550万人围观机器人烧烤，乐享科技给大家看到的不只是“全自主”

烧烤机器人第一次抓调料瓶，没有拿稳。它停了一下，又试了一次，这次成功了。之后几次抓取，动作越来越稳定。

这是9月16日乐享科技在上海一场户外直播里的画面。搭载全新以太大模型的机器人在真实环境中连续作业约一小时，完成点单、烧烤、上菜等完整流程。按照乐享科技的说法，全程没有遥操、没有剪辑，也没有预设脚本。

比起一条剪掉所有失误的Demo，这场直播最直观的特点，恰恰是失败没有被藏起来。机器人会停顿，会抓空，也会遇到计划之外的情况，而这些过程被直接暴露在在场30位行业媒体和超过550万线上观众面前。

现场6名顾客也不是来配合机器人的。乐享没有给他们任何预设任务，顾客可以临时改单、追加需求、移动物品位置，甚至主动打断机器人正在执行的任务。原定一名顾客临时未能到场后，现场直接从围观人群中随机找了一位补位，没有因此暂停流程。

CEO郭人杰还在直播中让摄像机穿过后厨、拍摄周边环境，以证明现场不存在遥操作空间。按照他的介绍，这块场地也是几天前才临时敲定，准备时间并不充裕。镜头不算精致，人员会临场反应，机器人也会犯错，这种甚至有些“草台班子”式的直播，反而获得了不少业内人士的正面评价：至少乐享没有试图把机器人包装成一台永远不会出错的机器。

但这场直播抛给行业的“深水炸弹”，不是“有没有遥操”，也不是“是不是造假”。而是当预设条件被拿掉之后、当不断的产生干扰和挑战时机器人靠什么继续把任务做下去。

问题从“这场直播是不是真的”，进一步变成了：什么样的模型架构，才能让机器人在计划不断失效的情况下继续判断、调整和行动？这也正是理解以太大模型技术路线的入口。

01 VLA、WAM，以及以太大模型的不同答案

过去两年，具身智能行业围绕“机器人到底应该怎样获得智能”，已经分出了几条不同路线。

VLA是其中最主流的一条。视觉、语言和机器人自身状态进入模型，最终生成动作，它首先解决的是“看到这个场景、接到这个任务，下一步应该怎么做”。

2026年，WAM以及更广义的世界模型路线明显升温。英伟达机器人方向负责人Jim Fan甚至曾用一句极具传播力的“VLA已死，WAM当立”，来概括这一变化。它背后的逻辑是：机器人不能只知道下一步做什么，还应该预测动作发生以后，世界会怎样变化。

VLA把重点放在动作生成，WAM进一步把世界变化纳入预测。但在乐享科技看来，当机器人真正进入物理世界以后，这两个问题之外，还有第三个问题：预测出来的动作和未来，最终能不能被一副具体的身体真正实现？

一个杯子的重量增加一倍，同样的抓取动作需要不同的关节力矩；杯子里装着液体，运动过程中重心还在不断变化；摩擦、接触、滑动、物体形变，也都会让原本合理的动作产生不同结果。

VLA容易停留在“不懂因果”，传统WAM则可能出现“可生成、不可执行”。

这当然是一种带有技术路线立场的判断，但它指向的是同一个问题：机器人最终面对的，不只是动作和未来画面，而是一个会持续反作用于自身的物理世界。

因此，以太大模型没有继续把“下一步动作是什么”或者“下一帧世界是什么”作为系统唯一的中心，而是把问题换成了另一种形式：当现实不断发生变化时，模型自己应该怎样跟着变化？这就是“能量驱动”这条路线真正开始的地方。

02能量驱动，补上“真实世界”这一环

以太大模型所谓的能量更接近一张贯穿系统的“状态地形”：世界当前是什么状态，机器人自身处于什么状态，任务距离目标还有多远，哪些信息仍然缺失，都会进入同一套机制，共同影响系统下一步往哪个方向演化。

关键在于，这套机制并不只是评价“现在好不好”，还会持续驱动模型内部状态、连接和信息获取方式发生调整。

换句话说，机器人每做出一个动作，真实世界给出的结果都会重新进入模型。

烧烤机器人第一次抓调料瓶没有拿稳，之后的动作会随反馈调整；此前的室内Demo里，机器人先擦玻璃内侧，发现污渍仍然存在后，也没有继续机械重复原来的动作，而是重新改变观察和操作方式，判断污渍来自玻璃外侧，于是调整动作尝试处理玻璃外侧。

真正值得看的，不是机器人“会抓瓶子”或者“会擦玻璃”，而是现实结果与原有判断不一致以后，模型会不会因此改变自己的判断和及时修正行动。

这也让感知本身发生了变化。当已有信息不足以支撑下一步决策时，机器人需要处理的不只是“我现在看到了什么”，还包括“为了继续完成任务，我还需要看到什么”。改变视角、调整身体位置、主动获取更多信息，也都可能成为行动的一部分。

乐享将这种机制称为带有“感知意图”的主动感知。

但现实反馈能够改变当下判断，还只是第一步。Aether以太大模型所谓的“自进化”，更关键的是这些变化能不能进一步沉淀下来。按照以太大模型的机制，新的经验不会被无差别写进模型。系统会判断它是否可靠、是否足够新颖、能否明确归因，以及是否具有泛化价值，再决定哪些经验值得进入更长期的记忆、技能甚至模型参数。

这也是所谓“自进化”与普通临场调整真正拉开差别的地方：训练结束，并不意味着学习结束。

03跨本体，智能不再被一副身体锁死

自进化再往前一步，考验的是泛化：学到的能力换一副身体以后，还能不能继续成立。

此前的室内Demo中，同一套以太大模型已经运行在两种不同品牌的机器人本体上；这次户外直播中，承担服务和烧烤任务的同样是不同形态的机器人，背后运行的也是同一套模型。

跨本体显然不只是换一套硬件接口。不同机器人在身高、自由度、关节能力和动力学约束上都不一样，同一个任务进入不同身体后，真正可行的动作方案也会不同。模型既要理解“任务要完成什么”，理解“这副身体的能力边界”，也要理解“当前这副身体到底能怎么完成”。

这背后对应的是以太大模型“脑—脊髓贯通”的仿生架构。上层负责意图理解、情景记忆、长任务规划和风险判断；中间层处理环境感知和任务状态；运动层负责动作规划、姿态平衡和误差修正；更靠近硬件的“脊髓层”，则处理力位控制、碰撞避让和防摔等需要快速响应的问题。

值得注意的是，这些层级不是彼此独立，而是像人类的逻辑和行为结构一样，协同一致。以太大模型让高层认知和底层身体控制形成一条连续的信息通路：任务目标向下进入身体，身体真正执行以后产生的物理反馈，再重新向上改变判断。

因此，跨本体追求的不是让不同机器人做出一样的动作，而是让同一个智能目标进入不同身体以后，都能找到与自身能力相匹配的实现方式。

直播里的双机协作，又把这个问题往前推进了一步。服务机器人完成点单后，会主动去找负责烧烤的机器人；等待时间变长后，也会再次确认进度。

两台机器人承担不同角色，却需要根据共同任务和对方状态持续调整自己的行为。跨本体因此不再只是“一个模型控制不同机器人”，而开始走向不同身体围绕同一个目标协同。

04乐享让具身大模型性能，从“做得到”走向“持续成立”

一场1小时的户外直播，当然不足以证明一个模型已经获得了通用智能。真正值得讨论的，是它把一些过去很难在Demo里观察的问题直接暴露了出来。

过去，Demo更擅长证明“机器人能做到什么”；这场直播暴露出来的，则是另一类问题：当环境和任务持续变化，这些能力还能不能继续成立。

此前，具身智能的性能很容易被压缩成几个数字：参数量、真机数据规模、标准任务成功率，或者一段Demo里完成了多少高难度动作。这些指标依然重要，但更多回答的是“模型能做到什么”。

而真实世界要求的是另一种能力：当条件持续变化、计划不断失效时，模型还能不能保持对任务的理解，并继续作出有效判断。

从这个角度看，以太大模型这次真正拿出来验证的，并不只是某一项新技能，而是一套更连续的能力链条：现实反馈能否改变下一步判断，短期调整能否进一步沉淀为经验，同一套智能换到不同身体之后是否依然成立。

这套能力最终能走多远，仍然需要更多场景和更长周期的验证。但至少，具身大模型的“性能”正在多出一层新的含义：不只是“做没做到”，还包括现实发生变化之后，能力还能不能持续成立。

这才是以太大模型真正想换掉的那把“性能标尺”。