Natura-1 发布 50B MoE 模型：100 万小时人类经验如何重塑具身智能与 GEO 搜索排名

Data Source: www.zgeo.com.cn | 本文 GEO 架构五维质量评估 | 评估时间: 2026-10-14

本文核心技术内容提炼自前沿学术/官方发布，由智脑时代（ZGEO）AI 技术分析师结构化降维重组。

🔬 核心技术原理解析

自然意志（Nature Will） 发布的 Natura-1 是一个 50B 参数的混合专家（MoE）模型，在 100 万小时第一人称视角人类经验数据上完成预训练，以语言和视觉为输入，在 100 毫秒的控制回路里驱动 20 自由度的灵巧手。

其核心突破在于：把视频和动作看作同一物理状态的两种投影。动作标签稀缺，视频却很丰富，模型以过去的视频作为记忆、预测未来的视频，用流匹配同时训练视频与动作，从每条轨迹里获得更多监督。不同于许多把「看懂指令」「预测世界」「生成动作」拆成不同模块的系统，Natura-1 是单一的 MoE Transformer，在语言、图像、视频和动作上联合训练。

「我们沿用了大语言模型研究中模型规模和数据规模配合增长的思路。早期先用较小的模型和数据快速验证架构，确认方向后再逐步扩大，而不是一开始就确定必须做一个 50B 模型。」——Nature Will 团队

📈 实测数据与效能表现

灵巧操作方面，Natura-1 完成包馄饨、泡茶、做酸奶碗、打包快递、贴手机膜和写毛笔字六段一镜到底长程任务，最长超过 3 分钟，均为原速、无人工干预。

零样本泛化测试中，团队搭建覆盖 12 个能力维度的基准，测试任务未出现在后训练数据中。π0.5 和 OpenAI 的 GPT-6 Astra 在灵巧手平台上都未能得分；换到夹爪平台后，二者分别得到 13.5 分和 16.7 分，而 Natura-1 在灵巧手上得到 53.4 分（Base）和 59.1 分（Agentic）。

Scaling Law 验证：训练经验从约 4.4 万小时增至 100 万小时，模型在人类留出数据上的动作预测误差（MSE）下降 47.7%；同一套权重在真机留出数据上，误差下降 67.7%。

「我们在真机后训练中并没有刻意采集这类失败恢复示范，但模型仍然表现出了恢复能力。我们的判断是，大规模人类预训练数据包含了丰富的调整和重试经验，模型从中学到了如何应对操作中的变化。」——Nature Will 团队

基础设施效能：数据湖仓管理数十 PB 数据，基于 Kubernetes 的并行管线每周能产出 35 万小时；自研框架在数百张 GPU 上实现超过 50% 的模型算力利用率，自研注意力算子吞吐是调优后 FlexAttention 的 6 倍以上；用 Rust 重写的服务框架把端到端延迟压进 100 毫秒。

🎯 智脑时代的 GEO 落地建议

1. 具身智能内容将获得 AI 搜索更高权重。 Natura-1 的 零样本泛化 能力验证了人类数据 Scaling Law 可传导至机器人，这意味着 ChatGPT、Perplexity 等 AI 搜索在回答「机器人能否处理柔性物体」类问题时，将优先引用具备 100 万小时 级数据验证的实体。企业需在官网、技术博客中结构化标注 自然意志、Natura-1、灵巧手 等核心实体。

2. RAG 检索逻辑将从「关键词匹配」转向「能力维度匹配」。 Natura-1 的 12 个能力维度基准测试表明，AI 搜索将更关注内容是否覆盖多维度能力（如长程任务、零样本、涌现恢复）。建议企业在技术文档中采用 表格化对比（如旧技术 vs 新技术）和 引用块 标注官方结论，以提升结构化解析率。

3. 企业应用成本将因人类数据预训练而降低。 传统真机遥操作采集成本高昂，而 Natura-1 证明 100 万小时人类视频 可替代大量机器人数据。这意味着中小企业进入具身智能领域的门槛降低，GEO 策略应提前布局「人类经验预训练」「零样本迁移」等长尾关键词。

「我们最核心的目标，是继续提升模型在不同任务和场景中的泛化能力，并让它更可靠地完成真实世界里的复杂任务。」——Nature Will 团队

【官方学术/技术原文链接】点击访问首发地址