樂享以太大模型，讓中國具身智能坐上定義席

本文作者： 叢末 2026-09-23 09:46 導語： 從“預測”到“求解”：樂享以太大模型重塑 Physical AI 解題範式。從“預測”到“求解”：樂享以太大模型重塑 Physical AI 解題範式。作者丨幸麗娟 編輯丨董子博 具身智能行業一直在等一個 ChatGPT 時刻。但這個時刻，未必長得像 ChatGPT。決定這個時刻的，不是機器人會聊天，也不是機器人學會了幾個動作，而是在不確定環境裡，機器人能不能自主思考、判斷和執行，在無序的事件中，持續完成任務。過去兩年，行業積累的幾乎全是“能力上限”的展示：選好場景、選好時機、反覆調試，再拍出一條完美的Demo。

上限可以“被編輯”出來展示。真實效果如何，卻少有人敢公開測。但機器人真正進入現實世界，考驗的不只是最好時能做到什麼，更是環境不斷變化時，它還能不能把事情做下去。9 月 16 日傍晚。上海閔行一家燒烤店門口，樂享科技讓兩臺機器人擺起了燒烤攤。接下來近一個小時，它們要接單、烤串、上菜。這場直播的規則，測的正是機器人在這種真實環境裡的應變能力。沒有剪輯，沒有遙控，沒有預設腳本。更絕的是，觀眾可以實時干預：隨機出題，自由改造場地佈局，隨手改道具擺放位置，臨時打斷正在進行的任務並追加需求。現場 3 桌、6 名顧客的主線任務，就是“干擾”，看機器人能不能像人一樣自己“圓場子”。

而就在不久前，這家公司剛剛站在了一場輿論風暴的中心。故事線是這樣的：7 月，樂享上線以太大模型官網並公開完整技術路線；8月26日，一段機器人協作收拾房間的10分鐘一鏡到底 Demo，在具身圈傳開。9 月 3 日，OpenAI 上線 GPT-6 Astra 官網；三天後，首席科學家 Jakub Pachocki 發表萬字長文《異星心智》。9 月 10 日，樂享創始人郭人傑發文，三問 OpenAI：技術理念為何高度重合？概念表述為何如出一轍？官網設計為何似曾相識？他稱對方“像素級搬運”“直接蒸餾”，並稱法律團隊已啟動程序。輿論隨之分成兩派。

一派說這是硬實力，另一派說這是“蹭熱度”、“demo造假”。面對這些質疑聲，樂享決定讓搭載以太大模型的機器人自己上場回應。於是，這場戶外燒烤直播來了。被推到臺前的，還有一組更根本的追問：當計劃被打破、條件被臨時改寫、任務被中途打斷，機器人還能不能重新收斂到目標？如果能，又憑什麼能？樂享敢把場子開放出來，就是因為以太大模型的架構從一開始就不是為“把預設流程跑完”設計的。這一點，在近一個小時的直播裡看得最清楚。01開放環境直播：一次可被幹擾的硬核測試爐子支起來，名為“二爺”和“五弟”的兩臺機器人各就各位。一臺點單送餐，一臺負責守爐。

整條任務鏈是：接單、分析顧客需求、勘探場地、分揀食材和工具、烤制、動態翻面控溫、成品整理、送餐歸位。為了證明現場沒有遙操，創始人郭人傑把攝像機帶進後廚，翻轉鏡頭拍現場人員，又掀開背景幕布，展示那個唯一能藏人的小房間——裡面各種食材廚具堆得到處都是，完全沒有人遙操的空間。他在開場直言直播的倉促：“我們週日才跟燒烤店老闆聊好，花幾萬塊錢租下這塊場地。”然後，機器人的五項核心能力在這場直播中，被反覆測試：主動感知。服務機器人在完成點單、將需求傳遞給燒烤機器人後，會注意顧客的等餐時間，當感知到顧客等候較久，會主動上前詢問出餐進度。

更細緻的一個瞬間是：在沒有人開口要求的情況下，它想到吃燒烤的顧客會需要紙巾，主動把紙巾送了過去。多模態理解。有顧客在點單時臨時提出“少放辣”。這個需求首先以語言形式進入服務機器人，它需要理解這句話的語義，同時結合視覺信息確認顧客指的是哪一份訂單，然後將新要求轉身傳遞給負責燒烤的同伴。燒烤機器人收到調味指令後，精準識別食物位置，均勻完成撒料操作。這背後是對物體尺寸、材質、位置及相互約束關係的多模態空間理解。流式記憶。一個小時的直播被打散來做：3 組顧客輪流點單、多輪上菜、臨時打斷穿插其中。服務機器人全程沒丟掉手裡的任務鏈，能把進度推進到收尾。

更直觀的一幕是：服務機器人正在給顧客點單，突然被要求“拿瓶水”。它停下點單，先去遞水，再接著把單點完。整個過程沒有猶豫，也沒有等下一條指令。這件事看起來簡單，但對機器人來說不是。打斷一次，上下文就可能被覆蓋，任務狀態歸零，它得重新知道“我剛才在做什麼”“做到哪了”“為什麼做到那一步”。對於其他依賴單步觀測做決策的機器人而言，這幾乎是不可能完成的任務。動力學建模。燒烤機器人自主為食材刷塗醬汁，這個過程非常考驗空間感知和力度控制，因為模型需要理解物體的物理屬性，結合動力學模型輸出符合物理規律的動作。另一個更能說明問題的瞬間是翻面：機器人第一次給食材翻面時沒有翻好，食材掉落爐架。

第二次調整了抓取和翻轉姿勢，成功了。這背後，是動力學建模在實時求解：系統不是從記憶裡檢索一個“標準翻面動作”，而是在當前的重心偏移、摩擦係數和夾持條件下，重新解出了一組能讓動作成立的力矩參數。持續自進化。燒烤機器人翻面第一次失敗、第二次調整姿勢成功的瞬間，同樣是模型持續自我迭代能力的直接寫照。這種並不完美的過程，恰恰能讓人直觀地看到模型是如何通過失敗反饋，自主進化，最終順利完成任務。這五項能力，看似在測五個不同的維度，實際上指向模型從數字世界走向物理世界的真正門檻：機器人能不能在約束不斷變化的情況下，依舊能把事情做對。過去，這個判斷靠人寫規則、靠數據擬合、靠預設流程。

而這場直播驗證了，模型在不同的約束條件下，靠自主智能就可以把“對的動作”解出來。這兩臺機器人默契完成協作任務的畫面，很容易讓人想到八月底那段在具身圈刷屏的視頻。10分鐘，一鏡到底。狹小的空間裡，兩臺不同品牌和型號的機器人，全程自主協作收拾房間。視頻裡發生了這些事，值得反覆琢磨——一臺機器人用刮水器擦玻璃，有一處怎麼都擦不乾淨。它重複幾次後停下來，判斷髒東西可能在玻璃外面，於是把刮水器伸出窗外；接著，它收拾桌面，雙手被佔滿時，另一臺主動拿起桌上的圍巾掛到它脖子上，發現圍巾太長，還用雙手把圍巾捧起來，被幫助的機器人看懂了，彎下了腰......

雙方通過自主協同，完成了這次物品“遷徙”；隨後，較矮的機器人要把圍巾放進櫃子上方隔層，可它只有 1.3 米，夠不到。它找到旁邊的箱子推到地上，想彎腰搬起來墊腳，卻發現自己彎不下腰，於是它選擇用腳踢過去；箱子踢歪了，機器人又開始琢磨怎麼把箱子回正，這時候，身高 1.7 米的另一臺機器人走了過來：它似乎看出了同伴的困境，放下了手上的活，主動幫忙把圍巾放到目標位置。中途鬧鐘響了，兩臺機器人轉去處理桌面和冰箱收納任務，做完再回來接著做沒做完的事，進度沒被清零。一個在室內，一個在戶外；一個做家務，一個要烤串上菜。

展示的卻是同一件事：以太大模型可以讓機器人自主思考，自主決策，並在試錯中完成自我進化，以及實現跨本體協作。這背後，還有一個更深層的追問：它憑什麼做到？要回答這一點，得先看市面上現有的具身智能主流方案為什麼做不到。02VLA 和 WAM ，繞不開“預測”這道坎當前具身智能有兩條主流路線：VLA 和 WAM。2026年4月，英偉達研究科學家Jim Fan在紅杉AI Ascent大會上宣告：VLA 已死，WAM 當立。這番論斷將兩條路線的爭論推到了臺前。但無論是哪條路線，兩者的底層邏輯卻是同一件事：預測。

▎VLA 預測動作分佈從 RT-1、RT-2 到 OpenVLA，再到 Π0 系列，VLA 的思路是：把圖像和語言指令編碼進一個多模態主幹，直接解碼出動作序列。數學上，它學的是一個條件動作分佈 p(a|o,l)。給定當前觀測 o 和語言指令 l，輸出動作 a。這條路的好處很直接：快。鏈路短，延遲低，能接高頻控制；語言模型的語義能力可以直接複用，機器人“聽得懂”開放詞彙的指令。但隨著模型走向更加開放的真實環境，一些結構性缺陷也開始暴露。第一個缺陷，是語言被架空。ICML 2026上的一篇論文（LangForce）給這個缺陷起了一個學術名字：信息坍縮。

在目標驅動的數據採集範式下，語言指令往往僅憑視覺觀察就能高度預測——看到櫃子就對應“開櫃子”，看到瓶子就對應“拿瓶子”。指令與動作之間的條件互信息趨近於零，模型實際上忽略了語言，退化成了一個純粹的視覺策略。在 RoboCasa 基準上，一個完全忽略語言指令的純視覺模型，成功率與接收完整語言指令的模型幾乎相同。這意味著，VLA 學到的不是“理解指令然後行動”，而是在特定視覺場景下匹配特定動作。它把“聽懂”和“看見”悄悄合併成了同一件事。而合併的代價是：分佈外的新場景、新任務，泛化會顯著下滑。第二個缺陷，是它跳過了對環境的動力學建模。它不預測動作執行後世界會怎麼變，只學“這個場景對應什麼動作”。

所以它沒法回答“我把手伸出去會不會撞到窗框”這類問題，因為它壓根沒在算這件事。▎WAM 預測未來世界狀態與動作WAM 就是為了補 VLA 的第二個缺陷來的。它採用“先預演、後動作”的推演式架構：先預測動作執行後世界狀態會如何變化，再反推最優控制指令。數學上，它學的是一個未來狀態與動作的聯合分佈 pθ(s{t+1:t+H}, a{t:t+H-1} | o{≤t}, a{<t}, l)。給定歷史觀測 o{≤t}、歷史動作 a{<t} 和語言指令 l，同時輸出未來 H 步的狀態序列 s{t+1:t+H} 和動作序列 a_{t:t+H-1}。這條路補上了 VLA 缺失的物理預測。

它學的是“物體被推、被抓、被丟棄時會怎樣移動”，這種物理知識比語義知識更通用。但它依舊沒有解決信息坍縮問題。WAM 的視頻預測同樣綁在具體本體的相機視角上，語言指令在其中的權重依然很低。它補了物理，沒補語義。而且代價很大。基於視頻擴散 Transformer 的 WAM，推理時要逐幀預演未來狀態。NVIDIA 的 DreamZero 訓練一次要 8 張 H100 跑 25 天。而且長程預測的誤差會逐步累積，最終誤導決策。VLA 快，但語言被架空、不做動力學；WAM 補了物理，但代價高、語義弱。兩者都在用“預測”驅動決策——一個預測動作，一個預測世界狀態。而真實世界的變體是無窮的。

光照角度、物體擺放、地面摩擦、人的隨機干預，這些變量的組合空間不可能被窮舉。預測範式的天花板就壓在這裡：分佈外，沒有高概率樣本可取。也就是說，預測範式依賴的是訓練數據裡見過的情形。分佈外沒有數據，模型就沒有可參照的概率分佈，決策也就失去了依據，預測出“下一個對的動作”更是無從談起。那還有別的解法嗎？樂享沒有執著於在“預測”這道題上找最佳答案，而是直接換一個題：不預測“下一個最可能的動作”，求解的是“約束條件下，什麼狀態會更接近目標”。03以太大模型：從“預測”到“求解”作為機器人的大腦，以太大模型的核心機制是 Energy-Driven（能量驅動），底層由神經元分配來支撐。

兩者各回答一個問題：用什麼來判斷一個狀態是不是“對的狀態”，以及這個判斷在哪裡被計算出來。▎能量驅動：用什麼來判斷“對的狀態”“能量”這個詞容易讓人聯想到物理能量，但它在以太大模型裡是一個數學對象：任務完成度、物理約束、記憶狀態和動作可行性，被整合進一個統一的能量函數。每個項都是一個數字，描述當前狀態在某個維度上“有多好”或“有多差”。加起來，得到一個總分。總分越低，狀態越好。機器人的決策過程，就是在這個能量地形上找低點。哪個行動能讓總分降得更多，就執行哪個。對比來看，VLA 和 WAM 的底層都是概率對象，都受同一個數學性質的約束：分佈是歸一化的，所有可能結果的概率加起來必須等於 1。

這就帶來一個限制：兩個分佈無法直接加在一起，得到一個新的合法分佈。“把杯子拿起來”是一個分佈，“不要碰到旁邊的碗”是另一個分佈。把這兩個分佈相加，在數學上無法構成一個新的合法分佈，更不可能自動獲得“拿起杯子同時不碰碗”的語義。從機制上看，這就是 VLA 和 WAM 在“多任務”上吃力的根本原因。每多一個約束，要麼往訓練集里加數據，要麼加一個適配模塊。約束進的是訓練集，不是目標函數。而能量是標量，標量天然支持複合：任務目標是一個能量項，物理約束是另一個能量項。加起來，就得到一個新的目標函數。不需要重新訓練，不需要為每個任務單獨微調。

這是能量驅動和預測範式最根本的分野：預測範式把約束塞進數據，能量範式把約束寫進目標。決策方式也跟著變了。擬合分佈的模型本質上在做條件檢索：給定當前觀測，從訓練分佈裡找出概率最高的動作——這也是它在分佈外會塌掉的原因，分佈外沒有高概率樣本可取。而能量最小化是一個優化過程：它在當下的具體環境裡當場找一個低能量解，而且求解自帶剪枝，能量高的候選會被迅速淘汰，不必把成千上萬條路徑都推演完。回到出租屋裡擦玻璃那個瞬間。VLA 如果沒見過“玻璃外側有汙漬”，不會主動把手伸出窗外，因為“伸出窗外”從未與“擦玻璃”配對過。

但在能量框架下，“擦玻璃”的目標是把玻璃表面的狀態從“髒”推向“乾淨”，物理約束包括“汙漬可能在任一側”，內側達不到目標，系統自然搜索到外側。搬箱子那個瞬間更清楚。機器人要把圍巾放進上方的櫃子，夠不到，它就找到箱子，想搬起來墊腳，但發現自己彎不下腰。試了幾次之後，它一腳把箱子踢到了櫃子邊。這“一腳”不是被檢索出來的。如果訓練數據裡沒有“用腳踢箱子到櫃子邊”這個動作，VLA 和 WAM 都不會主動做這件事。但在能量框架下，“目標物不可達”是一個能量項，“箱子可以承重”是一個物理約束，“彎不下腰”是一個本體約束，“腳可以推動箱子”是另一個物理約束。系統在當下環境裡，用這些約束解出了一條可行路徑。

它判斷下一步行動的方式，不是從記憶裡翻答案，是當場“解題”：在約束不斷變化的當下，重新解出什麼才是對的狀態。▎神經元分配：“對的狀態”在哪裡被算出來能量驅動定義了“用什麼來判斷一個狀態是不是‘對的狀態’”，但還有一個工程問題沒解決：這個判斷需要在每一步決策中實時計算。如果每一次評估都要激活整個 4B 模型，算力根本撐不住實時閉環。以太大模型的解法是神經元分配。它按需調度計算資源，不讓整個模型始終處於活躍狀態。

架構上，它搭了一條仿生神經通路：前額葉皮層負責意圖解析和長時序規劃，角回與內嗅皮層負責流式長時記憶，頂上小葉與上丘負責主動感知，運動皮層與小腦負責運動規劃與動態補償，脊髓層負責力位控制與本能反射。這套架構真正的關鍵，不在分層本身，而在分層之間的運行方式：信息是雙向的。它不是“感知層→理解層→決策層→控制層”的單向管道。思考的結果流向軀體，軀體的傳感器反饋回傳上層認知。腦子在想的時候，身體已經在響應；身體遇到突發擾動的時候，認知也在同步更新。時間尺度被解耦了。高層推理是慢的，它處理的是“擦不乾淨要不要換一面”這類需要認知參與的問題。

而碰到外力、抓取打滑、姿態失衡這類響應，下沉到脊髓層，不走完整的高層推理。主動感知是“能量項”，不是“功能模塊”。傳統機器人是“拿到什麼圖像就處理什麼”。而以太大模型會自己轉視角、移動機身、換觀測姿態去補盲區。這件事在能量框架裡的邏輯很清晰：信息不足意味著不確定性高，而不確定性本身就是一項能量，所以“去看一眼”是降低能量的自然解，不需要額外寫一條“探索策略”。直播裡，機器人面對陌生調料瓶花了幾次嘗試才摸到合適抓法，翻面在失敗一次後重新調整姿勢後成功。這些瞬間背後都是同一個機制：不是每個決策都走完整推理，抓取打滑下沉到脊髓層快速響應，高層認知同時判斷要不要換一種抓法。

而自我思考、自主進化的關鍵，也藏在這個機制裡。機器人嘗試失敗後，通過實時調整策略取得成功，這個過程裡，模型參數沒有變，變的是它在當下重新解出來的動作。它不需要等下一次訓練才能變好，在幹活的過程中就能持續修正自己。這也許才是“自進化”在工程層面的真實含義：不是預先訓練出來的，而是運行中當場“解”出來的。Yann LeCun 近期在 ECCV 2026 主旨演講中說過一句話，恰好點到了同一件事：如果機器人經過預先訓練才完成任務，那只是在套用“配方”。這不是智能，只是陳述性知識和技能的堆積。因此，真正的智能，不是在見過的情形裡做對，而是在沒見過的時候，依然有辦法。

▎監督信號從哪來：物理後果本身就是評分這套機制裡還有一個很少被展開、但很關鍵的差異：監督信號的來源變了。它是理解 200/0/4 這三個數字的鑰匙。VLA 想進化，需要動作標籤。而動作標籤的高質量來源，目前仍然主要依賴真機軌跡——每條軌跡背後都是遙操作、人力、設備成本。這是當前 VLA 訓練鏈條中成本最高、也最難規模化的一環。WAM 想變強，需要未來畫面。人類視頻可以用，但視頻裡沒有動作標籤，所以它只能學“世界怎麼變”，再反推該做什麼。能量驅動的模型不一樣：能量值本身就是評分。執行結果和預期不符、物理約束被違反、任務完成度沒到，這些在能量面上直接體現為“能量沒降下去”。

不需要有人告訴它“這次做錯了”，環境本身給出了反饋。這就是 Evolution Manager 能成立的底層邏輯。這套邏輯，在學術上已有驗證。2023年，Google DeepMind 發表了一項關於能量模型作為機器人策略的論文，證偽了“高維連續空間中的能量模型不可訓練”的長期說法，並給出了可用的訓練目標。EBT-Policy 則進一步驗證：用標量能量做機器人策略，部分任務上兩步推理就收斂，相比擴散策略常見的 100 步減少了 50 倍。並且在沒有任何專門訓練的情況下，能從失敗動作序列中零樣本恢復。回到那三個數字。

200 小時人類視頻，一個人要連續 8 天才能看完；0 小時真機數據，意味著沒有一條遙操作軌跡；4B 參數，是當前通用 VLA 和 WAM 的十分之一到幾十分之一量級。行業對 Scaling 的默認假設是能力來自數據和參數的堆疊，所以這組數字容易被讀成“樂享在挑戰 Scaling Law”。這個說法帶偏了重點。重點是：模型從什麼東西里學。過去，機器人要學會一個動作，需要有人告訴它“看到這個場景，手腳應該怎麼動”。這個“告訴”的過程，就是標註。標註越細，成本越高。Aether 換了一種學法：它不看人怎麼動，看結果對不對。

東西有沒有烤好、盤子有沒有端穩、調料有沒有撒上——這些事情的成敗，結果本身就說明了一切。不需要有人額外標註“這一下對了”或“這一下錯了”。人類視頻裡確實沒有動作標籤，但充滿了結果：重力讓東西下落，接觸讓物體移動，工具被使用後會留下痕跡，汙漬被擦掉後表面會變乾淨。這些都是物理後果。任務有沒有完成、動作有沒有違反物理規律，可以從結果裡反推出來。所以數據需求下降，是換了一種學法之後自然發生的事。▎跨本體成為“水到渠成的結果”VLA 學的是動作空間，而動作空間是本體相關的——雙臂、靈巧手、輪式底盤、人形，關節維度和構型都不一樣，所以跨本體通常需要額外編碼本體信息。

WAM 的視頻預測同樣綁在具體本體的相機視角上。但能量函數定義在任務狀態和物理約束這一層，是本體無關的。換一臺機器人，不變的是目標項和物理項，變的只是“這臺身體的力矩上限、可達空間、重心穩定性”這幾個約束項。這也解釋了以太的 Self Model（自我模型）為什麼要顯式表徵“本體能力邊界”：它不是要表示自己是什麼形狀，而是要表示“哪些動作在我這個身體上不可行”。正是有了這個自我模型，同一個“大腦”進入不同的身體，只需要重新求解一次能量最小化。

戶外燒烤直播裡，烤串和上菜由兩臺不同的機器人完成，烤到什麼程度該出餐、顧客改了口味該怎麼同步，沒有一步是提前設定的，是兩臺機器人在現場根據彼此的任務狀態實時協調出來的。來自兩家互為競品廠商的機器人，身高不同，構型不同，共用一套模型，自主分工。機器人拎拖鞋拎的是掛繩、把毛巾試三次掛上自己肩頭，這些細節反過來也是它“瞭解自己身體”的證據。回過頭來看戶外燒烤直播測試和10分鐘一鏡到底Demo 展示的五項能力，都並非從數據集中訓練而來，是這四個底層機制裡湧現出來的。跨本體不是一個需要額外攻克的工程模塊，它是能量函數定義在本體之上的一個水到渠成的結果。一個燒烤攤，比任何一間實驗室都難。

風一吹，炭火忽大忽小；烤串在爐子不同位置，火力不一樣，得挪來挪去；地面不平，端著盤子走的時候會晃；顧客站在旁邊，隨時改主意。如果這些它都能應付，那“Physical AI 的第三條路”就不再只是一個完美預設的 Demo，而是一臺真真切切在戶外幹起了活的機器人。04重塑具身智能的“解題範式”200 小時人類視頻、0 小時真機數據、4B 參數，在戶外開放環境裡跑通了長時序任務和跨本體協作。以太這個模型的出現，在具身圈是地震式的。它的意義不僅僅是，在 VLA、WAM 之外，開闢了Physical AI的第三條路，更在於它重新定義了具身智能的整套“解題範式”。

具身模型過去的問題是：機器人下一步該做什麼？模型學的是一套從觀測到動作的映射，遇到沒見過的場景，就只能靠檢索、靠猜。以太大模型直接換了一個問題：當前狀態下，機器人做什麼才是對的？問題一換，跨本體、長時序、自進化這些原本各自為戰的能力，就變成了同一個機制在不同約束下的表現。它是一個更強的機器人模型，更是一條截然不同的解題思路。這套“解題範式”對於整個具身行業的意義，具體體現在三個方面。第一，“大腦”和“身體”的關係變了。過去兩年具身智能的默認假設是：先有一個聰明的通用模型，再想辦法適配到機器人上。

這個路徑下，“跨本體”永遠是一個後置的工程問題：不同身體構型不同、動作空間不同，模型要重新適配，成本永遠降不下來。而能量驅動的做法把目標定義在本體之上：同一個“大腦”可以進入不同的身體，跨本體從“要攻克的技術難題”變成了“架構設計下自然發生的事”。這件事如果成立，行業的價值鏈會重新排布：大腦和本體解耦之後，“誰的模型能上更多的身體”，會比“誰的身體更靈巧”更關鍵。第二，機器人能力的評價標準要換。如果核心競爭力是“動作庫有多大”，那比的是數據和算力。誰的數據多、算力大，誰就領先。這是資源競賽，大玩家有天然優勢。如果核心競爭力是“計劃被打亂之後能不能自己找回來”，那比的是架構。

架構對了，小團隊也能做出大玩家做不到的事。這也是樂享一個二十人的團隊，能在現在這個時間點，做出以太大模型這樣硬核的具身大模型的原因。第三，“智能從哪兒來”這個問題從根本上被重構。從 Transformer 到大模型時代，主流敘事一直是從視覺或語言出發。“以太”這個名字本身就是一種表態：樂享認為能量比語言更本質。在單細胞生物階段，沒有視覺、沒有語言，能量就已經在引導動作和交互。雖然這條路線還在早期，但方向已經清晰。能量函數怎麼設計、跨本體約束怎麼協同、自進化怎麼在部署中保持穩定——這些問題的答案，會在更多真實場景的迭代中被解開。

而這場直播已經證明了一件事：當環境不再可控、計劃不斷被打斷，一臺機器人可以不等指令、不靠檢索，靠自己在現場解出“下一步怎麼做才是對的”。(公眾號：)從公開質疑OpenAI“像素級搬運”，到把機器人推到上海閔行燒烤店門口直播，背後是樂享對自身技術路線的篤定，也是中國具身智能從“追隨”走向“定義”的一次突圍。原創文章，未經授權禁止轉載。詳情見轉載須知。0人收藏 分享： 相關文章 樂享科技 人形機器人 openai 獨家丨前華為天才少年李元慶加入樂享科技，負責創新 ...科沃斯機器人南京人工智能研究院正式成立 構建行業精 ...做真正懂你的“家人” 科沃斯機器人完美收官德國IFA ...

德國市佔率第一的科沃斯攜最新掃地機器人亮相IFA展 叢末 編輯 發私信 當月熱門文章 誰在為人形機器人鋪「全開源生態」？李飛飛押注的空間智能：生成的世界，如何「經得起折騰」？IJCAI 2026 覆盤局：中國人投了最多的稿，卻到不了最多的場 通用模型竟然比醫療專用模型更懂醫療？

一篇 ACL 論文的兩個反直覺發現 | GAIR Paper 123 IJCAI 2026 四項論文獎、三項個人成就獎，回答 AI 的「來路」與「去路」 最新文章 ECCV 2026 開幕：李飛飛團隊獲時間檢驗獎，7000人擠爆馬爾默 Yann LeCun 萬字演講：「預測像素」是偽命題，JEPA 也並非憑空而來 | ECCV 2026 AI4S青年志① | 搖瓶子的手與調參數的腦：兩個95後和一場物質科學的化學反應 誰在為人形機器人鋪「全開源生態」？給 AI 一張陶罐碎片圖，它能還原破裂過程嗎？Minimax H3 vs Seedance 2.

0 Fast 實測 李飛飛、吳佳俊再聯手，打破世界模型和機器人動作的「巴別塔」 熱門搜索 美團 FAIR 汽車 吳恩達 遊戲 電池 智能眼鏡 Android遊戲 無線充電 Nest iPhone 5C