AI技术文章

Grid Robotics提出具身系统评估框架,区分模型能力与闭环执行

作者:壹小姐0 次浏览 来源:十字路口Crossing
Grid Robotics提出具身系统评估框架,区分模型能力与闭环执行

Grid Robotics的观点论文围绕S0、S1、S2职责、独立验证和时间预算,提出机器人能力及责任分级框架。文章讨论将通用模型接入物理系统的工程问题,框架属于团队建议。

编辑更正(2026年11月18日):纠正实验归属、百分点与成本口径,移除未核实的操榜指控及团队调整原因推断。

给“机器人战场”建立新坐标。

文章配图

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日前后出现OpenAI机器人团队被撤销的报道。团队调整的具体原因仍需官方信息,不能据此推断OpenAI认为机器人已不需要专门研发。

此前,11 月 13 日,arXiv 上发布了一篇由物理 AI 代表性初创公司 Grid Robotics 及相关研究员撰写的论文——《智能体机器人:机器人系统的新纪元》[1]。论文的核心主张是:物理世界的可靠性,还需要模型之外的工程系统来保证。

一边是前沿模型公司解散机器人团队;另一边,是一群深谙底层运控的创业者,正在“机器人战场”建立新坐标。

值得注意的是,这篇论文的核心作者之一,正是刚刚拿到红杉中国、Monolith 和 DeepSeek 首轮融资的理格万物创始人俞涛。而且,理格万物是 DeepSeek 在具身智能赛道投下的第一个团队。

这篇论文中,包括理格万物在内的“具身派”,提出了一个同时衡量模型能力和闭环系统性能的评估框架[2]。我们提炼出这篇论文的六个关键论题,帮你了解这个团队,以及当前具身领域正发生的这场融合与新规则:

1)System 0 / 1 / 2 到底怎么划分?

2)一个基础模型要具备哪些能力,才算合格的 System 2?

3)每项能力该用什么 Benchmark 衡量?

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?

01 需要有人为 S0 / 1 / 2 划定标准

行业里对 System 0/1/2 的讨论往往充满歧义。有的团队把 System 0 定义为触觉反馈,有的定义为平衡控制。

这篇论文给出了一个更严格且具有工程指导意义的功能性划分,即这些执行路径都需要把意图、行动与证据联系起来。

这意味着,它的划分不单纯看硬件、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。

文章配图

三种典型执行路径

System 2(S2):决策与验证核心。它由基础模型 + 具身 Harness 共同实现。

S2 的职责是解读意图、推理目标与约束、编排技能与工具,并验证结果。它按需或按事件驱动运行,不直接控制关节。

在 S2 内部,具身 Harness 包含五个核心部件:上下文管理器、工具接口、规划器、记忆,以及最关键的验证器(Verifier)。

其中,验证器负责区分“执行成功”和“物理效果达成”(例如,抓取技能报告成功,但摄像头显示杯子还在桌上,验证器必须能捕获这种未报告的失败)。

文章配图

从意图到经过验证的结果——智能体闭环

System 1(S1):技能与可调用模块。

它包含 VLA 策略、感知模型、运动规划等,把 S2 的意图翻译成底层控制目标。一次调用可以组合多项技能(如抓取 = 分割 + 路径规划 + 执行)。

System 0(S0):身体接口与本地实时控制。

它维持硬实时回路(如人形平衡、机械臂逆运动学),以 50Hz 到 1kHz 运行。

核心原则是:S0 绝不等待 S2 的深思熟虑。它保持身体稳定,执行极限约束,其实时性独立于 S2 的推理周期。

文章配图

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。

需要注意的是,论文还设置了一个独立于 S2、S1、S0 三者的“轻量级监控器”。

它以高频独立运行,当收到用户突然指令、碰撞或有人进入工作区等“等不及 S2 决策”的事件时,它会打断 S2,或在安全规则下触发 S0 的保护性反应(如急停)。

这弥补了 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。

02 一个合格的 System 2,需要哪 8 项能力?

很多人误以为把 GPT-6 Astra 接入机器人就是 System 2 了,但论文明确否定了这一点。

它指出,基础模型让具身 System 2 成为机器人泛化的起点,但一个合格的具身 S2 必须具备 8 项核心能力。

文章配图

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。

你可以理解为,S2 不是一个单纯的“大脑”,而是一个“大脑+神经系统”,这 8 项能力构成了一个能力画像(Profile)。

在 Grid Robotics 定义的 8 项能力中,有三项是纯粹依赖基础大模型“脑力”的,分别是知识、理解与推理。

知识是机器人的物理常识库:它得知道“玻璃掉在地上会碎”“机械臂不能穿过墙壁”这样的世界规律,也得懂夹爪尺寸与抓取对象的具身常识;甚至因为 S2 有时需要写代码来指挥身体,它还得懂基础的编程知识。

理解则是机器人的“读心术”:用户说“我渴了”,机器人得推断出该去倒水;面对“把那个放到这儿”这种含糊的指令,它得结合视觉画面猜出用户到底在指什么,把人类的自然语言翻译成清晰的物理任务。

而推理,是机器人在脑海里进行的“沙盘推演”:预判“如果抽走桌布,杯子会掉下来”,或者在失败后进行反事实思考:“刚才没抓稳是因为手柄挡住了视线,换个角度就能行”。

但这三项能力在物理世界里有一个极其残酷的隐形前提:必须在严格的时间预算内保持推理的简洁。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,如果推理“倒水”花了十秒,水早就溢出来了。

这三项模型主导的能力,决定了机器人到底“聪不聪明”。

如果说“知识、理解、推理”决定了机器人的脑力上限,那么下面这 5 项“模型 + Harness 协同能力”——工具使用能力、记忆能力、跨具身能力、安全能力和效率,则决定了机器人能不能在物理世界里安全、靠谱地活下来。

工具使用,指的是机器人的“合规执行力”。大模型是个发号施令的 CEO,但绝对不能直接去拧螺丝。它必须通过 Harness,用规范的参数(比如坐标系、单位、前置条件)去调用 S1 技能或 S0 接口。就像一个高管如果不懂业务规范乱下指令,底下就会乱套。

记忆,是机器人的“防呆机制”。物理世界的记忆不能像看照片一样是永久事实。它必须记录“何时、如何看到了这个杯子”,并且允许随时修订——因为杯子会被拿走。如果机器人死脑筋地认为昨天桌上的杯子今天一定还在原位,它一定会把桌子撞翻。

跨具身指高层任务逻辑在不同机器人之间的迁移。机械臂、机器狗等硬件具有不同动作空间和控制约束,迁移仍需接口适配、校准与验证,不能仅凭策略正确就无缝切换。

安全,是机器人的“物理刹车”。聊天框里的 AI,哪怕被训练得再如何拒绝有害指令,一旦装上机械臂,依然可能因为惯性把人打伤。安全不能只停留在模型嘴上的对齐,必须在 Harness 层面建立硬性护栏——当发生碰撞或异常时,能在毫秒级触发底层的物理急停。

效率,是机器人的“倒计时生存法则”。在算力有限、反应时间更有限的物理世界,效率不是“越快越好”,而是必须在截止时间内出结果。就像前面算过的那笔账,如果为了提升 8.5% 的成功率要多等十几秒、多花 18 倍的成本,那在现实中就是不可接受的。

简而言之,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。它们没有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。

这也是 Grid Robotics 强调的:通用模型只是起点,真正的挑战在 Harness。

最后,为了把上述理念落地,Grid Robotics 在论文中提出了一个涵盖 9 个维度、53 个子项的评测框架(其中 29 项与具身直接相关)。

文章配图

S2 评估框架概览:九个维度(内环)及其 53 个子维度(外环)

03 每项能力该用什么 Benchmark 衡量?

这解决的是当前具身智能的最大痛点之一:评测公信力的分化。

榜单表现需要结合评测协议、独立记录和真机结果核对。本文提到的Claude Fable 5.2在RoboDojo Sim上的64.9%属于仿真设置,不能据此推定真机表现;关于个别团队操纵榜单的指控,本文未取得足够原始记录,不作为事实引用。

Fable 5.2 的 64.9% 只是“模型级”分数,它展示了通用模型在仿真中的潜力。但仿真榜单的高分,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缺乏透明、可复现的证据。

事实上,把模型能力和系统性能混为一谈,也正是“刷榜”现象不可回避的地方。

这里我们不展开讲每一项的 Benchmark 标准,值得强调的是,Grid Robotics 给到的解法是双层评估体系——模型级(Model-level)和系统级(System-level)。

这套评估体系,把机器人的“做题能力”(Model-level)和“干活能力”(System-level)彻底剥离开来。

模型级评测主要考查模型自身的知识、理解和推理;系统级评测则同时考虑工具、控制框架与环境交互。具体归类应依据评测协议,不能只凭是否使用仿真判断。

某个模型或系统在仿真环境取得64.9%的成功率,说明的是该评测设置下的任务表现。仿真也可以包含工具和闭环控制,但其成绩仍不足以证明真实机械臂在开放环境中的安全性与稳定性。

“系统级”(System-level)测的是“生存”,相当于真实路考。它必须把模型塞进 Harness、有工具、有物理执行反馈的闭环里,测试它在时间受限、可能摔倒或碰撞的真实场景下的表现。

论文特别强调,系统级评估绝不能听系统自己“报喜”,必须引入独立的结果验证(比如用外部摄像头证明杯子确实被端起来了),并要求透明的报告体系(公布失败率和重试过程,拒绝剪辑视频)。

04 从数字世界到物理世界,到底哪些发生了变化?

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。

数字任务有时可以重置环境、增加计算或多次尝试,但同样受到时间、资源和外部系统约束。在物理世界,有限反应时间、机械极限、环境变化和不可逆后果会进一步限制试错。

代码写错了可以“Ctrl+Z”,但物理世界里一个杯子碎了就是碎了,这种不可逆性直接决定了 AI 的决策逻辑。

这种约束在时间尺度上表现得尤为残酷。

这篇论文披露了一组惊人的频率差异:S0(底层控制)通常以 50Hz 到 1kHz 实时运行,S1(技能层)在 5Hz 到 200Hz,而负责决策的 S2 大模型每做一次决定,可能需要几秒甚至几十秒。

文章配图

各层每次决策或控制更新所需的时间。图中包含控制层的示意时间尺度与已报道的 S2 延迟。S2 色带是目标范围,报告点来自不同任务条件。

如果你指望一个思考十几秒的“大脑”去直接维持机器人平衡,它早就摔倒了。

这就是为什么架构必须分层,且 S0 必须独立实时运行的物理原因。

“想得久”在物理世界不仅是一种缺陷,更是一笔需要被精算的账。

下文74.8%的结果来自英伟达研究中的特定机器人实验。该实验可以讨论推理延迟与控制效果的权衡,不能用来解释OpenAI团队调整的原因。

英伟达报告中的一组比较显示,在特定设置下,Agentic Harness与Direct Policy的成功率分别为74.8%和66.3%,相差8.5个百分点;单任务API成本分别为36.4美元和1.96美元,前者约为后者的18.6倍。这是该实验的成本与成功率权衡,不是通用可靠性或安全保证。

这意味着,在具身智能赛道,最聪明的模型不一定是最值钱的模型,能在物理时间轴上按期交卷的系统才是。

这也是 Grid Robotics 在论文中指出的“capped scaling”的核心逻辑。

论文主张,物理 Agent 的目标不是“用更多算力换更强能力”(单调缩放 Monotonic Scaling),而是在固定时间预算内实现能力提升(在既定限制内提升能力 capped scaling)。

文章配图

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。

05 想训练这样一个模型,每项能力该怎么培养?

到底该怎么把 S2 的这 8 项核心能力真正训练出来?

Grid Robotics 在论文中并没有给出具体的算法代码,但它指明了训练范式的一个演进方向:从依赖专家演示的模仿学习,走向让模型与环境自主交互的数据飞轮。

其中,“脑力”(认知能力)靠海量数据喂出来,但“生存技能”(协同能力)必须扔进真实物理世界里摔打出来。

首先是练“脑力”,即认知能力——知识、理解、推理。

这依然依赖大规模的多模态预训练,加上在具身场景里的后训练。但这里最大的挑战不是“懂不懂”,而是“快不快”。大模型的本能是“想得越久越完美”,但这在物理世界行不通。

所以训练的核心难点,是要让它学会“有上限的推理”——也就是限时交卷。在倒水时,它必须在半秒内决定好是直接倒还是先扶稳,哪怕只有 80 分的方案,只要按时做出来,也比想了 10 秒的 100 分方案有价值。

其次是练“生存技能”,即协同能力——工具、记忆、跨具身、安全。

这些能力需要结合真实或仿真的闭环交互训练与验证,Agentic RL是可探索的方法之一,也可与模仿学习等方法结合。安全还取决于独立护栏、控制约束和急停系统的具体实现,不能由会拒答或接入Harness直接推导出毫秒级可靠急停。

最后是练“效率”。这需要在架构上做“快慢系统”的分层。

就像人脑一样,想“晚饭吃什么”是大模型在慢思考;而走路时“避开脚下的石头”,是小脑的毫秒级条件反射。机器人也一样,必须让大模型负责宏观的语义规划,小模型负责高频的实时控制,这样才能在极其苛刻的时间预算内,把任务安全地执行完。

Grid Robotics 在论文中强调,对于 S2 的长期能力培养,在闭环中通过执行反馈持续学习,远比静态数据集上的监督学习更为关键。

另一家同样强调模块化的公司是美国 General Robotics[4]:它主张通过组合不同机器人技能构建通用智能。它与论文背后的 Grid Robotics(理格万物)不是同一家公司。

这种强调技能组合的思路,与 Physical Intelligence(π 系列)更侧重端到端基础模型的路线,体现出不同的技术侧重。

06 四级 Roadmap:但行业还在 L1、L2 挣扎

最后,Grid Robotics 这篇论文最具产业落地指导意义的部分,是它把机器人的责任划分为四个递进层级:从执行单个动作(L1)、完成一个任务(L2)、协调一组工作流(L3),到长期承担一个岗位(L4)。

它还用一个最直观的“家庭早餐”场景,衡量机器人能承担多大的责任,这同时给我们评估具身项目商业化进度提供了一个标尺。

文章配图

L1 动作(Primitive),是秒级任务。比如“拿起杯子”。它只需执行单个技能并验证结果,责任边界仅限于这一个动作有没有做成。

L2 任务(Task),是分钟级任务。比如“做好并端上咖啡”。它需要协调多项技能、监控进度并从失败中恢复,责任边界是一个完整任务有没有闭环。

L3 工作流(Workflow),是小时级任务。比如“为四个人准备早餐,且要准时”。它要求协调多项相互依赖的任务、时间安排和共享资源,责任边界变成了整个流程的统筹。

L4 岗位(Role),是天及更长周期任务。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,并适应环境变化,直到被撤回。

文章配图

目前,行业里绝大部分玩家,包括很多惊艳的 Demo,都还在 L1 和 L2 挣扎。

但真实的商业落地点(无论是工厂还是物流)往往在 L3 和 L4。

到了这个层级,客户买单的不再是“单次抓取成功率”,而是“记忆能不能跨天保持、出错了能不能自己恢复、遇到突发状况能不能安全兜底”。

Grid Robotics 也在论文中承认,现有基准几乎不覆盖 L3 和 L4。L3 和 L4 是真正的星辰大海,也是 Harness 发挥决定性作用的地方。

物理世界,没有“降维打击”?

梳理完论文中的六个关键问题,我们再来看看站在论文背后的企业和团队:Grid Robotics(理格万物)。

这家公司成立于 2026 年 9 月,定位“通用具身大脑”。据投资界公开资料[5],其 10 月种子轮投资方包括红杉中国、Monolith 和 DeepSeek;另一笔天使轮资料中还列有逐际动力。

俞涛的履历可圈可点:他曾在腾讯 AI Lab“绝悟”做强化学习决策,后在逐际动力期间,他带队搭建了 LimX WBT 全身运动跟踪系统,内部代号就叫 System 0——负责机器人底层的全身运动控制。

在具身大脑赛道,他既懂决策层,又亲手做过身体的实时控制,而能同时掌握“决策”与“运动”两端的人,相对稀缺。

此外,这篇论文的学术班底也很值得关注。其中,核心作者之一的杨祖豪,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是作者之一,卢教授在计算机视觉领域有着深厚的背景。

文章配图

另一位核心作者杨智钦,是 Robot Use Agent 和 Physical Agent 领域非常活跃的研究员,不久前他曾作为 RobotWorld 项目共一第一作者,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》[6]。

我们看到,面对具身智能赛道的这一次路线融合,以 Grid Robotics(理格万物)为代表的“系统工程派”认为:在物理世界,从来没有所谓的“降维打击”。

在他们看来,当通用模型能力正在快速商品化时,把模型转化为可验证物理行为的系统工程能力,将长期保持稀缺。

时空延迟、物理碰撞、不可逆的后果……这些看似不性感的“脏活、累活”,或许正是构建物理世界商业闭环不可跳跃的地带。

参考资料

[1]《智能体机器人:机器人系统的新纪元》:https://arxiv.org/abs/2611.18359

[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

文章来自于"十字路口Crossing",作者 "壹小姐"。

相关主题

读完之后

加入 AINRK 交流群

了解加入交流群的方式,与更多 AI 从业者交流。

查看交流群说明(在新窗口打开)