当前业界探索具身智能主要有三条技术路径：数据驱动、端到端和认知驱动。吴易明认为，“前两种都推崇规模定律，信奉大力出奇迹，也都通俗易懂、容易出圈，吸引了大量资源加持。但到目前为止，还没有显示度较高的代表性突破和落地应用。”

　　叶云对技术路线的三层架构是：基于大规模数据预训练实现的世界模拟；基于真机数据、真人数据、仿真合成数据实现的动作对齐；基于真机数据、仿真合成数据的持续强化。他认为，“这几条路径不是非此即彼的单选题，这正是我们提出‘双金字塔’体系的出发点：用世界模型(World Model)把互联网视频、真人数据、仿真合成数据、真机数据全部打通利用起来，理解基础的物理规律，获得动作生成的能力。用在线强化学习，让机器人在真实环境中实现持续的自我进化。”

　　“数据金字塔”由互联网视频数据、真人数据、世界模型模拟器、仿真合成数据、真机数据五层构成；“算法金字塔”由世界模拟、动作对齐、经验强化三层构成。两座“金字塔”相互咬合，让机器人先从海量数据中学会“世界是怎么运转的”，再学会“怎么把事做对”，最后在真实使用中持续强化、越用越聪明。

　　回到家庭场景最具挑战的“三个不固定”难题，叶云的解决方案是，“不靠为每个家庭场景单独编程，要靠基础模型具备的通用适应能力”。他所在的极佳视界公司，已对世界模型进行了多次迭代。仅在动作对齐层面，其世界动作模型(World Action Model，简称WAM)就能以约十分之一的实验数据量，达到全量数据训练的能力水平。