GLOW：面向月球与火星探索的全智能世界模型

CSUN与NASA JPL联合研发的具身通用智能世界模型，融合生成式AI与具身学习，支持自主漫游车导航、机器人操作和多机器人协调，为行星探索任务提供预测性决策能力。

• 原作者/维护者: GLOW Community (CSUN Computer Science / Embodied AGI, NASA JPL)
• 来源平台: GitHub
• 原始标题: GLOW: Generative AI and Embodied Learning for Omni-Intelligence World Model
• 原始链接: https://github.com/GLOW-Community/GLOW
• 项目主页: https://glow-community.github.io/GLOW/
• 发布时间: 2026年6月

NASA的CADRE(Cooperative Autonomous Distributed Robotic Exploration)任务计划在月球表面部署协作式漫游车集群。然而，月球和火星的非结构化地形、通信延迟、遮挡和不平整表面给自主导航带来了巨大挑战。传统的反应式策略将观察直接映射到动作，在面对未知环境时往往失效。

GLOW项目应运而生，旨在构建一个全智能世界模型(Omni-Intelligence World Model)，通过预测未来环境状态来支持预判性决策，而非仅仅对当前观察做出反应。这种能力对于在月球和火星等极端环境中执行任务的自主系统至关重要。

GLOW的核心是一个世界模型引擎，能够从当前观察和行为预测未来环境状态。与反应式策略不同，世界模型(如集成在π0.7中的BAGEL 14B)可以预测未来观察，这对于导航存在遮挡和不平整表面的非结构化地形至关重要。

项目将生成式AI与具身学习相结合，使机器人能够通过真实世界和模拟经验获取视觉运动技能，并具备强大的仿真到现实(sim-to-real)迁移能力。这种融合使系统能够在没有特定任务重新训练的情况下泛化到新场景。

GLOW支持在自主AGI建模框架内实现多机器人协调——这是NASA下一代行星探索任务的关键能力。通过学习的推理和推理表示，漫游车可以在没有显式集中控制的情况下做出联合决策。

GLOW架构围绕三个操作支柱构建：

操作与执行(Operation & Execution)

负责高级策略生成、子目标规划和语言指令解析。这一支柱将抽象的任务目标转化为可由机器人代理执行的具体动作序列。通过大型机器人基础模型(如π0.7)的上下文学习驱动任务规划，使系统能够泛化到新场景。

可信推理与可解释性(Trustworthy Inference & Interpretability)

与NASA黄金任务标准安全对齐，确保推理决策是可解释的、可验证的，并基于知识推理——这是任务关键型自主系统的要求。这一支柱对于在无法人工干预的深空任务中建立系统可信度至关重要。

空间智能(Spatial Intelligence)

通过空间理解、视频预测和环境建模优化动作。这一支柱使系统能够构建丰富的3D环境表示，用于规划和控制。机器人可以在脑中"想象"未来场景，选择最优动作序列。

GLOW建立在现有大型基础模型之上，包括：

• π0.5/π0.7: 分层视觉-语言-动作架构与世界模型
• Gemini: Google的多模态大模型
• GPT-5: OpenAI的通用大语言模型

这种集成策略使GLOW能够利用预训练模型的通用能力，专注于机器人特定的世界建模和决策。