让机器人学会「一口气干完一件活」
机器之心 · 人工智能
机器之心 2026-11-06 15:41 湖北 从只会 “单步演示” 到 “连续干完一件活”，长程规划正在成为机器人的新分水岭。 机器之心发布 从只会 “单步演示” 到 “连续干完一件活”，长程规划正在成为机器人的新分水岭。 当 “大脑” 成为机器人的分水岭 2026 年，具身智能正以肉眼可见的速度从展台走向真实场景。据中国电子学会数据，2026 年上半年国内人形机器人出货量已超 4 万台，全球占比高达 97%；海外科技巨头亦在加速入场：OpenAI 首席执行官已确认公司将自主研发人形机器人，并直言机器人外观 “远不如真正弄清楚如何让机器人大脑运转重要”，计划 2027 年推出演示样机，核心攻关方向正是驱动机器人运转的智能系统。 从中国制造的规模领跑，到全球巨头押注 “大脑” 竞赛，行业共识已然清晰：形态不再是分水岭，真正决定机器人能否 “干活” 的，是具身大脑在复杂场景中的规划、决策与泛化能力。 在这一赛道，一种关键能力正浮出水面 —— 让机器人从 “看懂环境” 走向 “连续干活” 的长程规划，正在成为具身智能落地的新分水岭，也为行业打开了一条高性价比的研发路径。 长程规划：具身大脑最陡的一跃 具身大脑被视为机器人从 “看懂环境” 走向 “执行任务” 的核心中枢，其感知、推理、规划与安全决策能力直接决定机器人能否真正进入物理世界。而其中长程任务规划，正是公认的能力鸿沟 —— 从单步识别到多步连续决策，从 “理解场景” 到 “拆解任务、规划路径、纠错执行”，是具身大脑从演示走向干活的关键一跃，也是当前头部模型与专项模型差距最显著的维度。 在这一背景下，中兴通讯发布论文《EmbodiedMind: Adaptive Data Curation and Prefix-Tree Reinforcement Learning for Efficient Embodied Intelligence》，以 8B 模型在 18 项具身大脑基准上取得 70.02% 的平均成绩，长程规划准确率较现有最优方法提升 30.31%，相关论文已投稿 ICRA 2027。 随后，SuperCLUE 9 月 EmbodiedCLUE-VLA “具身大脑” 榜单出炉：中兴通讯 Nebula-EmbodiedBrain-180B 以 77.48 分与阿里 Qwen3.8-Max-0902 并列国内第一，具身安全单项高达 97.92 分。从 8B 专项模型的训练范式突破，到 180B 级大脑模型的综合能力打榜，两条线索合流，表明中兴在具身大脑赛道已走在前列。 三重结构性困境，卡住具身大脑训练 当前具身基座模型的训练，普遍受制于三个结构性缺陷。 其一，样本效率低下。训练语料中大量轨迹信息密度低、质量参差、噪声显著，监督微调与强化学习在冗余与高方差数据上消耗算力，却收敛至次优策略，真正有价值的训练信号被稀释。 其二，异构任务梯度贡献失衡。DAPO 等动态采样方法缺乏任务级校准，简单任务被过度丢弃、困难任务被系统性忽视，多任务训练中能力此消彼长，引发 “跷跷板效应”。 其三，长程规划中的信用分配严重失真。标准 GRPO 将轨迹级优势均匀施加于所有 token，一条轨迹最终失败，其中间正确的决策也被一并惩罚；树搜索虽可回溯至单步节点，却面临组合爆炸的深度代价，难以在探索深度与计算可行性之间取得平衡。 这三重困境共同指向一个核心命题：具身大脑要从 “看懂环境” 走向 “长程执行”，训练范式本身需要重构。 三重机制协同，系统性破题 为了突破现有具身大脑基座模型训练的瓶颈，研究团队提出了一套三阶段训练范式：以 RSFT 从源头进行数据清洗与 SFT 训练、以 IR-GRPO 重建任务平衡、以 Trie-GRPO 实现步级信用分配，三层机制各对一题、逐级递进，实现具身大脑训练范式的系统性重构。 图 1 EmbodiedMind 三阶段训练框架（RSFT→IR-GRPO→Trie-GRPO）示意 机制一・RSFT：从源头提升数据信息密度 针对训练语料中低信息密度轨迹稀释有效信号的问题，该机制以高温度系数多次推理对样本分层：全部生成正确的归为简单样本，部分正确的归为不确定样本，全部失败的归为困难样本。训练集仅保留不确定样本与一定比例的简单样本，暂时排除困难样本，既防止早期分布坍塌，又避免错误轨迹污染，从源头提升数据信息密度。实测显示，该机制在多维度能力评估上全面优于标准监督微调方法。 图 2 拒绝采样后的训练样本分布（RSFT 阶段饼图与 IR-GRPO 轮次变化） 机制二・IR-GRPO：重建异构任务平衡 针对 GRPO 动态采样缺乏任务级校准、易致能力此消彼长的问题，该机制为每个任务类型维护独立的先进先出队列，并以指数移动平均平滑各任务的有效样本比例，动态调整下一轮采样配额，