Agentic robot

本文研究能自主选择行动的机器人。 重点包括移动、抓取和多步骤任务。 工业机械臂、轮式机器人和人形机器人都在范围内。 自动驾驶和医疗机器人只作边界说明。

研究结论

Agentic robot 可理解为“自主决策机器人”。 它接收目标，观察环境，再选择并执行行动。 它还检查结果，并按需要调整后续行动。 “Agentic”描述自主决策程度。 它不指定外形，也不指定模型供应商。

伯克利课堂还强调了另一种用法。 Agentic robotics 也指代理参与机器人工程。 代理可以先写程序，部署时退出运行。

目前的进展分成两条线。 研究系统能处理更多物体、场景和指令。 商业系统则在较窄的任务上积累运行记录。 两者的证据不能互相替代。

OpenAI、Anthropic 等通用模型能参与这类系统。 它们可规划任务、调用技能，也可编写控制程序。 专用动作模型、传感器和控制器仍很重要。 更新的通用模型扩大了可行范围。 但模型能力不等于整机可用性。

本报告的核心判断是： 应同时评价任务范围、可靠性和运行成本。 仅看“会做多少件事”，会高估实用能力。 仅看单一工位的稳定性，也会低估研究进展。 下文给出支持这些判断的证据及其边界。

1. 定义与概念边界

1.1 本文采用的工作定义

Agentic robot 是一种物理系统。 它能根据目标和环境状态，自主选择行动。 它通过传感器检查结果，并调整执行过程。 自主性必须落在规定的任务范围内。

这是一种分析用定义。 本文不把它当作行业统一标准。 厂商对“agent”“自主”和“通用”的用法并不一致。 Anthropic 也指出，业界对 agent 的定义存在差异。 ^[1]

判断一个系统是否有实质自主性，可检查四件事：

1. 用户能否给出目标，而不必逐步遥控？
2. 系统能否根据当前环境选择行动？
3. 系统能否检查实际结果？
4. 系统能否在失败后改变行动、停止或求助？

这些条件仍不能证明它适合商业部署。 它们只帮助区分自主行动和固定动作展示。

Goldberg 在 2026 年 10 月 22 日课堂上， 重点介绍了代理编写和改进机器人程序的路线。 这比本文的“运行时自主决策”定义更宽。 因此，阅读项目介绍时要区分： 代理在开发时工作，还是在执行时工作？ 运行时不用大模型，仍可执行条件分支与反馈控制。 “没有在线代理”不等于“没有自主性”。 ^[2]

1.2 相邻概念的区别

VLA 是模型类别，Agentic robot 是系统描述。 一个 VLA 可以只负责几秒钟的抓取动作。 完整机器人还可能需要导航、记忆和失败处理。 Google 将具身推理与动作执行分别建模。 这提供了一个具体例子。 ^[3]

1.3 传统机器人也可以具有自主性

自主导航、状态估计和反馈控制早已存在。 大模型出现前，机器人就能避障和规划路径。 因此，“传统机器人只会播放固定动作”不准确。 MoveIt 等系统早已提供运动规划和碰撞检查。 ^[4]

这一轮变化主要在任务表达和技能迁移。 研究者尝试用自然语言指定目标。 他们也尝试复用跨物体、跨场景的经验。 新的任务不再总要从头编写全部行为。 RT-2 和 Open X-Embodiment 是代表性研究。 ^[5]；^[6]

2. 它试图解决哪些问题

机器人自动化经常需要控制环境。 工件要放在规定位置，动作要提前调试。 任务变化后，工程师可能需要修改程序或夹具。 Agentic robot 尝试降低这些适配成本。

下面是问题与技术机制的对应关系。 这是架构分析，不代表每个产品都已做到。

这些机制分别见于 SayCan、RT-X 和 ASPIRE。 MHS 则主要处理设备接入和协调。 它们解决的问题不同，也可以组合使用。 ^[7]；^[6]；^[8]；^[9]

2.1 一个完整例子：把杯子送到会议室

以下是设计示例，不是某款产品的演示记录。

用户说：“把蓝杯子送到会议室。” 系统先确定目标杯子和会议室。 存在多个蓝杯子时，系统需要消除歧义。 它随后检查杯子是否可达，路线是否可通行。

抓取过程中，杯子可能滑动。 机器人需要通过视觉、力觉或触觉发现变化。 它可能重新抓取，也可能停止并请求协助。 杯子移到桌面后，系统还要确认放置结果。

完成条件不能只是“已经发出放下命令”。 它应包括杯子稳定落在目标位置。 机器人也需要知道是否仍夹着杯子。 目标、动作和结果之间的对应关系最容易出错。

这个任务包含不同时间尺度。 选择会议室可能需要较慢的推理。 维持平衡和调整抓力则需要快速反馈。 把所有步骤都交给一次模型回答，难以满足这些要求。

3. 系统如何组成

3.1 常见模块

这张图表达功能关系，不规定软件必须分成几层。 部分模型会合并感知、规划和动作生成。 有些系统主要依靠代码和已有机器人技能。 模块数量不能作为先进程度的指标。

3.2 各部分分别做什么

碰撞检查依赖环境模型的完整性。 看不到的障碍物仍可能造成问题。 “规划器通过检查”也不等于物理系统绝对安全。 MoveIt 文档展示了规划场景与碰撞检查的关系。 ^[10]

3.3 快慢系统如何配合

Figure 对 Helix 02 的公开说明很具体：

• System 2 处理目标、语言和行为顺序。
• System 1 以 200 Hz 输出全身关节目标。
• System 0 以 1 kHz 处理全身控制。

这是特定系统的设计，不能推广为行业统一频率。 它说明了为什么慢推理与快速控制需要配合。 神经网络也能承担底层控制。 底层控制并非必然采用人工编写的规则。 ^[11]

云端模型适合部分高层决策。 本地计算有助于降低延迟和网络依赖。 具体分工仍取决于任务速度和硬件条件。 Pi API 的早期应用使用了云端推理。 该团队同时披露了网络连接问题。 ^[12]

4. 四条实现路线

这些路线可以组合，边界也在变化。 它们不是四个互斥阵营。

4.1 通用模型选择已有技能

系统给模型提供可调用的动作。 例如导航到目标、抓取物体、打开夹爪。 模型根据目标和观测选择下一项技能。 机器人软件负责执行技能。

SayCan 的关键设计是加入可行性判断。 语言模型评估某项技能是否有助于目标。 技能价值函数评估当前状态下能否成功。 系统结合两者选择动作。 这样可以减少“说得合理，但机器人做不到”的计划。 ^[7]

这种路线适合已有可靠技能的机器人。 它能较快增加自然语言任务入口。 但能力受技能库限制。 模型无法只靠一句指令创造缺失的物理能力。

4.2 VLA 直接生成动作

VLA 将图像、语言和机器人状态映射为动作。 动作可以表示末端位姿、关节目标或夹爪状态。 “末端”通常指机械臂末端的工具或夹爪。 动作表示方式取决于系统设计。

RT-2 将机器人动作编码成 token。 它把机器人数据与视觉语言数据一起训练。 目标是将语义知识用于机器人控制。 知道物体的名称和用途，可帮助选择操作目标。 ^[5]

较新的策略也会生成连续动作序列。 Diffusion Policy 用生成模型预测一段动作。 系统执行其中一部分，再观察和预测。 这叫滚动时域执行。 它能根据新观测调整后续动作。 ^[13]

VLA 的收益是减少每项技能的手工设计。 代价是对数据、训练和评测提出更高要求。 一个模型“看起来在按指令行动”，还不够。 评测需要改变指令，并检查行为是否随之改变。

4.3 Agent 编写、测试和保存控制程序

模型也可以先编写机器人程序。 系统执行程序后，保存观测和错误记录。 模型分析失败，再修改程序。 通过验证的经验进入技能库。

ASPIRE 是这条路线的研究实例。 它通过执行记录修复程序，并复用已验证技能。 作者也列出明确限制： 真实部署仍需安全监控、复位和可靠的成功检测。 能力受预设机器人接口限制。 反复搜索程序还需要较多计算。 ^[14]

这里的“学习”可以只修改代码和记忆。 模型权重不一定发生变化。 这与强化学习更新动作模型是两种机制。

4.4 通用模型更直接地参与动作控制

模型也可以读取观测，输出动作参数。 不过，底层仍需执行接口和快速控制器。 “直接控制”必须说明具体控制层级。 输出末端目标，与逐时刻输出电机力矩不同。

2026 年 10 月的一项研究测试了 GPT-6-Astra。 研究覆盖 12 个基准和 8 种真实机器人配置。 较强结果使用了训练示例和更多交互步骤。 部分设置允许最多 10 倍步骤预算。 作者仍发现成本、时间和真实部署方面的差距。 ^[15]

这修正了一个容易过时的判断： 不能把通用模型永远限定为高层规划器。 但也不能用增加试错预算后的结果证明实时可用。 评测必须同时记录动作预算和实际耗时。

4.5 世界模型的作用

世界模型尝试预测环境如何变化。 它可用于生成训练场景，或估计动作后果。 部分研究进一步将预测与动作生成结合。 NVIDIA Cosmos 提供了相关模型和开发工具。 ^[16]

需要区分“画面看起来合理”和“物理预测准确”。 生成的视频不能自动证明摩擦或接触力正确。 如果预测误差进入规划，后续动作也会出错。 工程上仍需真实传感器和任务测试验证结果。 这是对使用方式的判断，不是对全部世界模型的否定。

4.6 伯克利课堂补充：代理开发与现场执行

2026 年 10 月 22 日的 Goldberg 课程， 将传统工程和编程代理放在同一个系统中。 课上介绍的 GaP 路线先生成程序，再测试和修改。 部署后由执行器运行程序，代理无需持续在线。 这减少了现场对模型推理延迟和费用的依赖。 程序仍需真实传感器、控制器和异常处理。

这张表是根据课程内容整理的工程框架。 它不代表每个项目都采用相同流程。 课堂来源为第二段录音 00:43:11 起的转写段落。 该段连续收录了多个案例，时间不是逐句定位。 ^[2]

GaP 的策略是一张可执行计算图。 节点完成感知、规划、控制和结果检查。 代理用仿真反馈修改图结构与参数。 图中也可以调用训练好的动作模型。 因此，编程代理与 VLA 可以组合使用。 ^[17]

4.7 从真实视频到仿真，再回到真机

课堂中的 RoboSimStudio 擦拭案例补充了关键环节。 编程代理先根据视频构建可编辑的物理仿真。 GaP 再利用仿真反馈改进控制程序。 真机失败后，代理还要修改仿真的物理假设。

案例中，仿真把横杆支架设成固定物体。 真机擦拭时，支架却被推走，海绵失去接触。 代理根据失败视频，将支架改为可移动刚体。 修正后的仿真可以重现位移和倾倒。 这里缺少的是支撑约束，增加画面细节无法补足。 论文仅报告单个任务的迁移试点。 它没有给出可推广的真机成功率。 ^[18]

这个案例为 Genie 4 的评价提供了具体问题。 生成场景是否区分“固定支架”和“可移动支架”？ 相同推力能否产生可检验的位移？ 真机失败后，系统能否修正这个假设？ 这些是本报告提出的验证问题。 它们不预设 Genie 4 已提供物理参数接口。

4.8 课堂数字与论文结果的边界

课堂口述、仿真结果、真机测试必须分别记录。 尤其不能将课堂的概括数字替换成论文实验结果。

^{[2] [17] [18]}

课程中的时间预测也需要保留归属。 “家用机器人还要多久”属于讲者判断。 “十万年数据缺口”属于讲者的规模类比。 本报告不将它们作为产品交付时间或数据定律。

5. 能力如何训练出来

5.1 数据提供不同种类的知识

UMI 使用手持设备采集操作示例。 它尝试减少采集数据时对完整机器人的依赖。 这有助于扩大场景覆盖。 但人类视频本身并不等于可直接执行的机器人数据。 ^[19]

5.2 模仿学习

模仿学习让模型学习示例中的动作。 输入通常包含现场观测和任务条件。 训练目标是生成接近示例的动作。

问题在于，执行误差会改变后续状态。 模型随后可能进入示例没有覆盖的情况。 只收集漂亮的成功示例，可能缺少恢复经验。 因此，数据多样性和失败处理都很重要。

OpenVLA 是开放研究中的代表。 其原始模型使用约 97 万条机器人示例训练。 它提供了研究迁移和微调的基础。 这些数据量不能直接换算为商业可靠性。 ^[20]

5.3 强化学习和人工纠正

强化学习根据结果改进策略。 机器人可能获得成功、速度或质量方面的反馈。 现实中还需控制试错风险和复位成本。 目标函数也必须对应真正想要的结果。

Physical Intelligence 的 RECAP 结合多种经验。 其中包括示例、机器人执行和人工干预。 它研究如何用部署经验继续改进 VLA。 这是一种经过设计的训练过程。 它不意味着机器人交付后会自动无限进步。 ^[21]

5.4 跨机器人训练

不同机器人的关节、相机和夹爪并不相同。 动作坐标、控制频率和工作范围也有差异。 共享数据时，需要统一表示或增加适配部分。

Open X-Embodiment 汇集了 22 种机器人的数据。 研究展示了跨机器人经验的正向迁移。 但跨机器人训练不能保证适用于任意新硬件。 “通用”仍需要说明训练覆盖和适配成本。 ^[6]

5.5 推理时适应不等于重新训练

至少要区分四种变化：

Generalist 在 2026 年 8 月发布 GEN-1.5。 其公司测试展示了从少量示例适应任务。 过程不需要梯度更新。 作者也明确指出，测试任务简单且时间较短。 不能据此推断机器人看一次就会完成完整工作。 ^[22]

6. 御三家模型与世界模型的影响

6.1 可以使用，但不必使用

OpenAI 或 Anthropic 的模型可以负责推理。 它们也可生成代码，或通过接口调用机器人能力。 系统还可以采用 Google、开放模型或自研模型。 机器人动作能力不由某一家聊天模型独占。

表中是公开工作的归类。 它不是市场份额或性能排名。 投资关系也不能证明机器人使用了投资方的模型。

6.2 通用模型升级能改善什么

它可能改善目标理解、计划和工具调用。 也可能改善视觉判断、失败分析和程序生成。 但不能通过模型升级直接增加夹爪摩擦力。 相机盲区、关节间隙和网络中断也需要工程处理。

Anthropic 在 2026 年 7 月发布控制研究。 结果明显依赖机器人身体和控制接口。 对复杂身体，预训练控制策略很重要。 部分直接控制测试还会暂停仿真，等待模型响应。 这类设置用于研究能力上限，不等于实时部署。

同一研究还发现，增加监督模型会带来代价。 部分操作测试中，组合系统弱于单独的 VLA。 研究也报告了监督模型带来的净收益。 相关任务超出了 VLA 独立处理的能力。 因此，新增决策层需要单独验证效果。 ^[23]

6.3 接口可以降低集成成本

MHS 于 2026 年 8 月进入研究预览。 它给可编程设备提供统一驱动和设备描述。 agent 可通过这些接口读取状态、发出命令。 公开案例涉及实验室设备和机械臂。 这是设备集成进展，不是通用机器人完成度的证明。 ^[9]

6.4 三家公司的实际作用

“御三家”在此指 OpenAI、Anthropic 和 Google。 比较重点是它们在机器人系统中的作用。 聊天、代码和机器人基准测量的能力并不相同。 本次检索没有得到同条件的全系统排名。

OpenAI 官方文档确认 Astra 支持图像输入。 它还支持函数调用和结构化输出。 这些能力可用于机器人接口集成。 这是工程推论，并非官方机器人产品验收结果。 ^[24]

前文的 Astra 具身研究由外部研究团队完成。 论文作者包括 SenseNova 联合团队。 它不应被写成 OpenAI 发布了通用机器人。 ^[25]

Project Fetch 主要展示机器人软件集成。 研究人员连接硬件，并批准命令及任务转换。 因此，编程速度不能换算成物理作业速度。 ^[26]

Google 的模型页面区分了几类模型。 Robotics ER 2 负责具身推理。 Robotics 2 和 On-Device 2 面向动作生成。 后者面向机器人本地执行。 这比“接入一个聊天模型”更接近完整技术分工。 ^[27]

6.5 Google 的真机示例依赖什么

Google 于 2026 年 10 月 13 日介绍 Argon 机器人工作。 一项示例先在 MuJoCo 中练习垃圾桶操作。 Spot 随后执行真实任务。 另一项机械臂示例使用标定坐标和动作接口。 模型根据更新后的图像继续决策。 ^[28]

这些示例中的系统提供了相机标定和控制能力。 模型不需要从原始像素独自推导全部物理细节。 该文章也包含生成视频中的操作示例。 真机操作、物理仿真和生成视频必须分别标注。

Google 另报告了 MuJoCo 数据训练结果。 系统生成了 4,500 多条随机化仿真轨迹。 真机成功率从 56% 升至 75%。 完成时间从 35 秒降至 24 秒。 这是厂商报告的特定测试结果。 它不证明 Genie 4 已有相同收益。 该结果也不代表跨场景的可靠性。 ^[28]

对开发者的直接启示是改善接口。 清楚的坐标、可靠的动作和结果反馈都很重要。 只有更换模型，而不改进接口，收益可能有限。 这是根据这些系统设计作出的分析判断。

6.6 Genie 4 的已知能力与状态

Google 于 2026 年 10 月 27 日宣布 Genie 4。 它生成可实时交互的环境，并支持原生音频。 用户能通过语言修改场景。 截至研究日，它处于可信测试者研究预览阶段。 更广的用户和开发者访问属于后续计划。 ^[29]

官方机器人示例将 Argon 的步骤转成文字描述。 Genie 4 据此生成交互场景。 这展示了规划与生成环境的连接。 页面没有提供该方法提升真机成功率的数据。 ^[30]

官方同时列出物体一致性漂移等限制。 长时间运行和复杂交互会增加问题。 连续交互目前只持续数分钟。 接触物理精度是否足够，需要额外测试。 最后一点是证据缺口，不是官方公布的测量结论。

6.7 世界模型如何帮助拿杯子

以下是机制示例，不是 Genie 4 的实测结果。

前三类机制并不要求采用同一个模型。 也不要求所有世界模型都能完成这些功能。 例如，π₀.₇ 研究探索了视觉子目标的引导。 这比笼统地说“让机器人想象未来”更具体。 ^[31]

对于杯子抓取，视频中的“抓稳”不能替代受力验证。 机器人还需要合适的夹持力和运动轨迹。 如果训练画面出现错误接触，策略也可能学错。 因此，生成场景需要经过任务筛选和真机验证。

6.8 世界模型与物理仿真器的区别

这些是功能区分，部分系统会组合多种机制。 Google 的 Argon 文章同时使用不同路线。 其 Real2Sim 示例拟合几何和物理参数。 生成视频的示例则通过文字控制画面变化。 两者不能只因画面相似就视为同一种仿真。 ^[28]

伯克利案例增加了另一条比较轴。 OpenAI、Anthropic、Google 模型都应接受工程任务测试。 测试可包括构建仿真、修改程序、诊断真机失败。 评价单位可以是工程时间、有效修复和回归错误。 这属于本报告的评测建议。 模型在这些任务上有用，不代表它能替代控制器。

6.9 对行业和产品的影响

本节是基于公开能力的分析判断。 它不承诺某个模型已带来这些收益。

近期更容易验证的收益是减少工程工作。 模型可以帮助读日志、写接口和测试控制程序。 试验应记录节省的工程时间，以及新增的检查时间。

世界模型的潜在收益是扩大场景覆盖。 它能让团队研究更多环境变化和异常情况。 但合成数据的数量不能替代有效数据的质量。 关键指标仍是相同预算下的真机表现。

对机器人产品团队，竞争重点也会变化。 通用推理和场景生成越来越容易接入。 现场数据、动作可靠性和运维记录更难复制。 这个判断需要持续用客户部署证据检验。

建议用同一机器人比较三种系统。 基线只运行原动作策略。 第二种增加推理模型，第三种再使用世界模型数据。 三者采用相同的任务、时间和干预预算。 分别测量成功率、产出、损坏和人工分钟数。 这样才能知道新增模型究竟改善了哪一项。

7. 截至 2026 年 10 月的代表性进展

7.1 模型与系统进展

以下项目用于展示不同技术方向。 它们的任务和测试条件不同。 不能把各自的成功率直接排成榜单。

早期项目来源见前文。 其余对应技术资料如下： ^[32]、 ^[31]、 ^[33]、 ^[34]。

7.2 中国团队与开放数据

中国团队的公开研究覆盖数据、模型和评测。 不能只用人形机器人演示视频评价这一部分。

AgiBot World 论文报告超过 100 万条轨迹。 数据覆盖 217 项任务和 5 类场景。 它主要推进大规模机器人操作数据建设。 ^[35]

LingBot-VLA 2.0 报告约 6 万小时预训练数据。 其中约 5 万小时是机器人轨迹。 另外约 1 万小时是第一视角人类视频。 其动作范围扩展到头部、腰部和移动底盘等。 这些是论文报告的数据规模与设计。 它们不能直接证明客户现场的收益。 ^[34]

RoboTwin 2.0 提供双臂操作的仿真评测。 论文覆盖 50 项任务和 5 种机器人本体。 它通过场景随机变化测试鲁棒性。 其结果仍需要真实机器人验证。 ^[36]

7.3 三组较有解释力的证据

Figure：陌生家庭中的迁移

Figure 在 2026 年 9 月报告了 Helix 2.5。 测试涉及 30 个未见过的家庭。 任务包括收拾玩具、折毛巾和整理床铺。 加入 Index 预训练后，完整任务成功率为 56%。 对照模型为 9%。

这里的 zero-shot 指测试环境和物体未见。 相应任务仍用其他地点的数据训练过。 结果是厂商测试，不能解释为家庭任务已普遍解决。 ^[37]

BMW：特定工序的生产记录

BMW 在 2026 年披露了上一年的生产试点。 该试点位于美国 Spartanburg，使用 Figure 02。 它与 Leipzig 的 AEON 试点是不同项目。 机器人执行钣金零件取放和定位。 披露数据包括约 1,250 小时运行。 它搬运超过 90,000 个零件。 相关生产涉及超过 30,000 辆 BMW X3。

这支持“特定工序已有持续现场使用”。 不能据此说机器人独立制造了这些汽车。 公开累计量也不能推导整厂替代率或无人运行比例。 ^[38]

GXO：商业部署与扩展计划

GXO 在 2026 年 10 月 26 日披露： Digit 在 Flowery Branch 搬运超过 100,000 个料箱。 该部署自 2024 年商业协议后开展。 新站点计划于 2027 年初开始部署。

现有累计作业量与未来扩展必须分开。 前者是客户披露的现场记录。 后者仍是计划。 两者都没有自动回答完整成本和接管频率。 ^[39]

这些记录证明特定任务能持续运行。 它们未完整披露任务决策和失败恢复。 因此，不能单凭累计作业量认定广泛自主性。

7.4 这些证据合起来说明什么

研究已经超过“机器人听懂一句话”的阶段。 模型能复用动作经验，并测试陌生场景中的行为。 部分系统也能保存失败经验或使用少量新示例。

商业现场则出现了可计量的持续任务。 但范围通常比“通用家务助手”窄得多。 本次检索未获得足够公开证据，证明后者已普遍成熟。 这是证据范围内的判断，不是“不可能”的判断。

8. 仍然面临的技术问题

8.1 对环境变化的脆弱性

模型可能依赖固定相机角度或背景。 物体稍微移动，成功率就会改变。 LIBERO-Plus 系统测试了七类扰动。 论文报告部分设置从约 95% 降至不足 30%。 它还检查了模型是否真正使用语言指令。 ^[40]

这些结果不能代表所有最新模型。 它们说明了评测方法为何需要改变。 固定环境中的高分，不能覆盖全部部署变化。

8.2 空间状态和记忆

机器人转身后，需要知道自己的朝向。 物体离开相机画面后，也可能仍与任务有关。 系统必须区分“没看见”和“已经不存在”。 连续任务还要记录已完成步骤。

Butter-Bench 使用移动机器人测试任务协调。 2025 年测试中，最好模型的平均完成率为 40%。 人类对照为 95%。 每项任务、每个模型只有 5 次试验。 这是当时特定设置的结果，不能作为 2026 年上限。 ^[41]

8.3 任务越长，成功条件越多

可以用一个简化算例说明。 假设每一步独立成功，且没有恢复机会。 每步成功率均为 p，共有 n 步。 完整任务成功率就是 pⁿ。

这些数值是数学示例，不是机器人测试结果。 现实步骤并不总是独立。 恢复机制也会改变最终成功率。 但恢复会增加时间、损耗和调度负担。

8.4 接触操作与可变形物体

抓取刚性积木与整理衣服的难点不同。 衣物会折叠、遮挡和改变形状。 插入零件时，微小误差可能导致卡住。 视觉也未必能看见接触位置。

触觉、力觉、顺应控制和任务数据有助于处理这些问题。 但增加传感器也增加标定和维护工作。 最新通用模型研究仍报告了精细接触方面的困难。 可变形物体和长任务也没有统一解决。 ^[15]

8.5 识别成功本身很难

杯子看起来在桌上，不代表已经放稳。 抽屉看起来接近关闭，不代表已经扣紧。 任务检查器如果误判成功，后续步骤就会出错。

工程上可以结合多种证据。 例如图像、夹爪开度、重量或设备状态。 某些任务需要专用检测器。 没有可靠结果判断，就难以可靠地自动重试。

Google 的 ER 2 工作专门研究进度判断。 其中包括视频进度分类和关键时刻定位。 这说明完成检测是一项独立能力。 它需要评测，不能由流畅的语言回答代替。 ^[3]

8.6 推理延迟和观察过期

机器人思考时，现实不会暂停。 人会走动，物体可能滑落。 等待几秒后的动作可能基于过期观测。

动作分块可以减少逐步推理的成本。 但长动作片段也会降低及时修正的机会。 异步推理需要处理新旧动作之间的衔接。 Real-Time Chunking 专门研究这类问题。 ^[42]

8.7 数据规模与数据价值不同

重复同一动作一百万次，未必覆盖新场景。 任务多样性、失败样本和传感器质量都很重要。 不同团队的数据“小时数”也可能采用不同口径。 是否包含仿真、人类视频和遥操作，需要单独核对。

检索到的数据集证明数据规模正在扩大。 它们没有提供一个跨项目通用的换算公式。 不能把“数据增加十倍”写成“能力增加十倍”。

8.8 硬件寿命与运维

机器人需要持续承受冲击、摩擦和热量。 实验室短演示不能覆盖电缆和关节的长期损耗。 充电、耗材、标定和维修都会减少可工作时间。

Figure 的 BMW 部署总结提到了前臂故障。 该公司随后修改了腕部电子结构和布线。 这类记录说明，部署反馈同时改变硬件设计。 模型升级无法单独解决全部故障。 ^[43]

8.9 安全与权限

机器人可以造成真实碰撞和物品损坏。 因此，语言层的“请安全操作”不足以保证安全。 这是工程设计要求，不是本文给出的法律意见。

必要的设计考虑包括动作范围和速度限制。 系统还需处理异常观测、通信中断和停止请求。 高层模型不应独自承担全部安全判断。 具体措施要与机器人、场景和任务匹配。

ASPIRE 的作者明确要求安全监控和安全复位。 MHS 也将设备限制与设备描述作为接口内容。 这些项目仍要求真实环境中的验证。 ^[14]；^[9]

8.10 用三类误差定位抓取失败

Goldberg 的课堂将抓取误差分成三类。 感知误差来自观测，控制误差来自执行。 物理误差来自接触、摩擦等未充分建模的变化。 这三类误差需要不同的测试与修复方法。 ^[44]

以拿杯子为例，可按下面的方法定位问题。 这是根据课堂框架构造的说明案例。

9. 如何评价“已经能用了”

9.1 将证据分成不同层级

下面是本报告的评估框架。 它不是现有行业认证标准。

这些层级也不是单一分数。 窄任务的长期部署与广任务的实验各有价值。 它们回答的是不同问题。

9.2 必须知道的测试条件

RoboArena 尝试在真实机器人上比较策略。 其方法允许评测者选择不同任务和环境。 这种设计拓宽了覆盖范围。 解释结果时仍要看比较协议和样本组成。 ^[45]

9.3 更接近商业使用的指标

建议至少同时记录以下指标：

• 完整任务成功率。
• 每小时合格产出。
• 每次人工干预之间的任务数和时间。
• 每次干预消耗的人工分钟数。
• 失败恢复的成功率和耗时。
• 运行可用率，以及维护、充电和等待时间。
• 物品损坏率、事故和险情。
• 新现场达到验收标准所需时间。
• 每个合格任务的完整成本。

这些是分析建议，不能假定厂商已全部公开。 “自主运行了几小时”也需要明确停止条件。 有人在旁边持续监控，仍然可能产生人工成本。

10. 商业价值如何判断

10.1 应比较具体任务的成本

一个简化的成本框架是：

每个合格任务的成本
= 同一时期的完整成本 ÷ 合格任务数量

完整成本包括：
设备折旧或租金、现场集成、训练数据、计算、能源、
维护、人工监控、人工接管、停机和失败损失。

机器人购买价格只是其中一项。 如果必须持续安排操作员，节省的劳动会减少。 如果新场地需要数月调试，扩展也会变慢。

举一个纯假设算例。 某系统每月完整成本为 12,000 元。 每月完成 6,000 个合格任务，单位成本为 2 元。 若产出降至 2,000 个，单位成本变成 6 元。 这里不对应任何厂商报价或实测表现。

10.2 哪些任务更可能先产生价值

下面是基于技术约束的分析判断。 它不是市场规模预测。

仓储和工业条目的判断有现场部署支持。 实验室条目有早期设备协调项目支持。 其他条目主要是任务结构分析。 本报告不把它们列为已证明盈利的行业。

Goldberg 的课堂还提示一种较窄的产品目标。 同一工位持续执行同类任务，但物体和位置变化。 GaP 将它称为可变自动化（Variational Automation）。 已知工位可以复用标定、物体模型和技能。 它仍需适应变化，但任务边界可定义。 ^[46]

对这类产品，编程代理的价值可以先落在维护上。 课程用 Ambi 的卡件处理说明这个方向。 讲者在第二段 00:55:46 起描述工程修复工作。 本报告未取得原始卡件日志，不量化商业收益。 ^[2]

产品试点应同时记录： 修改用了多少工程时间，卡件是否减少， 是否引入新故障，以及每小时合格产出是否提高。 这些是本报告建议的指标。 它们比单次演示更接近客户的实际收益。

10.3 人形是否必要

身体形态应由任务决定。 固定工位可能适合机械臂。 平整场地可能适合轮式底盘。 楼梯和人类设施可能增加双足结构的价值。

人形结构也带来平衡、能耗和维修问题。 选择它需要证明这些成本值得承担。 “外形接近人”不能替代任务收益计算。 这是工程与产品判断，不是某种身体形态的普遍优劣。

11. 未来进展应观察什么

以下是观察方向，不给出无法验证的成熟年份。

11.1 每个新任务需要多少新数据

如果适配从大量遥操作降至少量示例，价值会增加。 但必须使用真正未见的任务和场景测试。 还要记录示例准备、标定和人工纠错时间。 GEN-1.5 与 π₀.₇ 的研究值得沿此方向跟踪。 ^[22]；^[31]

11.2 干预频率是否持续下降

独立完成一次任务只是起点。 连续工作期间需要多少次人工处理，更接近运营现实。 下降趋势还需跨场地成立。 单一熟悉场地的改善不能自动推广。

11.3 学习能否保留并安全复用

系统可能保存代码、案例或动作参数。 旧经验在新场景中也可能失效。 因此，技能记忆需要版本、适用条件和验证记录。 ASPIRE 的限制说明也提到长期记忆管理问题。 ^[14]

11.4 模型服务能否减少现场工程

Pi API 让团队上传数据、微调并调用模型。 这可以减少部分机器学习基础设施工作。 但现场集成和数据采集仍然存在。 后续应观察达到验收标准所需的总工程时间。 ^[12]

11.5 评测是否计入真实时间和损失

更强模型可以通过更多试错提高成功率。 物理任务却不能无限重试。 下一代评测应记录现实时间、恢复和物品损坏。 也应检查先前完成的步骤是否仍然成立。

对产品采购或项目评审，最有用的请求是： 请提供未剪辑运行记录和完整尝试日志。 请同时报告人工干预、产出、维护及失败成本。 请在未参与训练的现场重复验收。

12. 研究方法与证据限制

本文优先使用原始论文、官方技术文档和客户披露。 公司技术博客用于解释架构和作者报告的结果。 客户公告用于核对真实部署的任务与累计量。 新闻搜索用于发现线索，不作为技术结论的主要依据。

材料类型不同，可信范围也不同：

• 论文与预印本：支持方法和实验条件的分析。
• 厂商研究：支持其报告了什么，不替代独立复测。
• 客户披露：支持实际使用，不等于成本审计。
• 本文推导：说明假设，不伪装成测量数据。

本文核对了核心数字所在的原始页面。 并未逐页复核每篇论文的所有附录。 也没有运行机器人或复现模型实验。 付费合同、接管日志和完整成本多数未公开。 因此，本文不提供厂商性能总排名。

“最新”以 2026 年 10 月 28 日为截止日。 动态项目页面可能继续更新。 历史实验中的模型分数只代表当时版本和设置。 未来部署计划不计作已完成部署。

13. 重点阅读资料

以下资料对应不同研究问题。 完整出处已放在相关结论旁。

更新记录：2026-10-28，完成首版研究。 首版区分了系统自主性、动作模型和身体形态。 首版纳入截至研究日的公开进展及证据限制。

更新记录：2026-10-28，扩充模型影响分析。 新增三家模型分工、Genie 4 与物理仿真的区别。 复核后补充了 BMW 试点年份和任务自主性边界。 复核后补充了监督模型降低部分任务表现的证据。 复核后补充了 MuJoCo 数据的真机测试结果。 HTML 版新增图示、来源目录和可靠性计算器。

更新记录：2026-10-28，结合 Goldberg 伯克利课堂笔记修订。 新增开发时代理与运行时代理的区别。 新增 GaP、RoboSimStudio、误差诊断与商业评测。 课堂口述与论文实验分别标注，保留样本量与限制。

方法与来源

本页在原报告基础上，结合 2026 年 10 月 22 日 Ken Goldberg 的伯克利机器人课程修订。课堂依据为《10 Ken Goldberg：机器人、AI 和艺术》笔记及两段录音转写。正文区分课堂口述、论文结果和本报告分析。资料取样日为 2026 年 10 月 28 日。事实与厂商报告分别注明；未来影响属于分析判断。

Genie 4 的能力与限制依据官方模型页。发布日期依据官方发布公告的索引记录。页面未获取完整客户合同、人工接管日志或成本审计。

1. Building effective agentswww.anthropic.com
2. Goldberg 课堂第二段，00:43:11 起的转写段落a4gzxrjhc5.feishu.cn
3. Gemini Robotics ER 2blog.google
4. MoveIt Conceptsmoveit.ai
5. RT-2arxiv.org
6. Open X-Embodimentarxiv.org
7. SayCanarxiv.org
8. ASPIREarxiv.org
9. MHSwww.anthropic.com
10. MoveIt Planning Scenemoveit.picknik.ai
11. Introducing Helix 02，2026-01-27www.figure.ai
12. Pi API beta，2026-10-13www.pi.website
13. Diffusion Policy，2023arxiv.org
14. ASPIRE 项目与限制说明research.nvidia.com
15. Has GPT-6-Astra Achieved Embodied Intelligence?，v2，2026-10-19arxiv.org
16. NVIDIA Cosmoswww.nvidia.com
17. GaP 论文，图 1 与第 4 节arxiv.org
18. RoboSimStudio 论文，第 4.3 节、图 7 与第 5 节arxiv.org
19. Universal Manipulation Interface，2024arxiv.org
20. OpenVLA，2024arxiv.org
21. π*₀.₆ 与 RECAP，2025arxiv.org
22. GEN-1.5，2026-08-19generalistai.com
23. How Claude performs on robotics tasks，2026-07-09www.anthropic.com
24. OpenAI GPT-6 Astra 文档developers.openai.com
25. 具身研究作者与实验范围arxiv.org
26. Project Fetch phase twowww.anthropic.com
27. Gemini Robotics 模型页面deepmind.google
28. Gemini 4 Argon for Roboticsdevelopers.googleblog.com
29. Genie 4 发布公告deepmind.google
30. Genie 4，Frontier robotics researchdeepmind.google
31. π₀.₇，视觉子目标与引导www.pi.website
32. SmolVLAhuggingface.co
33. GR00T 开发流程developer.nvidia.com
34. LingBot-VLA 2.0arxiv.org
35. AgiBot World Colosseo，2025arxiv.org
36. RoboTwin 2.0，2025arxiv.org
37. Helix 2.5，2026-09-17www.figure.ai
38. BMW 客户披露，2026-09-21www.bmwgroup.com
39. GXO 与 Agility 扩展公告gxo.com
40. LIBERO-Plus，2025arxiv.org
41. Butter-Benchandonlabs.com
42. Real-Time Execution of Action Chunking Flow Policies，2025arxiv.org
43. Figure BMW 部署总结，2025-11-19www.figure.ai
44. Goldberg 课堂第一段，抓取误差与 Dex-Net 部分a4gzxrjhc5.feishu.cn
45. RoboArenarobo-arena.github.io
46. GaP 项目页，What is Variational Automationgraph-robots.github.io