ARTICLE SIGNAL
DeepSeek押注具身新团队:揭秘大模型与物理AI新规则
AI资讯,OpenAI机器人团队,DeepSeek具身智能,理格万物,Grid Robotics,System 0 1 2架构,物理AI,具身大模型,LLM系统工程,具身Harness,capped scaling,四级Roadmap,大模型商业化落地,AI新闻,AGI物理落地,AI门户
type
status
date
slug
summary
tags
category
icon
password
网址
在人工智能的发展浪潮中,数字世界与物理世界的交汇点正经历一场深刻的范式重构。
一边是全球人工智能领头羊 OpenAI 传出撤销其存续仅 166 天的机器人硬件研发团队,释放出“底层大模型足够通用,无需单独重构机器人硬件”的信号;另一边,国内以敏锐技术洞察著称的 DeepSeek,却在具身智能赛道投下了关键的第一注——领投由深谙底层运控与强化学习专家俞涛创立的“理格万物(Grid Robotics)”。
几乎在同一时间,Grid Robotics 联合学术界发布了重磅技术论文《智能体机器人:机器人系统的新纪元》(Agentic Robotics: A New Era of Robotic Systems),系统性地提出了划分物理智能体架构的标准。
面对这看似截然相反的战略抉择,整个行业正在形成新的共识:通用大模型(LLM)只是具身智能的起点,物理世界的可靠性与产业落地,必须依赖模型之外的系统工程。在当前各大 AI资讯与AI门户 讨论 AGI 演进路径的背景下,理格万物所建立的这套评估框架与分层法则,正在为整个具身智能赛道树立全新的坐标系。
架构重构:System 0、1、2 的物理界限与闭环逻辑
在过去的具身机器人讨论中,学术界与工业界对 System 0、System 1 与 System 2(即 S0、S1、S2)的职责划分长期处于模糊状态。有人将触觉反馈归为 S0,有人将平衡算法归为 S1,这种混淆直接导致了系统集成中的工程灾难。
理格万物在最新论文中给出了清晰的功能性定义:划分的标准不在于模型参数量大小,而在于职责边界与闭环逻辑。系统必须将人类意图、物理行动与环境反馈证据紧密耦合。
具体而言,智能体机器人的闭环架构由三个核心层级构成:
1. System 2(S2)——决策与验证中枢:
S2 由基础大模型结合专门的“具身 Harness(智能体框架/外壳)”共同构成。它的职责是解析多模态自然语言意图、拆解任务规划、编排技能工具并验证物理执行效果。需要明确的是,S2 不直接输出关节力矩或底层控制代码。在 S2 架构内部,Harness 包含了上下文管理器、工具接口、动态规划器、情境记忆以及最为核心的“验证器(Verifier)”。验证器的关键作用在于甄别“指令报告执行成功”与“物理世界真实达成”之间的偏差。例如机械臂抓取水杯,即便传感器返回夹爪已闭合,外部视觉验证器若发现杯子仍停留在桌面上,必须即时捕获该静默失败并触发重试机制。
2. System 1(S1)——技能与可调用功能模块:
S1 负责将 S2 的高阶语义意图翻译为具体的执行策略。它集成了视觉-语言-动作(VLA)模型、环境几何感知模型以及基础运动轨迹规划。S1 的执行频率通常位于 5Hz 至 200Hz 之间,能够根据高层调配自主组合微技能(例如:抓取动作 = 空间实例分割 + 无碰撞路径规划 + 末端夹持)。
3. System 0(S0)——机体原生接口与硬实时控制回路:
S0 是机器人的“小脑与脊髓”,直接维系人形双足平衡、四足动态步态以及机械臂逆运动学计算。其控制循环严格运行在 50Hz 至 1kHz 的硬实时环境内。S0 的最高铁律是:绝不等待 S2 的慢速推理思考。即便上层大模型因上下文计算停顿数秒,S0 也必须独立维持机体稳定和关节力矩极限保护。
此外,为了弥补 S2 慢节奏决策(往往需耗时数秒)与物理环境突变之间的间隙,系统引入了独立运行的“轻量级监控器(Lightweight Monitor)”。当出现人员侵入危险区域、机械结构碰撞或突发打断指令时,监控器可以毫秒级打断 S2 规划,并在底层安全规则下直接触发 S0 实施保护性急停。
一个合格的具身大脑:解构具身 System 2 的八大核心能力
在很多行业初学者甚至部分创业团队的认知中,常误以为只要将 ChatGPT、Claude 或 Grok 等顶尖多模态模型接入机械臂,就自然拥有了具身 System 2。论文明确否定了这种偷懒的假设。
基础大模型虽然为泛化交互提供了基石,但一个真正能适配物理生存的具身 S2,必须构建涵盖 8 项核心能力的完整技术画像。这 8 项能力被清晰地切分为两个层面:
首先是基础模型决定的认知脑力,包括知识、理解与推理:
- 知识(Knowledge):包含物理常识(重力、易碎材质特性、几何干涉)与机体先验认知(夹爪极限开合度、有效作业空间),并具备调用底层代码接口的先验。
- 理解(Understanding):机器人的物理“意图推断”能力。能够将模糊的人类 Prompt 提示词(如“我手边太乱了”)转化为明确的物理实体操作流程。
- 推理(Reasoning):在脑海中完成“反事实模拟推演”。如果调整机械臂姿态是否会遮挡主摄像头?上一次抓取滑落是否因为接触面摩擦力不足?
然而,这三项脑力在物理世界面临严苛的时延预算。如果在聊天框中,模型思考 10 秒输出一份精妙计划令人惊叹;但在现实倒水场景中,思考 10 秒则会导致水流溢出引发短路。
因此,更为关键的是后五项由大模型与 Harness 协同构建的工程生存能力:
- 工具使用(Tool Use):大模型如同管理调度者,绝不可直接操控底层硬件,必须通过严格受控的标准化 API 接口,附带合规参数(坐标基准、物理单位)调度底层能力。
- 记忆系统(Memory):物理世界的记忆必须具备时效性与可证伪性。物品会被外力挪动,机器人不能把过去的感知切片视为静态真理,必须支持实时修正与局部地图重建。
- 跨具身能力(Cross-embodiment):高阶语义逻辑与机械本体解耦。同一套任务调度大脑,能够无缝适配轮式底盘、双臂台架、四足机器狗或全尺寸人形机器人。
- 物理安全(Safety):安全不能仅依赖提示词层面的文本对齐。无论文本模型如何强调友好,物理端必须部署由 Harness 强管控的物理护栏与碰撞阻尼限制。
- 受限效率(Efficiency):物理执行追求“在既定截稿时间内交付合格答案”,而非不计时间代价的绝对最优解。
为了精准量化上述系统表现,理格万物团队在业内首次提出了涵盖 9 个宏观维度与 53 个细分子项的评测矩阵,其中 29 项指标专为具身落地场景定制。
破除“刷榜幻象”:从模型级静态测试走向系统级真实路考
当前具身智能领域的另一大痛点在于评测公信力的割裂。各类排行榜上,模型在虚拟仿真环境中动辄取得 80%、90% 的高成功率,但真机演示时却频频遭遇“翻车”或依赖高频剪辑。
造成这种现象的根源在于:行业长期将“模型做题能力”与“系统干活能力”混为一谈。
为了终结这一乱象,全新的评估体系确立了双层解耦原则:
- 模型级评估(Model-level)——考科目一(静态笔试):在无物理交互、无工具调用的隔离环境中,单纯考察大模型对物理常识、多模态语义识别与因果推理的理解基线。这一层级衡量的是纯粹的认知智商。
- 系统级评估(System-level)——考科目三(真实路考):将模型置入包含 Harness、传感器硬件、驱动机构和延迟抖动的完整物理闭环中。在此环境下,重点测试系统在时延压制、动态干扰和传感器噪声下的任务生存率。
在系统级测试中,杜绝任何形式的“内部状态自报成功”,必须引入外部客观视角设立的独立物理验证机制,并强制公开完整的执行时间开销、重试次数及未剪辑的失败日志。这种评测维度的分离,直接撕下了仿真刷榜的遮羞布。
物理世界的残酷铁律:从单调缩放走向受限扩展(Capped Scaling)
从软件世界走向物理世界,AI 面对的不是单纯的外接硬件,而是运行法则的颠覆。
在纯数字领域,代码运行报错可以按下“Ctrl+Z”撤销重试,算力换性能的“单调扩展法则(Monotonic Scaling)”几乎屡试不爽。但在物理世界中,存在四大不可逆硬约束:有限的反应时间、执行机构物理极限、非结构化环境突变、以及物理破坏后果的不可逆性。花瓶破碎无法回滚,设备倾覆代价高昂。
这一矛盾在频率响应上展现得淋漓尽致:底层的 S0 伺服需要毫秒级的硬实时响应(50Hz-1kHz),中间 S1 技能层处于几十赫兹级别,而庞大的 S2 大模型单次多模态推理耗时可达数秒甚至十几秒。如果依赖高时延的慢思考模型去维系动态平衡,机器人早已经跌落。
更具颠覆性的是经济账与时间账的权衡。此前英伟达的研究报告显示了一组耐人寻味的数据:采用结构化 Agentic Harness 配合复杂多步推理,任务成功率可达 74.8%,但单次任务的调用成本高达 36.4 美元;而放弃长链推理改用无状态端到端策略(Direct Policy),成功率虽然微跌至 66.3%(仅下降 8.5%),但单次任务成本骤降至 1.96 美元——推理成本缩减了 18.6 倍。
为了挤出微弱的准确率提升而让任务等待十几秒并支付天价算力,在工业制造、家庭服务或仓储分拣场景中均不具备商业成立的前提。
这也正是理格万物论文提出的核心观点——具身智能遵循的是“受限扩展(Capped Scaling)”。物理智能体的进化目标,绝非不计成本地堆砌算力换取理论智能,而是在极其严苛的物理时间窗口与成本预算内,逼近系统任务成功率的上限。
商业化落地的四个层级:从 L1 动作到 L4 岗位
为明确具身智能商业化的演进路线,论文构建了一套类似自动驾驶分级的责任框架,并以极具生活化的“家庭早餐场景”确立了四个递进阶梯:
1. L1 动作级(Primitive)——秒级周期:
执行单一物理原子技能,例如“机械臂前伸并握紧杯把”。系统的责任范围仅限于该特定微动作是否达成。
2. L2 任务级(Task)——分钟级周期:
协调序列化技能完成完整操作,例如“使用咖啡机制作一杯热咖啡并端放到餐桌”。系统需要具备监控流程进度与初步局部容错的能力。
3. L3 工作流级(Workflow)——小时级周期:
面对多目标、共享物理资源与严格时间节点的高级统筹,例如“在清晨 7:30 准时为四位家庭成员备齐不同口味的早餐与饮品”。此时系统核心转向资源竞争仲裁、时序排布与并行任务分发。
4. L4 岗位级(Role)——天乃至月度周期:
持续履行某项固定职责,例如“长期全权担任家庭专属营养管家”。系统要求拥有跨周期时空记忆、持续环境自主适应、自我维护报警以及与人共处的信任机制,直至被人工解除授权。
纵观当前全球具身智能赛道,绝大多数惊艳的实验室成果与 Demo 展示,本质上仍局限在 L1 与 L2 阶段的泥潭中打磨。
然而,企业级客户采购与消费级场景买单的核心价值,全部集中在 L3 与 L4。客户不再为“抓取成功了一次杯子”而掏钱,真正值钱的是“连续作业 8 小时无故障”、“面对意外跌落能自行爬起重试”、“次日依然准确记住工具存放方位”。在迈向 L3 与 L4 的征途上,通用模型本身的边际效应正在递减,而 Harness 工程系统的主导权正在全面显现。
物理世界没有“降维打击”,系统工程铸就核心护城河
回顾理格万物的团队底色,便能理解这一技术流派成型的深层原因。创始人俞涛早年在腾讯 AI Lab 探索复杂博弈与强化学习决策,后在逐际动力带队主导打造了代号为 System 0 的机器人全身动态运动控制系统(WBT)。团队成员同时囊括了来自南洋理工大学的多模态视觉前沿学者,兼具顶层决策算法与底层运动控制的复合背景。
这也清晰地解释了 DeepSeek 为何选择理格万物作为其在物理具身世界投下的第一注。
当前大模型(LLM/VLM)的认知能力正逐步通用化与基础设施化。当基础脑力在云端变成标准组件时,能够将这些非结构化认知转化为确定性物理动作、解决时空延迟抖动、管理受限时间与物理安全的“系统工程架构”,将成为稀缺且极具商业壁垒的护城河。
OpenAI 撤并机器人硬件团队,并不是具身智能叙事的终结,而是象征着“单纯拿大模型降维收割物理硬件”的浪漫主义幻想正式破灭。从数字世界迈向真实物理世界,从来不存在轻巧的降维打击。
在通用人工智能(AGI)迈向实体化落地的大趋势下,关注最新 AI新闻与AI资讯 的开发者与产业决策者应当认识到:大模型的尽头是系统集成,而物理世界的入场券,永远掌握在那些甘于深耕 Harness、打磨底层运控、向每一毫秒延迟和每一次物理碰撞要结果的系统工程实干者手中。
Loading...