千寻智能最强大脑亮相WAIC：攻克「金鱼记忆」，终结单一任务Demo内卷

编辑｜+0

持续火热的机器人，再次成为 WAIC 最抢镜的主角。

跳舞、搭积木、分拣物品……展台前，观众举着手机，哪里动作幅度大，镜头就往哪里追。

千寻智能的展台上，则来了两位画风完全不同的主角：一位是通体黑灰、看起来不苟言笑的 Moz1，埋头干活；另一位是首次公开亮相的 Moz2，奶杏色机身配上粉色小围脖「OOTD」，忙着向观众打招呼、举手比心，靠卖萌吸引了不少镜头。

镜头拉远，两个机器人所处的现场，有一块居家日常的客厅空间。沙发、餐桌、冰箱和洗碗机分布在不同位置，可乐、脏碗和玩偶散落其间，一眼看过去，像极了普通打工人的居家日常。

「快帮我整理客厅！」工作人员向机器人 Moz1 下达指令后，便退到一旁。接下来，是机器人的「表演」时刻：Moz1 先观察环境，再开始自主移动——它走到桌边拿起可乐，将其放进冰箱，随后又把餐桌上的脏碗送入洗碗机。

完成桌面清理后，Moz1 正准备转身前往沙发整理玩偶，一个纸团却意外被丢到了桌面上。Moz1 随即停下原来的动作，重新感知并判断环境变化，调整任务顺序和行动路线，转而拿起新增的纸团，将其扔进垃圾桶。处理完这一临时插入的任务后，Moz1 没有从头开始，而是继续执行尚未完成的玩偶收纳任务，将沙发附近的玩偶归入收纳筐。

没有人跟在后面提醒它「先拿这个」，也没有人在中途补充「下一步去那里」。从理解指令、拆解任务，到应对新增物体、局部调整计划，再到继续原来的任务，几项子任务被连续完成。

现场屏幕还会同步呈现任务拆解、当前步骤及后续计划，让观众看到一句自然语言指令如何被转化为一段持续执行的动作过程。

家务这种事，果然还是看别人做更轻松。不过，「整理客厅」这件看似普通的小事，对机器人来说，其实远没有看上去那么简单。

整理客厅为什么比看上去更难

人类听到「把客厅整理一下」，会自动补全许多没有被说出口的信息：哪些东西算乱、应该放到哪里、先收拾桌面还是先捡地上的物品。这个过程依赖长期积累的生活常识与经验，而机器人并不天然具备这些能力。

这类任务不同于抓取、分拣等边界清晰的机器人演示。后者通常预先定义了任务起点、结束条件、物品位置和操作流程；真实客厅却不是标准化工位。家具布局、物品种类和摆放位置随时可能变化，目标物体可能被遮挡，也可能出现训练中未见过的新物品，人的走动和临时放入的杂物还会持续改变环境状态。这种开放、动态且缺少统一规则的场景，构成了典型的非结构化环境。

因此，「整理客厅」考验的不只是机器人能否完成抓取、移动和放置，而是能否理解一个模糊目标，并将其转化为可执行的任务链：识别物品、判断类别、确定归位位置、规划路径、完成操作，并在每一步后确认结果。场景发生变化时，它还需要重新评估状态，调整任务顺序和行动方案，而不是记住固定坐标、路线或脚本。

这里涉及两项相互关联的能力：长程执行与场景泛化。前者要求机器人沿着较长的任务链持续推进，记住总体目标、已完成步骤和待处理事项；后者要求它在布局变化、陌生物品、遮挡、路径受阻和临时干扰下，仍能将既有技能迁移到当前场景。

具身智能早期的许多演示，更擅长完成拿起杯子、打开抽屉等单点任务。但当动作链变长、子任务之间产生依赖后，问题就不再只是会不会抓，还包括是否记得为什么要抓，以及抓完之后做什么。机器人可能遗忘目标、漏掉步骤、重复处理已完成的物品，或因一次局部失败偏离后续计划。这类任务上下文和状态丢失的问题，常被形象地称为「金鱼记忆」。

长程任务还会放大局部误差。假设每个子步骤的成功率为 95%，且各步骤近似独立，那么包含 10 个连续步骤的任务，全部一次成功的概率只有约 60%。动作链越长，识别偏差、抓取失败和放置误差越容易累积；环境越开放，机器人需要处理的异常状态和分支情况也越多。

因此，长程能力不能只看单个动作做得是否准确；评价泛化能力，也不能只看机器人能否在另一套布置中复现相同流程。更关键的是，它能否发现失败或环境变化，判断问题出现在哪一步，并通过局部修正或重新规划，继续完成原来的总体目标。

开冰箱、抓餐具，或者把玩偶放进收纳筐，这些动作并不新鲜。此次演示的变化在于，机器人需要围绕「整理客厅」这一整体目标，自主识别当前状态、决定下一步行动，并在环境变化中持续执行，而不是依赖人工逐步提示或预设脚本。

任务也由桌面上的单次抓取扩展到跨越不同家具和功能区域的连续操作，即从物体级走向空间级。机器人不仅要处理更多动作，还要协调导航与操作。例如，从桌边拿起饮料后移动到冰箱前，即使原来的桌面已经离开视野，它仍需掌握自己正在处理什么、物品是否抓稳、冰箱门处于什么状态，以及还有哪些物品尚未归位。

这要求机器人持续维护一份动态更新的任务状态与场景表征，包括总体目标、已完成和待完成的子任务、物品及其空间关系、环境变化、执行异常和下一步行动。只有同时保持任务上下文，并动态理解非结构化环境，机器人才能从完成一次演示，走向在不同场景中完成同类任务。

长程任务背后，Spirit v1.6 不只是把动作串起来

把几个机器人动作按顺序连接起来，并不等于机器人具备了长程任务能力。

如果饮料永远位于同一个位置，冰箱门永远保持相同角度，路径中也不会出现任何障碍，一段固定程序当然可以让机器人依次完成抓取、移动和放置，但真实环境不会严格配合程序。

物体可能被移动，目标位置可能被遮挡，某一步可能没有真正完成，机器人抓住的东西也可能在途中滑落。固定脚本只知道下一条指令是什么，却不知道环境是否仍然满足执行这条指令的条件，更不知道是否应该暂时放弃原计划、重新安排顺序。

针对这些问题，Spirit v1.6 采用了 VLA 与世界模型一体化架构。VLA 负责将用户提出的语言目标、机器人看到的环境和机器人能够执行的动作连接起来；世界模型则用于理解物体之间的关系，并预判一个动作执行后，环境可能发生怎样的变化。

千寻智能 Spirit 具身智能全栈架构

进一步来看，Spirit v1.6 在预训练阶段引入了对抽象动作 Token 的预测。这里的动作 token，可以理解为对连续机器人行为的一种更高层表示。相比直接在冗长的底层动作序列中逐步推演，抽象动作 Token 提供了更高层的行为表示，有助于降低长序列训练与推理的计算成本，并加强环境感知、动作决策和执行调整之间的联动。

以把饮料放进冰箱为例，机器人不能只生成一段机械臂运动轨迹。它需要判断饮料的位置和朝向，找到合适的抓取点，确认通往冰箱的路线和冰箱门的状态，并在动作执行后重新观察：饮料是否抓稳、门是否真正打开、放置结果是否符合预期。

从系统能力上看，这里涉及长程任务中的执行监控。抓取动作结束，不代表饮料一定已经被抓住；机械臂进入冰箱，也不代表饮料已经稳定放下。系统需要根据执行后的视觉和状态反馈，对子任务进行完成判定，再决定继续、重试还是调整计划。

世界模型提供的是对环境状态和动作后果的内部估计，帮助机器人判断：如果现在这样做，接下来可能发生什么。但世界模型并不直接等同于长期记忆。长程执行还需要持续维护初始目标、已完成任务、环境变化和当前计划。VLA 与世界模型一体化的意义，在于让状态预测、动作生成和执行反馈形成闭环，而不是从头到尾播放一套固定动作。

在长程能力之外，千寻智能还通过其他演示补充了不同维度的验证。

桌面整理任务重点测试动态重规划：当物品被临时移走、目标位置受到遮挡，或者已经整理好的桌面再次被打乱时，机器人需要重新判断执行顺序，而不是沿用失效的计划。

药片分拣考验的则是小尺寸物体识别、毫米级定位和末端力控。

扭蛋机互动面对的是机器随机转动圈数和观众伸手位置变化，要求机器人根据视觉反馈实时调整动作轨迹。

这些任务对应的是同一套基座能力：理解目标、感知变化、规划动作，并根据真实执行结果继续作出判断。

从展台到落地，长程任务还要跨过稳定性和数据关

判断一套具身系统是否成熟，不能只看它在展台上能否完成一次任务，还要看它能否在真实场景中长期、重复、稳定地工作。

这也是千寻智能优先进入工业场景的原因。工业环境的任务目标相对明确，但对精度、节拍、一致性和安全性的要求更高。柔性线束、来料偏差等不确定因素，以及高压接插件插接等复杂非标工序，都会持续考验机器人的泛化和纠错能力。

据千寻智能披露，Moz1 已在宁德时代动力电池 PACK 产线承担高压测试插头插接等复杂非标工序，作业成功率稳定在 99% 以上。同时，千寻智能已与京东、博世、舍弗勒等企业展开合作，持续拓展零售和工业场景应用。

对千寻智能而言，工业落地不仅提供了商业化验证，也带来了关键的真实运行数据。机器人在实际作业中出现的抓空、滑落、停滞和接触点判断错误，都可以被记录、清洗和复盘，再用于模型迭代。这也是其数据金字塔体系的出发点。

在底层，不同来源的数据承担着不同作用：互联网视频用于建立通用的视觉和语义认知，可穿戴设备记录人类在真实空间中的操作过程，遥操作数据帮助模型适配机器人本体，真机运行数据则进一步记录任务中的成功、失败、修正和恢复。

千寻智能全国数据采集流转中心

在中间层，采集到的数据需要经过清洗、标注、质检和复盘，才能真正转化为训练材料。千寻智能自研的轻量化可穿戴采集设备已经迭代至第七代，并计划在 2026 年沉淀百万小时级真实世界交互数据。

在最上层，数据最终要转化为机器人对陌生物体、陌生环境和陌生任务的泛化能力。

千寻智能数据金字塔

由此形成一套持续迭代的闭环：真实场景暴露问题，运行过程沉淀数据，数据推动模型升级，升级后的模型再进入更多场景。机器人最终要在摩擦、遮挡、形变和执行误差中接受检验，这也是现实运行数据难以被实验室数据完全替代的原因。

本届 WAIC 上首次公开亮相的 Moz2，则代表了这条路线向下一个场景的延伸。Moz2 是千寻智能面向商超、酒店、办公楼宇等商用服务场景推出的探索性产品，用来验证公共空间中的机器人形态、人机交互方式和硬件适配能力。

与强调工业操作能力的 Moz1 相比，Moz2 的设计明显更具亲和感。其机身采用柔性材质和圆角处理，降低机械设备在公共空间中的距离感；全身配置 32 个自由度，使用全向舵轮底盘和折叠腿部结构，以适应商场、酒店和办公场所中的灵活移动需求；7 自由度仿生手臂与三指灵巧手，则为后续物品递送、商品理货等操作保留硬件空间。

现阶段，Moz2 主要用于商服场景中的人机交互形态打磨、用户体验验证和硬件适配测试，暂未搭载完整任务功能。未来，Moz1 在工业场景中已经验证的长程规划、精细操作和动态适配等能力，将逐步迁移至 Moz2。

这也标志着千寻智能「先工业、再商服、后家庭」路线向前推进了一步：先在价值明确、要求严格的工业等环境中打磨技术和稳定性，再进入开放程度更高、人机交互更频繁的商用服务空间，最后才是复杂度最高、需求最分散的家庭环境。

结语

机器人进入日常生活，正在从一种想象变成可被具体观察的过程。

诚然，现实的客厅依然比展台复杂得多。沙发缝里可能卡着遥控器，桌上有不知道该扔还是该留的票据，地上还躺着一只永远不肯配合的拖鞋。人类的指令也常常临时变化，说完「都收起来」，又补一句「那个别动」。机器人最终要面对的，就是这样一个不太讲规则、随时会变化的真实世界。

可以看到，行业开始不再只盯着某一个动作，而是把目光放在更长的任务过程上。从单步操作到空间级的连续任务，「整理客厅」这样的长程任务，正在成为具身智能能力的一次自然延伸。

技术变革的早期现场，往往并不总是最震撼的。1903 年，莱特兄弟第一次完成动力飞行时，飞机只飞了十几秒、几十米；但从那一刻起，人类进入天空的路径已经被打开。今天的具身智能也处在类似阶段：展台上的机器人仍在打磨细节，但当它开始围绕一个完整目标自主执行，并在干扰中继续推进任务时，变化已经发生。

展台上的 Moz1 还在不断打磨细节，但那句指令说完后，人类已经可以退到一边。这或许正是变化开始的地方。