PAPER DEEP DIVE
构想智能体机器人:机器人系统的新时代
论文将具身智能体机器人的决策核心定义为“基础模型 + 具身执行外壳”的 Embodied S2,其中外壳负责上下文、工具、规划、记忆与验证。文章把模型能力与闭环系统表现分开评测,以延迟、成本和持续运行世界中的安全性约束系统结论,并用 L1 至 L4 的逐步扩展责任衡量从局部技能到长期角色的进展。它是一份概念框架与研究路线图,而不是已统一实现并验证的完整系统。
一句话总结
论文把智能体机器人的决策核心定义为“基础模型加具身执行外壳”的 Embodied S2,并提出分别评价模型能力与闭环系统表现、再用 L1 至 L4 衡量可委托责任的研究路线。
1. 研究背景:从专用策略走向可验证的物理智能体
传统机器人系统通常把感知、规划和控制拆成人工设计的模块。深度学习之后,仿真强化学习产生了敏捷运动与全身控制,视觉语言动作模型又把视觉、语言和动作放进统一策略。问题在于,这些策略往往绑定任务、场景或本体。场景变化、指令变化或机器人更换之后,原本很高的任务成功率可能迅速下降。扩大数据规模是解决泛化的一条路径,但数据采集受物理世界速度、接触信息稀缺与真机重置成本限制。
论文把另一条路径放在前台:不再要求一个策略直接记住所有动作,而是让通用基础模型在运行时理解目标、选择技能、调用工具、检查结果并修正计划。这个转变不是单纯给聊天模型接一条机械臂,而是把“意图、行动、证据、再决策”组织成闭环。基础模型提供世界知识与语义推理,外围运行时负责把推理变成有边界、可观察、可取消、可验证的物理调用。
论文写作的直接背景是 GPT-6 Astra 等前沿模型进入机器人评测。短时间内,基础模型配合不同执行外壳,在若干仿真基准上达到或超过专用策略。但实验结果非常分散:仅 RoboDojo 的 42 个任务,Astra 的报道成功率就从 22% 到 85% 不等,差异来自工具库、动作接口、任务提示、预算和评测协议。作者因此认为,社区缺少三样东西:智能体机器人的共同定义、能区分模型与系统的评测方法,以及从单步动作走向长期责任的研究阶梯。
这篇文章的贡献不是提出一个新网络,而是整理概念边界。它把系统分成 S2、S1、S0 三种功能角色,把 Embodied S2 具体化为“基础模型加具身外壳”,并给出可测试的识别标准。随后,它把八项能力、九个评测维度、四个责任层级与空间范围连接起来。读者应把它看成领域路线图:价值主要在问题定义、实验解释与评价规范,而不是一个已经证明可跨域部署的完整系统。
2. 参考架构:S2、S1、S0 与实时事件监视器
S2 负责解释用户意图、在目标和约束下决定下一步、编排能力,并根据证据判断上一步是否达到目标。S1 提供可调用技能,包括视觉语言动作策略、导航策略、运动规划、感知模块,以及 S2 临时写出的程序。S0 是本体相关接口与实时控制层,负责人形机器人的全身平衡、四足机器人的步态、机械臂的逆运动学与轨迹跟踪。三个层级按功能划分,而不是按模型数量划分;同一个模型可以承担多个角色,一个角色也可以由多个模块共同完成。
图 3:Embodied S2 由基础模型和包含上下文、工具、规划、记忆、验证五部分的具身外壳组成;实时事件监视器可以绕过慢速推理,直接触发 S0 的保护动作。
参考架构中有一个容易被忽略的外部组件:实时事件监视器。它以较高频率观察用户、机器人和场景,例如用户突然说“停”、机器人碰撞后异常运动、有人进入工作区。事件可能改变任务时,监视器中断 S2;事件需要立即处置时,它可以依据预先定义的安全规则直接让 S0 停止或减速。该设计承认基础模型和外壳都可能失效,因此不能把安全只寄托在语言判断上。
论文允许三条执行路径共存。第一条是分层编排,S2 调用 S1 技能,S1 生成控制目标交给 S0。第二条是直接控制,S2 通过受限动作接口把目标交给 S0,但 S0 仍保持自己的实时闭环。第三条是代码即策略,S2 生成程序,由运行时解释器暂时扮演 S1。三条路径不是互斥架构,一个任务可以先用感知工具定位,再让 VLA 抓取,最后用一段代码循环执行多个稳定子步骤。
图 4:分层编排、直接控制与代码即策略三种路径。S2 可以改变动作抽象层级,但不应被直接放进毫秒级实时控制环。
S2 的识别标准也不是“名字叫 System 2”。论文要求一个组件同时做两类可外部识别的事情:决定如何继续,包括下一个子目标、调用哪个技能、传什么参数,或者选择继续、重试、重规划、询问、停止;以及决定结果是否成立,即依据证据判断子目标或完整任务是否完成。只输出计划而不检查效果的规划器只实现部分 S2;只给成功概率的成功检测器也不构成 S2。双系统 VLA 的上层若只输出潜在表示,除非替换实验证明其决策含义,否则作者不把它归为 S2。
这一定义强调意图而不是固定任务字符串。用户说“把客厅收拾好”,真正目标可能是满足某种家庭规范,而不是执行一个预设动作序列。系统可能需要澄清、推断偏好、改变原计划,甚至在证据不足时拒绝行动。论文把责任放在 S2,把动作级细节授权给 S1 与 S0,但没有要求所有决策都由大模型生成。经典规划器、行为树或混合系统只要满足功能标准,也可以成为 S2 的实现。
3. 智能体闭环:从意图到经过验证的结果
一次闭环从解释意图开始。外壳把用户请求、世界状态、任务进度、身体状态、技能说明与历史记录组装成有界上下文。基础模型提出计划,选择外部工具、S1 技能或受限 S0 接口。能力执行后,系统不能只看“函数返回成功”,而要观察现场、控制器状态与证据,回答四个不同问题:请求是否被接受,执行是否终止,预期物理效果是否成立,用户意图是否得到满足。
图 5:智能体循环把解释、规划、调用、执行、观察和验证连接起来;任意阶段都可能被实时事件监视器打断。
四个问题不能合并成一个“成功”布尔值。请求被接受不代表动作执行完;动作执行完不代表杯子已经被夹稳;杯子被夹稳也不代表它被放到了用户指定的餐桌位置。论文用“拿红杯子”说明这种差异:夹爪命令可以正常结束,但腕部相机显示杯子仍在架子上,这属于执行已终止而物理效果失败。系统应重新观察遮挡、改变抓取点,而不是无意义地重复同一调用。
如果用户中途改口“不是红杯子,是蓝杯子”,监视器需要中断推理,外壳需要取消正在执行的抓取,并确认机器人已经进入可继续动作的保持状态。取消请求、取消被接受、运动真正停止是三个状态,不能把取消接口的返回当作机器人已停止。超时同样不是“动作没有发生”的证据;若动作实际已经完成,盲目重试可能造成第二次抓取或移动。
据此,论文强调执行契约。每次物理调用都应有明确的单位、参考系、前置条件、预期效果、资源限制、超时语义、取消行为与结束状态。一次调用还需要观察快照、调用记录与证据包,使失败可以追溯。论文给出的生命周期是“提出、准入、派发、执行、确认终止、验证效果、提交进度”,并为拒绝、失败、取消和未知结果保留分支。这个结构把“命令结束”和“任务完成”分开。
持久状态跨越一个 episode 和一个 session。episode 是一次任务,session 是连续使用期。外壳在当前任务里记录对象身份、步骤与尝试;跨任务和跨 session 时,还要保存环境、用户偏好与身体状态。记忆不能把一次观察当成永久事实。物体被移动后,旧记录会失效,因此每条记忆应保留获得时间、来源与修订方式。
4. Embodied S2 的形式边界与五个可读表达式
论文正文只有式 (1) 被正式编号。为了让架构边界更清楚,下面保留该式,并把论文中的定义、上下文组成、验证问题和固定时延约束改写为四个直接形式化表达。后四式是本文对该文命题的结构化转写,不是论文另行编号的新定理。
第一,Embodied S2 不是单独的基础模型,而是模型与外壳的组合。设基础模型为 F,外壳为 H,五个核心部件分别是上下文管理 C、工具接口 T、规划 P、记忆 M 与验证 V:
$$ \mathrm{EmbodiedS2}=\langle F,H\rangle,\qquad H=\langle C,T,P,M,V\rangle $$
这个表达式表达的是功能边界。基础模型从外壳提供的上下文里产生决策;外壳决定模型看见什么、能调用什么、如何执行、保留什么以及如何判断结果。安全门、预算控制和自我改进是建立在这五个核心部件之上的增强项,不应被误解为模型天然具备的能力。
第二,上下文至少包含世界、用户和身体三类状态:
$$ c_t=\langle W_t,U_t,B_t\rangle $$
其中 W 记录对象、地点、关系及其观察时间,U 记录偏好、习惯和承诺,B 记录几何、运动学、标定、当前状态、可用技能和 S0 接口。三者变化频率不同,隐私和失效规则也不同。身体说明使同一个 S2 有可能理解此前未见过的机器人,但前提是接口和限制有明确描述。
第三,论文式 (1) 定义观察年龄:
$$ \Delta t_{\mathrm{obs}}=t_{\mathrm{effect}}-t_{\mathrm{capture}} $$
t_capture 是决策所依赖观察的采集时刻,t_effect 是该动作真正产生效果的时点。差值包含感知、通信、排队和执行延迟,因此比单纯的模型推理时间更接近物理响应。若传感器、计算设备和执行器不在同一硬件上,两端时间必须用同步时钟测量。
第四,图 8 用周期与频率互换来比较不同层级的时间尺度:
$$ \Delta t=\frac{1}{f},\qquad f=\frac{1}{\Delta t} $$
据此,S0 的 50 Hz 至 1 kHz 对应每次 20 ms 至 1 ms;S1 控制技能约为 5 Hz 至 200 Hz;S2 是事件驱动而非周期控制,论文把动态操作目标放在约 0.1 s 至 1 s 的一次决策量级。这个目标不是所有任务的硬要求,但揭示了基础模型数十秒一次调用与实时控制之间的量级差距。
第五,验证证据需要覆盖四个问题。记接受、终止、物理效果和意图满足分别为 a、r、e、i,则完整验证可以写成:
$$ v_t=\langle a_t,r_t,e_t,i_t\rangle,\qquad a_t,r_t,e_t,i_t\in\{0,1\},\qquad V_t=a_t\land r_t\land e_t\land i_t $$
这里的关键不在形式,而在要求系统分别采集证据。工具返回可支持接受或终止判断,控制器状态可支持终止判断,传感器与任务检查器支持物理效果判断,用户意图则需要更完整的验收标准。若缺少独立证据,模型容易过早宣称完成,视觉语言裁判也可能在模糊画面上偏向成功。
第六,物理世界把“更强能力换更长思考”改成带截止时间的优化。论文称之为 capped scaling:在固定决策预算内提高决策质量,而不是无限增加推理 token:
$$ \max_{\pi\in\Pi}J(\pi)\quad\mathrm{s.t.}\quad L(\pi)\leq L_{\max},\; C(\pi)\leq C_{\max} $$
其中 J 表示任务收益,L 与 C 表示时延和计算成本上限。该式仍是论文文字目标的直接转写。它解释了为什么“答案更对但来得太晚”依然没有价值:物体可能已经滑落,行人可能已经进入路径,动作窗口已经关闭。
5. 具身外壳为什么决定系统表现
论文列出八项能力:知识、理解、推理、工具使用、记忆、跨本体、安全和效率。知识、理解与推理主要来自基础模型;工具使用、记忆、跨本体、安全与效率则同时依赖模型和外壳。这个分配意味着,用同一基础模型换一个上下文组织、工具库、验证器或记忆机制,系统表现可能发生很大变化,不能把完整系统分数直接归给模型本身。
图 6:Embodied S2 的八项核心能力。作者把外壳视为能力形成的一部分,而不是模型外面的普通适配层。
记忆问题尤其具体。论文引用的一项估计指出,128K token 上下文只能容纳约三分钟的高密度多模态记忆。若把整个 episode 都留在上下文中,冻结的 Astra 在 RoboMME 的 800 个测试 episode 上达到 92.1%,但每次模型调用平均 18.3 秒,而且调用时模拟器暂停。这说明长上下文可以替代部分工程记忆,却难以独立支撑时敏任务。跨 session 后,外壳仍要检索、更新和废弃上下文之外的信息。
工具不是一组没有副作用的函数。抓取技能可能在成功夹住杯子的同时挡住后续插入,感知工具可能返回坐标系不一致的位姿,逆运动学求解成功也不保证路径无碰撞。因此工具接口必须暴露单位、参考系、前置条件、失败语义和资源限制。论文把调用记录与证据包纳入契约,是为了让迟到的结果、重试和跨技能交接能够被审计。
论文给出三类反馈环:S1 与 S0 内部的感知运动环,S2 依据结果选择下一子目标的规划环,以及下一次运行前修订技能、提示、上下文规则、工具或权重的演化环。把三者混在一起,会让人误以为一个固定程序能通过感觉反馈完成长期学习,或误以为一个冻结模型完全不会改进。外壳本身是代码与数据,可以被智能体修改;这类修改同样需要留出任务、回归检查和版本回滚。
安全必须放在模型之外。专用安全门可以在动作派发前检查请求,工具接口可以拒绝越权能力,S1 和 S0 可以执行力与速度硬限制,事件监视器可以触发保护性停止。模型负责识别风险、预测后果和选择谨慎策略,但安全不能只靠模型判断。论文中的 RT-Safe 结果表明,当世界持续运行、模型思考变慢,碰撞风险会显著上升。
6. 评测框架:模型级与系统级必须分开
论文提出两层评测。模型级评测让基础模型在没有工具、通常单轮的条件下回答,测量知识、理解与部分推理和安全能力。系统级评测让模型通过外壳调用 S1、S0 和外部工具,测量闭环推理、工具使用、记忆、跨本体、安全执行、效率与成本。两层结果互补:只看系统成功率无法判断失败来自模型、接口、外壳还是控制器;只看模型问答又无法证明物理任务能够完成。
九维框架包含八项能力和成本,共细分为 53 个子维度,其中 29 个与具身性直接相关或强烈依赖具身性。维度不应加总成单一分数。知识、理解、推理回答“模型会什么”;工具、记忆、跨本体回答“系统通过外壳实现了什么”;安全约束所有维度;效率与成本描述资源消耗。最终的用户意图满足是端到端结果,而不是与九维并列的第十项能力。
评测协议需要固定动作抽象、披露观察契约、使用独立验证器、报告置信区间,并区分暂停世界与持续运行。论文特别要求报告观察年龄、错过截止时间的比例、每次调用成本以及人机接管次数。若两个系统使用不同工具库、特权对象状态、任务提示或步数预算,即使基准名称相同,也不能直接排名。
| 评测问题 | 模型级看什么 | 系统级看什么 | 不能混淆的原因 |
|---|---|---|---|
| 空间理解 | 多视角关系、参考系、可操作性 | 移动后定位、抓取与放置是否成功 | 问答正确不等于动作可行 |
| 规划 | 给定能力集选择可行子目标 | 执行失败后能否诊断并恢复 | 闭环反馈改变原本计划 |
| 工具使用 | 是否选对接口与参数 | 真实工具返回、延迟和副作用 | 文本工具描述缺少物理噪声 |
| 安全 | 是否识别危险并提出拒绝 | 是否能在动作前、中、后真正止损 | 文字拒绝与机器人拒绝差距很大 |
| 效率 | token 数、推理时间 | 观察年龄、动作时延、总任务成本 | 模型延迟不是完整响应延迟 |
论文给出当前公开结果的快照。它明确说明这些数据来自不同设置,其中一些模拟器在模型思考时暂停,因此表中数字不能用于跨论文排名。它们更适合显示三类趋势:在较窄仿真套件上,通用模型加外壳可以接近或超过专用策略;在开放式或探索型基准上,成功率仍然很低;接口、验证器和世界时钟会显著改变结果。
| 基准或实验 | 公开结果 | 应如何解读 |
|---|---|---|
| RoboMME | Astra 达 92.1%;单次运行;800 个 episode;平均 18.3 秒/次;模拟器暂停 | 长上下文记忆可行,但没有证明实时性 |
| RoboDojo-Sim | 直接接口 22.48%;官方评测配合工具为 46.9% | 同一模型受工具与协议强烈影响 |
| RoboLab-120 | 直接控制 66.3%;agentic session 为 74.8% | 会话编排提高表现,但设置并非受控跨模型比较 |
| LIBERO-PRO | 用动作原语、分割、π0.5 与代码组合达到 94.0% | 较窄扰动套件上的系统集成结果 |
| HumanCLAW | 识别目标 64.9%,完整任务 16.8% | 识别能力远不能保证全身闭环完成 |
| RobotWorld | 19.0%;63 个任务五款模型均未解决 | 开放式任务与物理动作仍是瓶颈 |
| AbstainEQA | 最佳前沿模型 42.79%,人类 91.17% | 模型难以识别证据不足 |
| EmbodiedSkillBench | 原生接口 92%,仅技能 61%,按需选技能 85% | 工具抽象与模型能力必须匹配 |
| RoboHarm | 文本拒绝 72%,真机动作拒绝 18% | 安全判断从文字迁移到动作时会衰减 |
时间数据给出的结论更直接。直接动作推理的一次调用约 18.56 秒;生成运动参考的一次调用平均 39.86 秒,30 秒行走需要 250 次调用,而且模拟器暂停。RT-Safe 最难路线中,Astra 每次决策约 7.7 秒;安全成功率在暂停世界为 19.8%,在持续运行世界降到 0.7%,碰撞增加 12.3 倍。一个 agentic Astra 策略在某个仿真基准上的 API 费用接近直接提示的 19 倍。这些结果共同说明,延迟、成本和风险都是系统变量。
外壳的贡献也有可测例子。相同 Astra 规划器、动作原语和调用预算下,用 Python 单元组织调用比普通工具调用把成功率从 63.1% 提高到 71.7%。EmbodiedSkillBench 中,选择性使用技能对 Astra 没有提高成功率,却减少 14.1% token 和 11.9% 时间。工具不只增加上限,也可能因接口不匹配压低强模型的表现。
7. 从数字智能体迁移什么,重建什么
数字智能体的成功依赖四个有利条件:状态与动作接口近似模型原生格式,结果可自动验证,训练数据充足,环境可复制和重置。软件任务同时满足这些条件,所以编译器和测试能把每次尝试变成快速反馈。机器人削弱全部四项:状态来自局部、噪声、遮挡和延迟传感器;结果需要现场观察;灵巧操作没有互联网级数据;真实环境复制与重置昂贵。
论文认为,闭环验证、工具契约、显式上下文、执行与判断分离、可复用技能这五项原则仍然可以迁移。需要重建的是物理接口、校准验证器、跨任务记忆、跨本体能力和运行治理。数字系统的退出码要变成带观察时间、终端状态、物理效果和证据来源的验证包;沙箱快照要变成安全门、权限、保护停机和可审计调用记录;文件记忆要变成可失效的世界、用户与身体状态。
物理世界还额外施加时间、不可逆性与身体变化。数字代理可以慢一分钟,机器人不能对一个已经变化的场景执行旧动作。代码错误可以回滚,碰撞和损坏不能。电机发热、电流饱和、电压下降与磨损会改变同一命令的效果。论文引用的一项硬件扰动实验显示,八种 VLA 在最严重设置下的汇总成功率从 93.2% 降到 50.9%。因此“策略权重没变”并不表示系统能力没变。
8. 研究路线:L1 至 L4 与空间范围
路线图不用“能完成多少种任务”衡量进展,而以机器人可被信任独立承担的责任范围衡量。L1 是原语,机器人执行局部技能并检查结果,例如拿起杯子。L2 是任务,机器人协调多个技能完成“倒咖啡并送到桌上”,处理失败直到满足验收标准。L3 是工作流,机器人协调相互依赖的任务,管理时间、优先级和共享资源,例如为四个人准备早餐。L4 是长期角色,机器人在连续任务和工作流之外维持一项约定责任,例如按照家庭日程与偏好管理每天早餐。
图 1:责任阶梯。上层包含下层能力;持续时间只是示意,不能单独证明达到某一层。
图 2:从直接映射任务与观察到动作的策略,转向由基础模型与具身外壳共同组织技能、工具、验证和适应。
空间范围是另一条独立坐标。工作单元在机器人可达与可视范围内;房间要求机器人移动底座并重新判断可达性;建筑超出一个视角,需要地图、地点记忆和搜索;场地包含多栋建筑和室外路线,还涉及其他人、机器人与区域交接。论文要求任何“达到某级责任”的主张都同时说明责任层级、空间范围、持续时间和复杂度。只在结构化实验室连续运行数天,不等于在开放环境中承担 L4 角色。
| 责任层级 | 机器人独立承担的范围 | S2 的新负担 | 当前证据判断 |
|---|---|---|---|
| L1 原语 | 执行并验证一个局部技能 | 动作参数、接触与即时结果 | 窄任务可靠度在上升 |
| L2 任务 | 协调技能完成完整任务 | 分解、异常处理、完成验收 | 非结构化环境已有可用演示 |
| L3 工作流 | 协调多个相互依赖的任务 | 时间、优先级、资源与跨任务状态 | 只有少量单公司演示或仿真链条 |
| L4 角色 | 跨天持续履行约定责任 | 长期记忆、偏好、主动维护与责任边界 | 开放环境尚无无人修复的可靠证据 |
论文由此提出四个研究方向:在物理截止时间内进行具身推理;跨任务与空间维持可验证状态;低成本适配新环境与新本体;从物理经验持续改进。四者相互依赖。若状态和验证不可信,长期学习会把错误经验固化;若新环境适配成本过高,工作流无法规模部署;若推理不能在期限内完成,再好的计划也无法安全落地。
作者把持续改进分成适应、持续改善与递归自我改进。适应改变当前任务的行为;持续改善保留经验证的工具、技能、记忆、外壳或权重,并证明后续任务收益;递归自我改进则改善“提出、选择和验证改动”的过程本身。当前证据尚不支持物理递归自我改进。一次改动通过现有测试也可能没有解决目标任务,因此必须报告留出任务收益、旧任务回归和模型、外壳、S1 三者的贡献。
9. 局限与独立判断
第一项作者自述限制是评测覆盖不足。多数基准只测工作单元或房间中的单任务和单 episode;建筑尺度主要出现在导航与记忆任务;场地尺度主要在驾驶、空中控制与城市导航。论文审阅范围内,没有基准测试共享资源和截止时间的多任务工作流,也没有跨天持续角色。也就是说,L3 与 L4 是研究目标,不是已被总体评测证明的现实能力。
第二项作者自述限制是仿真效度、连续时间比较、复杂任务验收与真机评测成本。复杂接触、形变、磨损和液体动力学难以完全保真;持续运行的世界不会重复同一轨迹,难以做严格配对比较;视觉语言裁判存在成功偏好;真实机器人多次试验昂贵,导致不少结论样本很少。作者因此不把 Table 8 当作跨论文排行榜,而只把它视为按证据强弱组织的快照。
独立来看,本文最大的价值是给系统边界和评测单位提供了共同语言,但框架本身还没有统一实现。项目页提供路线图与评测数据,不提供可以让第三方复现实验的 Embodied S2、工具协议或基准适配器。论文中的许多结果来自发布后两个月的预印本,作者没有重新运行。不同研究的工具库、提示、动作预算与暂停世界设置差异很大,因此“基础模型很强”或“外壳有增益”都只能作为局部证据。
另一个未完全解决的是因果归因。论文提出模型级与系统级双层评测、固定模型或固定工具等消融方式,这比单一成功率更合理;但真实系统中上下文、工具、验证器、控制器和安全门高度耦合。即使固定基础模型,外壳改动也可能同时改变工具选择、重试次数与观察频率。要把增益归到某个组件,需要接口级日志、统一证据格式、重复运行和留出场景。论文给出了方向,尚没有跨系统标准。
安全结论尤其不能从文本问答外推。RoboHarm 的文本拒绝率 72% 与真机动作拒绝率 18% 显示了明显落差。模型能说“不应做”不代表它能识别当前工具参数、接触后果和停止时机。真正可部署的系统应把权限、力速限制、保护停机和人工接管放在模型之外,并把安全成功率、误停率、响应时间和接管次数一起报告。
最后,L1 至 L4 是清晰的责任描述,却不是完整的能力度量。一个 L4 主张至少还依赖任务分布、环境开放程度、失败恢复、用户偏好、隐私、法规与人机协作。持续时间长也不等于责任层级高;在受控实验室连续运行 17 天只说明在受限领域维持了运行。论文承认这一点,后续研究需要把责任层级与空间、时间、复杂度组成多维验收,而不是用一个级别名称代替证据。
10. 结论
本文把智能体机器人从“让模型输出动作”重新定义为“让系统在物理约束下持续把意图转化为经过验证的结果”。基础模型提供开放世界知识与推理,具身外壳负责上下文、工具、规划、记忆、验证、安全、预算与演化。真正的难点不在单个函数调用,而在异步执行、过期观察、不能回滚的副作用、本体差异和长期责任。评测必须同时看模型与系统,并在真实世界时钟下报告成功、时延、成本、安全与人机接管。
这篇论文适合作为研究议程和工程检查表。它没有提供一个统一系统来证明全部主张,也没有解决 L3、L4 的验证问题;但它把容易混淆的“模型能力”“系统能力”“责任范围”拆开,为后续工作建立了可讨论的坐标。对机器人开发者而言,最重要的工程转向不是再写一个更长的提示,而是建立执行契约、独立验证、可失效记忆和可审计的安全边界。
机器人智能体的成熟,不由它能说出多少步计划决定,而由它能否在世界已经改变时,仍拿得出可验证的结果。
flowchart TD
U[User intent] --> M[Real-time event monitor]
U --> C[Context manager]
C --> F[S2 foundation model]
F --> P[Planner]
P --> T[Tool interface]
T --> L[Layered path: S2 to S1 to S0]
T --> D[Direct path: S2 to permitted S0]
T --> K[Code as policy]
L --> X[Physical execution]
D --> X
K --> X
X --> E[Observation and evidence bundle]
E --> V{Four checks}
V -->|request accepted| V
V -->|execution terminated| V
V -->|physical effect holds| V
V -->|intent satisfied| V
V -->|continue or recover| C
V -->|clarify or stop| U
M -->|interrupt and cancel| F
M -->|protective stop| S[S0 local control]
X --> S
S --> E



