理格万物俞涛论文:具身智能该由谁定S0/S1/S2标准
给“机器人战场”建立新坐标。 作者: 壹小姐 编辑: Koji 排版: NCon具身智能赛道,语言大模型和具身大脑模型两派,越来越融合成一条路线。11 月 16 日,关于 OpenAI 存续仅 166 天的机器人团队被撤销的报道铺天盖地。OpenAI 的潜台词是:“模型够强了,机器人不需要再单独搞”。此前,11 月
👦🏻 作者: 壹小姐 🥷 编辑: Koji 🧑🎨 排版: NCon
具身智能这条赛道,正越走越像同一条路。
11 月 16 日,OpenAI 存续仅 166 天的机器人团队被撤销,相关报道铺天盖地。OpenAI 那句潜台词是:“模型够强了,机器人不需要再单独搞”。
再往前两天,11 月 13 日,arXiv 上出现了一篇论文,题为《智能体机器人:机器人系统的新纪元》
一边是前沿模型公司把机器人团队解散;另一边,一群深谙底层运控的创业者,正在“机器人战场”上建立新坐标。
这篇论文的核心作者之一,正是理格万物创始人俞涛,他刚拿到红杉中国、Monolith 和
DeepSeek 的首轮融资。理格万物也是 DeepSeek 在具身智能赛道投下的第一个团队。
1)
2)一个基础模型要具备哪些能力,才算合格?
3)每项能力该用什么?
4)从数字世界到物理世界,到底哪些发生了变化?
5)想训练这样一个模型,每项能力该怎么培养?
6)Grid Robotics 划分的从 L1 到 L4 的四级 Roadmap,现在进展到哪一步了?
行业里聊 System 0/1/2,往往歧义丛生。有的团队把 System 0 定义成触觉反馈,有的则定义成平衡控制。
这篇论文给出的功能性划分更严格,也更有工程指导意义,即这些执行路径都需要把意图、行动与证据联系起来。
也就是说,它的划分不只看硬件、参数量,而是关注职责边界与闭环逻辑。一个模型可以承担多个角色,一个角色也可以跨越多个模型或模块。
三种典型的执行路径
解读意图、推理目标与约束、编排技能与工具、验证结果,这些都归 S2 管。它按需运行,也由事件驱动,不直接去控制关节。
S2 内部,具身 Harness 有五个核心部件:上下文管理器、工具接口、规划器、记忆,还有最关键的
验证器管的是区分“执行成功”和“物理效果达成”。比如抓取技能报告成功,摄像头却显示杯子还在桌上,这种没被报告的失败,验证器必须能抓到。
从意图到经过验证的结果——智能体闭环
它包含
硬实时回路靠它维持,像人形平衡、机械臂
核心原则只有一条:S0 绝不等待 S2 的深思熟虑。身体稳定由它保持,极限约束由它执行,其实时性独立于 S2 的推理周期。
这就是 Agentic robotics 的参考框架:S2 决策并验证,S1 提供技能与工具,S0 维持身体控制。
它以高频独立运行。碰到用户突然指令、碰撞或有人进入工作区这类“等不及 S2 决策”的事件,它会打断 S2,或者在安全规则下触发 S0 的保护性反应,比如急停。
S2 慢节奏(可能十几秒一次决策)与物理世界突发性之间的空隙,由此被补上。
很多人误以为把
论文指出,基础模型让具身 System 2 成为机器人泛化的起点,但合格的具身 S2 必须具备 8 项核心能力。
具身 S2 的核心能力。知识、理解与推理主要来自模型;其余五项能力由模型与 harness 共同实现。
Grid Robotics 定义的 8 项能力里,知识、理解与推理这三项纯粹依赖基础大模型的“脑力”。
知识是机器人的物理常识库:玻璃掉在地上会碎、机械臂不能穿过墙壁,这些世界规律它得知道;夹爪尺寸与抓取对象的具身常识也得懂;S2 有时还要写代码来指挥身体,基础的编程知识同样少不了。
理解则像机器人的“读心术”:用户说“我渴了”,它得推断出该去倒水;碰上“把那个放到这儿”这种含糊指令,它得结合视觉画面猜出用户指的到底是什么,把人类的自然语言翻译成清晰的物理任务。
推理是机器人在脑海里做的“沙盘推演”:预判“如果抽走桌布,杯子会掉下来”,或者失败之后做反事实思考:“刚才没抓稳是因为手柄挡住了视线,换个角度就能行”。
不过这三项能力在物理世界里有一个极其残酷的隐形前提:推理必须在严格的时间预算内保持简洁。数字世界的 AI 可以花十分钟写一段完美的逻辑,但在物理世界,推理“倒水”要是花了十秒,水早就溢出来了。
机器人究竟“聪不聪明”,由这三项模型主导的能力说了算。
先说工具使用,它对应的是机器人的“合规执行力”。大模型在里头扮演的是发号施令的CEO,拧螺丝这种活它绝对不能亲自上手。要动手,就得经过Harness,按规范参数去调用S1技能或S0接口,坐标系、单位、前置条件都得交代清楚。高管不懂业务规范乱下指令,底下必然乱套,机器人也是这个道理。
记忆则相当于机器人的“防呆机制”。物理世界里的记忆不是看照片,不能当成永久事实。它要记下“何时、如何看到了这个杯子”,还得允许随时修订,毕竟杯子会被拿走。要是机器人死脑筋,认定昨天桌上的杯子今天一定还在原位,桌子多半要被它撞翻。
跨具身说的是“大脑可移植性”,也就是把高层任务逻辑挪到不同的身体上,比如“先看抽屉再看柜子”这类策略。今天装在机械臂上,明天换成四条腿的机器狗,只要策略对,大脑就能无缝换躯壳。
安全是机器人的“物理刹车”。聊天框里的AI再怎么被训练得拒绝有害指令,装上机械臂之后,照样可能因为惯性把人打伤。安全只停留在模型嘴上的对齐远远不够,Harness层面必须建立硬性护栏,发生碰撞或异常时,能在毫秒级触发底层的物理急停。
效率则是机器人的“倒计时生存法则”。物理世界里算力有限、反应时间更有限,效率不是“越快越好”,而是必须在截止时间内出结果。前面算过那笔账:为了提升8.5%的成功率要多等十几秒、多花18倍的成本,放到现实中就不可接受。
说到底,这5项“模型+Harness协同能力”是具身机器人“脏活累活”的集大成者。它们不如大模型生成文本时那么惊艳,但正是这些解决时空延迟、物理碰撞和记忆更新的系统工程能力,构成了机器人很难被复制的能力栈。
Grid Robotics也强调过这点:通用模型只是起点,真正的挑战在Harness。
为了让上述理念落地,Grid Robotics在论文中提出了一个评测框架,涵盖9个维度、53个子项,其中29项与具身直接相关。
S2评估框架概览:九个维度(内环)及其53个子维度(外环)
这要解决的是当前具身智能最大的痛点之一:评测公信力的分化。
千寻智能刷榜72小时被撤,
Fable 5.2的64.9%只是“模型级”分数,展示的是通用模型在仿真中的潜力。仿真榜单拿高分,并不足以构成“可信物理自主”的证据。真机可靠性和安全完成率,仍然缺透明、可复现的证据。
把模型能力和系统性能混为一谈,其实正是“刷榜”现象绕不开的地方。
每一项的Benchmark标准这里不展开,要强调的是,Grid Robotics给出的解法是——
“模型级”(Model-level)这一项考的是“智商”,好比科目一。大模型得在隔离、没有工具介入的静态环境里单独应考,测的是知识、理解与推理。
眼下行业里绝大多数刷榜,刷的都是这一层。某个模型在仿真环境里拿到64.9%的成功率,只能说明它“脑子很聪明”,证明不了它能安全、稳定地控制真实机械臂。
“系统级”(System-level)测的是“生存”,相当于真实路考。模型必须被塞进Harness,放进有工具、有物理执行反馈的闭环里,看它在时间受限、可能摔倒或碰撞的真实场景下表现如何。
论文还强调,系统级评估不能光听系统自己说好话,得引入独立的结果验证,比如拿外部摄像头确认杯子真被端起来了。报告体系也要透明:失败率和重试过程都得公开,剪辑过的视频不收。
从数字世界到物理世界,最根本的变化不是“加上了硬件”,而是生存法则变了。
在数字世界里,写代码的 AI 能无限重试,拿算力换能力——Grid Robotics 团队把这套逻辑搬进物理世界之前,先列出了四条绕不开的限制:有限的反应时间、机械极限、不可预测的环境变化、不可逆的后果。
代码写错可以“Ctrl+Z”,物理世界里杯子碎了就是碎了。这种不可逆性,直接把 AI 的决策逻辑给改了。
时间尺度上的约束更狠。
论文摆出了一组频率差异,差距惊人:底层控制 S0 一般是 50Hz 到 1kHz 实时跑,技能层 S1 在 5Hz 到 200Hz,负责决策的 S2 大模型做一次决定,可能要几秒,甚至几十秒。
图中给出了各层完成一次决策或控制更新所花的时间,同时标出控制层的示意时间尺度以及已报道的 S2 延迟。S2 色带代表目标范围,报告点则取自不同的任务条件。
让一个要想十几秒的“大脑”直接去维持机器人平衡,人早就摔了。
事实上,
英伟达今年 10 月发布的一份报告,给了一组更直接的对比。
放到具身智能这条赛道上,最聪明的模型未必最值钱,能在物理时间轴上按期交卷的系统才值钱。
Grid Robotics 在论文里点出了这个意思。
论文主张,物理 Agent 的目标不该是“用更多算力换更强能力”(单调缩放)。
受时限约束的能力扩展。在时限内提高决策质量。图中曲线是概念示意,并非实测结果。
S2 的这 8 项核心能力,到底怎么真正练出来?
论文没给具体算法代码,但指出了一个训练范式的演进方向:从依赖专家演示往前走。
“脑力”(认知能力)靠海量数据喂,“生存技能”(协同能力)得扔进真实物理世界里摔打出来。
这条路仍然靠大规模多模态预训练,再加上具身场景里的后训练。最大的挑战不是“懂不懂”,而是“快不快”。大模型的本能是想得越久越完美,物理世界不吃这一套。
训练的核心难点,是让它学会“有上限的推理”,说白了就是限时交卷。倒水的时候,半秒内就得定下直接倒还是先扶稳;哪怕方案只有 80 分,按时做出来也比想了 10 秒的 100 分方案有价值。
这几项光看静态数据学不会,必须在闭环实战里靠 Agentic RL(智能体强化学习)试错。跨具身不能只教它一种机械臂,得让它看各种奇形怪状的机器人数据,才能举一反三;安全更别指望大模型“背诵安全守则”——聊天框里的 AI 会拒绝说脏话,不代表它装上机械臂就不会砸到人,所以安全必须靠“Harness”加一道硬性物理护栏,一旦发现异常,底层直接毫秒级急停。
人脑就是这样:想“晚饭吃什么”是大模型在慢思考,走路时“避开脚下的石头”是小脑的毫秒级条件反射。机器人同样得让大模型管宏观语义规划、小模型管高频实时控制,才能在极其苛刻的时间预算内把任务安全执行完。
论文强调,S2 的长期能力培养,在闭环中通过执行反馈持续学习,比静态数据集上的监督学习关键得多。
美国还有一家公司也在强调模块化,叫 General Robotics。
技能组合这条路,和 Physical Intelligence(π 系列)更看重端到端基础模型的做法并不一样,两者在技术上各有侧重。
Grid Robotics 这篇论文里最能指导产业落地的内容,是把机器人的责任分成四个递进层级:执行单个动作(L1)、完成一个任务(L2)、协调一组工作流(L3),再到长期承担一个岗位(L4)。
论文还拿“家庭早餐”这个最直观的场景,去衡量机器人到底能担多大的责任。评估具身项目商业化走到哪一步,这恰好也给了一把尺子。
L1 动作(Primitive)是秒级任务,比如“拿起杯子”。机器人只要执行单个技能、验证结果,责任边界就限定在这一个动作做没做成。
L2 任务(Task)按分钟计,比如“做好并端上咖啡”。这要求协调多项技能、盯着进度、失败后还能恢复,责任边界落在一个完整任务有没有闭环。
L3 工作流(Workflow)以小时为单位,比如“为四个人准备早餐,且要准时”。多项相互依赖的任务、时间安排和共享资源都要协调起来,责任边界成了整个流程的统筹。
L4 岗位(Role)则是天及更长周期的任务,比如“每天负责准备早餐”。它在工作流之上,要求持续承担约定责任、保持记忆连贯、适应环境变化,直到被撤回为止。
眼下行业里绝大多数玩家,包括不少惊艳的 Demo,都还在 L1 和 L2 挣扎。
可真实的商业落地点,不管是工厂还是物流,往往都在 L3 和 L4。
客户愿意掏钱,到这个份上看的已经不只是“单次抓取成功率”,而是记忆跨天能不能保持、出错后能不能自行恢复、碰上突发状况能不能安全兜底。
Grid Robotics 在论文中也承认,现有基准几乎不覆盖 L3 和 L4。L3 和 L4 才是真正的星辰大海,也是 Harness 能起决定作用的地方。
论文里的六个关键问题梳理完了,接下来看看论文背后的企业和团队:Grid Robotics(理格万物)。
这家公司 2026 年 9 月成立,定位“通用具身大脑”。据投资界公开资料
俞涛的履历有不少亮点:先在腾讯 AI Lab“绝悟”做强化学习决策,后来在逐际动力带队搭建了 LimX WBT 全身运动跟踪系统,内部代号 System 0——管的是机器人底层的全身运动控制。
具身大脑这条赛道上,他既懂决策层,又亲手做过身体的实时控制。能同时握住“决策”和“运动”两端的人,并不多见。
论文的学术班底同样值得一看。核心作者之一杨祖豪是南洋理工的博士生,有 MiroMind、Kimi 原生多模态模型等经历,研究方向偏多模态与视频理解。他的导师、新加坡南洋理工大学计算与数据科学学院终身副教授卢世建也在作者之列,卢教授在计算机视觉领域背景深厚。
另一位核心作者杨智钦,在 Robot Use Agent 和 Physical Agent 领域相当活跃,不久前刚以 RobotWorld 项目共一第一作者的身份接受过十字路口的访谈《Astra 得分仅 19%,这可能是目前最难刷的 Benchmark|RobotWorld 团队回应一切》
具身智能赛道出现这次路线融合,以 Grid Robotics(理格万物)为代表的“系统工程派”看法是:物理世界里,从来没有什么“降维打击”。
他们认为,通用模型能力正快速商品化,而把模型转成可验证物理行为的系统工程能力,会长期稀缺。
时空延迟、物理碰撞、不可逆的后果——这些看着不“性感”的脏活累活,恰恰是打通物理世界商业闭环绕不过去的一环。
[1]《智能体机器人:机器人系统的新纪元》:https://arxiv.org/abs/2611.18359
参考资料
[2]评估框架:https://grid-robotics-official.github.io/agentic-robotics-roadmap/
[3]英伟达今年 10 月发布的一份报告:https://research.nvidia.com/labs/srl/projects/astranomy/index.html?results=prompt-geometry-full-results
[4]美国 General Robotics:https://beepartners.vc/general-robotics
[5]投资界公开资料:https://vc.pedaily.cn/company/907191.html
[6]《Astra 得分仅 19%,这可能是目前最难刷的 Benchmark|RobotWorld 团队回应一切》:https://mp.weixin.qq.com/s/7IKjebFqytrdQE8AGEr9BQ?scene=1