无脚本、零遥控、数百万人围观！以太大模型让机器人学会自己“拿主意”了？

上海的一处户外烧烤现场，顾客们正在等烧烤上桌。现场负责服务的是两台机器人，一位守在炉前烤串，另一位穿梭在烤炉和餐桌之间，点单、传递信息、上菜。一位顾客招呼了一声：“帮我拿瓶水！”服务员就先放下手头的工作，把水递过去。递完水后，“他”便继续被打断的点单工作。

这是 9 月 16 日乐享科技在上海举行的一场户外烧烤直播里的片段。承担工作的“烧烤师傅”和“服务员”，是搭载了以太大模型（Aether）的机器人。

没有预设脚本，没有遥操作兜底，也没有剪辑掉“失误”的机会，机器人要在真实的街头环境里，自主连续完成近一小时的烧烤服务。据乐享科技介绍，这场全球首次户外机器人全自主直播，线上观看人次超过 550 万。这场近 1 小时的直播，为观察具身大模型在开放环境中的表现提供了一个窗口。在开放环境里，意外是一定会来的。这场直播真正的看点，恰恰是那些“出问题”的时刻。

图｜乐享科技机器人在户外烧烤现场操作（来源：乐享科技）

机器人可以自己拿主意了？

直播中，负责点单、传菜的机器人被观众称为“二爷”，另一位负责烧烤的机器人，则被叫作“五弟”。当“二爷”接到顾客“少放辣”的要求后，随即用手势把这条信息传递给“五弟”。

两台机器人相互传递信息这件事，并不新奇。但是，它们怎么知道什么时候与对方交互、哪些信息需要同步？按照直播中的介绍，这场双机协作并未提前预设交互的触发条件，而是全交给机器人根据现场情况自主完成。

类似的临时变化，贯穿了整场直播。直播中，它完成送水这个临时新增任务后，继续完成了剩下的点单，没有让顾客重新点菜，也没有遗漏还没上菜的订单。取水只是顾客给机器人出的难题之一，现场参与者还可以改动订单、挪动物品，或在机器人干活时提出新要求。

这些变化有的会影响下一步操作，有的则会打断正在进行的工作。机器人需要处理眼前的新情况，也需要保留此前的任务进度：顾客还有哪些菜没点完，刚才的工作停在了哪一步，处理完临时需求后，又该从哪里接着做。

对于人类来说，这几个过程看起来很日常，也没什么难度。但是，它要求机器人能够分清临时插入的任务和原本的任务，在两者之间切换，并保留之前的任务记忆。而不是完成临时任务后，就把此前的工作一并清空。这就决定了，这场直播没法靠预设程序完成。

因为，预设流程可以覆盖一部分常见情况，但很难穷尽现场各种临时出现的变化。这场直播提供的观察窗口，正是当现场情况偏离原有安排时，机器人能否把工作继续做下去。

思考的过程，如何发生

“处理变化”对机器人来说并不新鲜。工业机器人可以依靠视觉定位与力控修正抓取位置，移动机器人能绕开路上的障碍。但当任务和场景更加多样，机器人还需要把用户的要求与眼前的环境联系起来，判断接下来该做什么、怎么做。这类变化很难仅靠预设程序逐一覆盖，它要求模型能够基于实时环境自主理解、判断和决策。

市面上的主流模型路径能完成这些目标吗？首先看视觉—语言—动作模型（VLA），它提供了一种实现方式：将场景和指令映射为动作。顾名思义，机器人会结合看到的内容和训练的指令来生成动作，它学习的是输入与动作之间的关系，能够在一定范围内泛化到新的任务或场景；实际系统也可以持续接收新画面并重新生成动作，形成反馈闭环。

以 OpenVLA 为例，它利用视觉语言模型与机器人示范数据学习动作策略，并支持在不同机器人平台上应用和适配。当你说“把杯子放到盘子旁边”，模型会结合摄像头画面和指令，输出机械臂该怎么移动、夹爪何时开合。

图｜OpenVLA 工作原理示意图（来源：OpenVLA）

比起 VLA 的“学后做”，世界动作模型（WAM）更注重“想后做”：采取某个动作后，环境可能会发生怎样变化？这种预测可以帮助系统规划，也可以用于训练动作策略。

例如，Dreamer 通过学习环境模型，在内部预测的情境中改善行为。拿杯子来说，它可以先预测，往某个方向推，杯子会移动到哪里，继续推会不会到桌边，再根据预测的结果行动。

不过，无论是 VLA 还是世界模型，都还面临一个更难的问题：现实世界的变化几乎无法被穷举。

VLA 的能力很大程度上取决于训练数据覆盖了多少任务、场景和变化。世界模型要准确建模复杂的物理环境，需要学习大量状态变化和交互规律，数据与计算成本也随之提高。

而乐享选择的路径，更强调在目标与约束之间持续寻找可行的行动方案。仍以放杯子为例，机器人既要让杯子到达指定位置，也要考虑手臂是否够得到、移动时是否会碰到其他物品等因素，如果眼前的信息不足以作出判断，还需要补充观察。重点在于，要让这些要求共同参与动作的生成，并在执行结果返回后继续调整。

乐享提出的“能量驱动”，正是试图通过统一的能量函数，协调任务目标与不同约束。

“能量”在这里可以理解为衡量状态或方案是否合适的数值。在能量模型的一般表述中，可以用 E(x, y) 衡量已知条件 x 与候选答案 y 的匹配程度。x 代表已知条件，比如环境、任务和身体状态；y 代表待寻找的答案，比如一段动作轨迹。

按照其公开说明，以太大模型将目标完成度、物理后果、记忆一致性，以及动作能否执行、是否稳定等因素，纳入统一的能量函数，模型沿能量梯度开展持续推理、主动探索和动作生成。

图｜能量模型的计算图（来源：Alfredo Canziani）

通俗地说，系统需要寻找一个既接近目标、又满足执行条件的方案。各种选择由统一的能量评价引导，让信息获取、任务判断与动作生成围绕共同的目标展开。

不过，评价一个方案是否合适，还需要感知、记忆和身体控制提供支持。系统要知道眼前发生了什么、此前做到了哪一步，以及这副身体能够完成哪些动作。以太大模型所强调的“仿生架构”，正是对这些功能的组织。

“仿生大脑”的经验法则

“仿生”其实是仿人，要让机器人像人一样，就得参考人的大脑。以太公开的架构图，展示了以太大模型参照脑区功能组织系统的思路。视觉、本体感知、声音指令和触觉构成输入；“上丘”模块负责主动获取信息，“角回”负责多模态感知，“内嗅皮层”负责情景记忆编码，“顶上小叶”对应动力学约束与物理后果模型；随后是负责推理与抽象的“前额叶”、规划运动轨迹的“运动皮层”和承担运动执行的“小脑”。

图｜Aether 仿生架构（来源：以太大模型 Aether 官网）

这种分工的意义，可以从动作失误的处理来理解。抓取时出现轻微偏移，可能只需修正轨迹；如果目标超出可达范围，就需要改变站位或重新安排任务。不同程度的问题，需要影响不同层次的决策。这套仿生架构成功的关键，在于反馈能否及时到达相应模块，并带来有效调整。

如果要调整，机器人就必须对自身能力和环境同时进行评估。不同机器人的身体条件，也会改变任务的执行方式。乐享此前的居家演示，提供了一个不同本体协作的例子。

在这个 Demo 中，两台不同品牌的机器人自主协作完成了任务，身材较矮的机器人试图把围巾放到高处的柜子上，伸手却够不到。它找到旁边的箱子，尝试借此垫高，弯腰搬动未果后，又改用脚推，但仍未解决问题。随后，较高的机器人接过围巾，完成了放置。

相同任务换到不同身体上，动作方案也不相同：身高、臂长、关节范围和末端执行器，都会改变可行的路径。这段协作展示了如何利用本体之间的能力差异，继续推进工作。

图｜两个机器人相互配合（来源：乐享科技）

这就是乐享强调的“跨本体”能力所指向的目标：让同一套模型理解共同的任务，再根据不同机器人的身体条件选择可行的动作。按照乐享对自我模型（Self Model）的介绍，系统需要表征自身的能力边界，将“任务要求做什么”与“这副身体能够怎么做”联系起来。

除了调整当前动作，乐享还希望机器人从执行中积累经验。在前述的直播中，“五弟”试图抓取一个调料瓶，最初它抓不稳，经过一次尝试后，它终于找到合适的角度，抓取也逐渐变得稳定。机器人把调料瓶越抓越稳的能力背后，对应着乐享一项与自进化相关的能力：让执行结果进入记忆与复盘，影响此后的判断和策略。

这种基于真实交互反馈、持续修正自身的过程称为“自我迭代”（Self-iteration）。机器人行动前形成预测，行动后比对结果，偏差直接驱动系统更新。新经验不会无差别写入，系统会先评估它是否可靠、能否泛化，可靠的规律才会进入长期记忆乃至模型参数。乐享团队有个更形象的说法：机器人可以给自己建“错题本”。有价值的不是记住某一次失败，而是从失败里分离出下次能用的规律。

而以太大模型的架构特色也应该放在整套系统中理解：用统一评价机制协调感知、记忆与动作，用功能分层连接任务推理和身体执行，再尝试将真实交互转化为后续可用的经验。

回到户外烧烤，机器人面对的任务变了，需要解决的问题却相通：理解新增要求，根据现场条件调整行动，并记住尚未完成的工作。直播进一步把这些能力放进了连续服务的过程，模型需要在变化不断发生的情况下，维持整个任务的进度。

虽然说，近 1 小时的直播还不足以验证长期运行的稳定性，但它提供了一个更接近实际使用的观察窗口：让外界看到，机器人能否自主判断、持续行动和进化，并把事情做完。

对具身智能而言，真正的能力边界，最终要在真实世界中被定义。机器人真正走向通用，靠的不只是学会更多任务，而是形成持续理解、判断和自我调整的能力。以太大模型正在沿着这个方向，探索具身智能的下一阶段。

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成