人形机器人在 GPT-6 Astra 操控下清理陌生厨房
来自斯坦福和加州理工学院的研究人员构建了一个名为 HomeBody 的系统，让一台 Unitree G1 人形机器人走进它从未见过的厨房，整理空间，并从抽屉中取出物品，全程无需人工操控其动作。该机器人运行在 GPT-6 Astra 上，这一演示为越来越多的证据再添一笔，表明该模型能够从文本和图像有效地迁移到在物理世界中移动的机器上。
引人注目的并不是机器人能够抓取物体——工厂机械臂几十年来一直能做到这一点。真正突出的是，这台机器在一个它从未遇到过的布局的房间中自行判断该做什么，依靠的是一个通用模型，而不是专为那一个厨房设计的流水线系统。
HomeBody 是如何组装的
GPT-6 Astra 直接调用技能库
大多数机器人学习技术栈会在语言模型和硬件之间插入一个经过训练的控制层。这一层——通常是基于特定任务数据精调的策略网络或运动规划器——将高层意图转换为关节级指令。HomeBody 将其移除。一个可替换的视觉语言模型，在此例中为 GPT Astra，直接向一个可扩展的技能库发出调用，该技能库涵盖抓取、导航和打开抽屉。由于该库是模块化的，可以添加或替换单个能力而无需重新训练整个系统，底层的 VLM 本身也可以更换为另一个模型。
先探索，后记忆
在处理任何物品之前，机器人先勘察房间。它在 Nvidia 的 Isaac Sim 中构建厨房的数字孪生，然后将物体及其位置记录在空间记忆中。正是这种记忆让机器能够在物品离开机器人视野后仍能定位它——对人来说这是家常便饭，但对仅根据摄像头当前捕捉内容进行推理的系统来说却相当困难。
规划、执行、自我纠正
面对诸如“清理厨房”这样的粗略指令，语言模型将任务分解为步骤，通过技能库执行，并在出错时自我纠正。计划不是固定脚本。它会根据机器人发现的情况以及发生的故障进行调整，这正是自动化与更接近通用行为之间的区别。
为什么去掉控制层很重要
移除经过训练的中间层在多个方面改变了整个系统的经济性和灵活性。
- 泛化能力：机器人不再被锁定于单一厨房布局或狭窄的任务列表，因为推理来自模型，而非为某一环境收集的数据。
- 模块化：技能可以独立扩展，视觉语言模型可以随着更好的模型出现而替换。
- 意图可解释性：可以用普通语言给出指令，而不必编译成定制的控制器。
代价是，一个前沿模型现在位于控制回路之中，而这恰恰是系统弱点最为明显的地方。
系统仍在哪些方面挣扎
团队的描述对不足之处直言不讳，而这些不足集中在实时依赖大型模型的成本上。
- 延迟：当机器人必须对不断变化的物理场景做出反应时，GPT-6 Astra 的响应时间是限制因素。
- 硬件压力：手指舵机在长时间操作中过热，这是任何模型质量都无法掩盖的机械约束。
- 计算开销：在回路中保持一个前沿模型成本高昂，这对任何设想将其运行在家庭而非实验室中的人来说都很重要。
这些都不是小事。延迟和过热是那种在演示视频结束后才会浮现的问题，那时系统需要运行数小时而非数分钟。计算成本决定了像 HomeBody 这样的方法能否走出研究环境。
安全问题与基准测试记录
HomeBody 出现在一个喜忧参半的背景下。此前的基准测试显示，Astra 的空间推理能力已大幅提升——这是一个必须推理物体位置以及如何到达的模型的先决条件。与此同时，另一项独立研究在 Astra 被赋予机器人控制权时标记了安全问题。这两项发现放在一起令人不安：让模型对操作有用的同一能力，也在其判断出错时提高了风险。
语言模型直接向技能库发出命令，压缩了错误决策与物理后果之间的距离。经过训练的控制层的缺失，移除了一个此前可能约束不合理或不安全行为的过滤器。这并不意味着该方法不可行，但确实意味着安全评估必须与能力评估同步推进，而不是落在其后。
迈向具身 AI 的更广泛推进
HomeBody 正处在更广泛转变的中间。OpenAI 已经宣布了重返机器人领域的计划，包括面向个人使用的机器。这一雄心为像这样的演示赋予了学术之外的商业背景：如果一个通用模型能够在陌生房间中操作人形机器人，那么围绕单一强大模型构建硬件的论据就变得有力得多。
斯坦福和加州理工学院的这项工作最好被解读为对这一前提的检验。它并未声称解决了家用机器人问题。它表明，大多数研究人员认为必要的那一层——连接语言与运动的经过训练的控制器——至少在这种配置下，可以被对可复用技能库的直接调用所取代。
代码公开，问题待解
HomeBody 的代码已在 GitHub 上公开，这意味着其他团队可以在不同的机器人和不同的房间中探究相同的架构。有趣的问题如今是实证性的。当厨房更凌乱、物体更陌生，或任务持续数小时时，性能会下降多少？成功有多少来自技能库，又有多少来自模型自身的推理？当延迟、发热和计算预算被视为首要约束而非脚注时，又会发生什么？
就目前而言，这一演示是又一个数据点，表明 GPT-6 Astra 与机器人配合良好——同时也提醒人们，一个引人注目的厨房演示与一台可靠的家用机器之间的差距，仍然以舵机、秒数和美元来衡量。
本文基于 The Decoder 的报道。阅读原文。
Originally published on the-decoder.com