结论，也不外推为跨厂商真机结论。

04/04

FOUNDING TEAM · GRAPH COMPUTING × PHYSICAL INTELLIGENCE

用图计算，建立具身智能的共同描述层。

不是画一张图，而是定义哪些对象、关系和状态，能让真实世界、模拟世界、数据供给与具身能力在同一模型中对齐。

CEO刘文豪

负责产品、工程与商业落地，创业初期兼任 CTO。

教育背景

北京邮电大学 · 计算机硕士

研究方向

长期研究 Agent Evaluation

论文成果

ACL & KDD 论文一作、通讯作者

研究与产业

华为实习期间师从任宇翔教授 · 曾任华为、阿里 Researcher

首席科学家任宇翔博士

长期从事图计算与图神经网络研究，负责把物理场景、模拟环境、机器人、模型、运行与数据组织成可计算、可追溯的关系模型。

南京大学

助理教授 · 特聘研究员 · 博士生导师

华为 2012 实验室

图计算研究员 · “天才少年”计划 · 2022–2025

研究主线

图计算与图神经网络 · AI4Science · 多模态科学大模型 · 端侧 Agent

30+ 篇论文

TKDE · ICDE · NeurIPS · AAAI · KDD 等

个人主页 ↗南京大学官方主页 ↗完整 CV ↗

尹天枢，ZIWU AI Infrastructure 与 Agent 算法负责人

Infrastructure & Agent尹天枢

负责运行环境、评测管线与 Agent 算法的工程落地。

教育背景

05 后 · 美国明尼苏达大学应用数学系

开源社区

Terminal-Bench-Science 核心贡献者

负责方向

Infrastructure 与 Agent 算法

具身智能工程师张杰瑞

负责 Agent 算法与具身智能算法的研发、验证和工程落地。

教育背景

北京邮电大学 · 计算机硕士

研究成果

KDD 一作

合作经历

与任宇翔、刘文豪合作两年

负责方向

Agent 算法 & 具身智能算法

可视化所有的具身智能。

一键启动，轨迹逐步长进 Graph

点图到帧，拖视频回到节点

原生任务结果与视觉判读不混用

可视化所有的
具身智能。