v0 · 完整正文
研究综述
研究窗口:2026-01-25—2026-07-25|研究模式:scoping review|结论截至 2026-07-25
摘要
近半年,智能体技术对具身智能最实质的影响,不是让一个大模型直接接管所有关节,而是把机器人系统重构为分层闭环:高层智能体负责理解目标、维护状态与记忆、调用技能、判断成功并在失败后重规划;VLA、世界模型或传统技能负责把语义目标变成可执行动作;经典控制器和安全系统继续承担毫秒级稳定性与硬约束。与此同时,另一类“机器人之外的智能体”开始编排合成数据、仿真、训练、评测和边缘部署。
论文证据支持这种分层路线能提高长时任务可组织性、跨平台原型复用和结构化记忆效率,但也一致暴露四个生产级缺口:成功误判会污染记忆,远程推理延迟过高,同步工具调用不能及时抢占物理动作,语言约束不能替代几何感知与安全控制。产业公开信息则显示,模型发布和厂商演示已大量出现,客户现场验证正在增加,持续商业运行仍集中在搬运料箱、厂内物流、巡检和清洁等边界明确的任务。当前最准确的行业判断是:具身智能正在从“动作模型竞赛”进入“任务闭环与系统工程竞赛”,但尚未进入通用人形智能体的规模经济阶段。
1. 研究范围与证据边界
本轮复用了同一知识库中已完成全文阅读的近半年 VLA/世界模型证据,并针对 agentic robot control、具身推理、记忆、技能编排、成功检测、重规划和多智能体补充检索。候选注册表共 1,250 条;其中早期发现池沿用 2026-01-19 起的检索,较本轮窗口左边界多 6 天,仅用于覆盖和饱和度判断。进入本报告正式论证的 32 篇论文均位于本轮时间窗内,均取得完整非 OCR 全文、完成结构化论文笔记和主张—原文定位审计,共形成 47 条接受证据。直接主题、相邻迁移、反证与限制、部署运营、机制与接口五个维度均通过覆盖检查,最后两轮扩展检索未发现新的主题类别。
产业部分采用另一套证据标尺:监管披露和独立报道优先于客户侧公告,客户侧公告优先于厂商新闻稿;融资、模型发布、演示、签约、试点与持续生产被分别记录。厂商数字只用于说明其公开主张,不与同行横向排名。
2. 核心结论:三层机器人智能体,加一层研发智能体
论文与产业信息共同指向一个中心判断:智能体没有取代机器人技术栈,而是在其上增加了低频、可解释、可恢复的任务闭环。最有价值的进展不是让语言模型输出更细的电机指令,而是把目标、状态、记忆、技能调用、成功检测和失败恢复连成一个系统;越接近物理接触和安全边界,越需要把决策交还给本体专用策略、实时控制器与独立监控。
2.1 技术主线总览
2.2 认知层:任务分解、状态、记忆和成功检测
ALRM 一类系统已经把规划器、执行器与机器人 API 分开,动作结果回传给高层循环,使计划能够被修订;但其 56 条多步指令主要在轻量仿真代理中评测,不能证明真实机器人可靠性。ALRM 更接近真实系统的研究则让 LLM 读取语义状态快照并调用导航、抓取、放置等参数化技能:同一高层循环可在真实 Mobipick 上运行,并在约一天内通过提示和接口绑定迁移到 Valdemar 仿真场景;前提是两套平台都已经具备成熟的低层软件栈、结构化状态和成功/失败返回值。Agentic AI for Robot Control
这意味着“通用性”首先出现在任务编排层,而不是接触动力学层。Google DeepMind 2026 年 4 月发布的 Gemini Robotics-ER 1.6 也采用同样方向:把模型定位为高层具身推理器,可调用搜索、VLA 和第三方函数,并把 success detection 作为重试或进入下一阶段的门控。Google DeepMind 这是重要的产品架构信号,但其性能数字仍属于厂商评测和合作展示。
2.3 执行层:技能、VLA 与世界模型成为可调用能力
长时任务不再要求一个模型以同一频率完成所有决策。H-WM 用低频符号逻辑维持任务顺序,以潜在视觉子目标连接感知,再由高频 VLA 执行动作块;在五个 5—7 步 LIBERO-LoHo 任务上,双层引导比仅逻辑引导高 16.4 个成功率百分点,但代价是额外训练、系统复杂度和任务可符号化的假设。H-WM Figure 的 Helix 02 厂商演示也明确采用慢速语义推理、200 Hz 视觉运动策略和 1 kHz 全身控制三种时间尺度;其四分钟、61 动作视频证明了集成可能性,却没有提供重复试验成功率、人工接管率或生产节拍,因而只能算 L1 演示。Figure
世界模型在这一栈中更适合作为预测、验证和纠错组件,而不是“看起来真实”的视频生成器。现有证据要求世界模型同时满足真实结果忠实度、长时一致性和足够快的滚动效率;评价还必须检查动作条件一致性与乐观偏差。WEAVER 黑盒动作扰动可让一套原本报告 96.5% 成功率的世界动作模型降至 43.1%,说明安全监测必须验证“想象未来”与实际动作是否同步,不能只看预测视频是否合理。BadWAM
2.4 记忆层:从聊天记录转向对象—状态—技能结构
记忆正在从保存文本轨迹转向可操作的世界状态。Analytic Concept-Centric Memory 显式连接对象、场景状态、动作转移与技能,并用前置条件、后置条件限制检索和执行。在五类真实桌面任务中,相对关键帧检索,平均成功率从 56% 提升到 84%,检索准确率从 68% 提升到 98%,检索努力从 4.5 降到 1.3。ACM 但另一项 PyBullet 研究发现,情景记忆对任务成功率的影响随模型与任务变化,较稳定的收益只是减少工具调用;更危险的是,失败模型会把未完成任务误判为成功,从而把错误标签写入长期记忆。Language to Action
因此,具身记忆的第一原则不是“存得更多”,而是只有经过外部可验证成功检测的结果才能写入。记忆库、成功检测器和回滚机制必须被视为同一个可靠性系统。
2.5 研发与运维层:智能体开始操作物理 AI 工具链
智能体的第二条产业路径不在机器人本体,而在研发流水线。NVIDIA 2026 年 5 月把 Cosmos、Omniverse、Isaac、Metropolis 和 Jetson 工作流包装为智能体可调用技能,使软件智能体能够编排数据生成、场景重建、仿真、训练、持续评测和部署。NVIDIA 这类应用的短期价值可能比“让 LLM 直接控制接触动作”更确定,因为它工作在可回放、可审计、可回滚的数字环境中。页面列出的效率提升仍主要来自 NVIDIA 与合作伙伴自报,应按具体流水线单独验证。
3. 行业应用与成熟度
| 场景 | 智能体承担的角色 | 近半年公开进展 | 当前成熟度判断 |
|---|---|---|---|
| 工业巡检 | 多视角理解、仪表读取、任务完成判断、异常升级 | Gemini Robotics-ER 1.6 与 Boston Dynamics 展示仪表读数合作场景 | L1—L2;感知推理可用性增强,缺持续现场 KPI |
| 仓储与厂内物流 | 任务编排、料箱搬运、工作流衔接、舰队管理 | Agility Digit 已在多个企业环境商业运行;AP 独立报道给予侧面确认 | L3,但任务窄;不能外推为通用人形能力 |
| 通用人形操作 | 长时语义分解、全身运动、错误恢复 | Figure Helix 02 长时演示;与 Catalyst Brands 宣布配送中心部署协议 | 技术演示 L1、客户集成 L2;尚无公开生产指标 |
| 制造现场验证 | 语义指令、非标工件适应、跨设备调度 | UBTECH 称 Hitachi 已在部分制造环境测试 Walker S2 | L2;验证性引入,不等于规模生产 |
| 钢铁等高风险任务 | VLA、数字孪生验证、运动规划、异构机器人运营 | POSCO DX 与 NC AI 启动联合开发及仿真验证 | L0;当前是 MOU 与研发计划 |
| 服务、清洁与配送 | 已有导航/调度栈上叠加物理推理与跨本体模型 | Pudu 发布 PuduFM 1.0,提出 PIM+VLA+数据飞轮 | 新模型 L1;既有 13 万台装机不能等同于新模型部署规模 |
| 机器人研发流水线 | 自动生成数据、构建数字孪生、训练、评测和边缘调优 | NVIDIA 发布 agent-ready physical AI skills | 工具可用 L1;企业内部采用效果需逐项审计 |
Agility 是公开证据中最接近持续商业运行的案例。其 SEC 申报材料称 Digit 已在 Schaeffler、GXO、Toyota Motor Manufacturing Canada 等环境运行,但同时明确说明千台多年订单代表潜在合约价值、受部署里程碑约束,并非当期收入。SEC filing 独立报道确认其商业运行的事实,同时指出当前“甜点区”仍是搬运重型料箱等 worker-bee 任务。Associated Press
与之相比,Figure 与 Catalyst Brands 的公告证明了客户集成启动,而不是已经达到产线 KPI。Figure–Catalyst POSCO 的客户侧公告更清楚地说明,工业大客户仍把现场数据、VLA、运动规划和数字孪生放在联合开发与验证阶段,安全、精度和效率提升都是预期而非已实现结果。POSCO
4. 生产化的五个硬门槛
- 成功检测必须独立于规划器自报。 模型“相信自己成功”会同时破坏任务状态、重试逻辑和长期记忆。Language to Action
- 推理频率必须分层。 ALRM 中工具调用模式把平均延迟从 33.44 秒推高到 82.60 秒;RACAS 每 5—10 秒才产生一个动作,作者认为接触丰富长任务因此慢到不可行。ALRM RACAS
- 技能必须可取消、可抢占、可检查点恢复。 同步工具循环靠轮询发现事件,不能在长动作中即时停止;物理系统需要并发监控和硬实时安全通道。Agentic AI for Robot Control
- 语言世界状态不能替代几何与接触感知。 缺少深度会使碰撞风险判断过度或不足自信;接触任务还需要触觉、力觉及失败附近的纠正轨迹。RACAS TACO
- 动作接口必须绑定具体本体。 同一命令在不同控制器、本体、硬件个体和部署动态下可产生不同动作;动作 token 和离线指标不能天然跨机器人迁移。Embodiment Alignment SA-VLA
5. 对产品与投资判断的含义
未来 6—12 个月更可能形成收入的,不是“开放世界家庭万能机器人”,而是三类产品:第一,已有成熟导航、抓取或搬运技能库的棕地工厂与仓库,用智能体降低工作流配置和异常处理成本;第二,巡检、清洁、配送等低接触或弱接触任务,用成功检测、视觉推理和舰队记忆提高任务覆盖;第三,面向机器人研发团队的 agentic toolchain,用数字孪生和自动评测降低模型迭代成本。
判断一家公司的“智能体含量”时,不应问它是否用了 LLM,而应检查:是否有类型化技能接口;状态是否来自传感器而非对话历史;成功检测是否独立;动作是否可抢占;长期记忆是否有写入门控和回滚;低层控制是否在本地实时运行;是否公开人工接管率、每任务成本、P95 延迟、平均无故障任务数、恢复成功率、节拍/良率和安全事件。只有这些指标跨客户、跨站点稳定,才能从 L2—L3 走向 L4。
结论
近半年智能体技术已为具身智能增加了一个真正有用的“任务操作系统”:它把自然语言目标连接到状态、记忆、技能、VLA 和失败恢复,并开始同时管理机器人本体与研发流水线。但其价值来自分层和约束,而不是放任大模型端到端控制。现阶段最佳工程组合是:高层智能体负责低频、可解释、可回滚的任务决策;技能/VLA 负责中频执行;实时控制器与独立安全系统负责不可妥协的物理约束。 产业上,L1 演示和 L2 验证已密集出现,L3 仍局限于少数窄任务,L4 尚无充分公开证据。
证据附录、逐篇阅读记录和主张审计见本研究运行目录;产业成熟度按 L0(研发)—L4(规模经济已证实)分级。