科技日报记者 杨雪
一台机器人犯过的错，怎样才能让另一台机器人少走弯路？大晓的双脑协同，正是围绕这一目标展开的探索。其希望将大脑SenseNova的任务理解、推理规划与能力组织，同开悟世界模型的物理状态判断和行动后果预测连接起来，再通过具身Harness组织感知、记忆、技能与控制，让真实反馈进入下一次判断，也进入后续能力的改进。
在大晓的双脑协同设计中，云端大脑SenseNova侧重理解任务、组织能力。它需要判断用户希望完成什么，将目标拆解为可执行的步骤，从已有经验和技能中选择合适的方法，并在情况变化时调整计划。面对一次失败，它还需要结合任务过程进行复盘：原先的目标是否合理，技能选择是否恰当，哪些判断需要重新确认。
端侧开悟世界模型则侧重物理状态的理解、生成与预测。它根据当前观测和交互历史，判断物体的位置、运动和接触状态，在需要时构造候选的演化过程，为不同动作可能带来的后果提供预测依据。这些预测也应当保留不确定性：哪些条件已有充分观测，哪些判断依赖尚未验证的假设，哪些地方需要通过新的交互才能进一步确认。
以取杯任务为例，协同可以这样展开：大脑SenseNova根据目标选择取杯技能，并提出接近方向和抓取方案；开悟结合当前观测，预测这些方案可能带来的状态变化。如果遮挡使接触位置难以判断，或者已有信息不足以估计抓握稳定性，这种不确定性就应当进入任务决策。SenseNova据此选择改变观察角度、安排一次试探，或者调整抓取方式。新的观测再返回物理侧，帮助更新判断，随后决定是否继续执行。
双脑协同的关键，是让任务推理不断接受物理反馈，也让物理预测围绕任务需要展开。候选方案应综合任务逻辑与当前物体、场景和本体条件进行评估；物理预测也应说明结果如何影响下一步选择。二者通过明确的接口交换目标、候选行动、预测结果和不确定性，才能把各自的能力用于同一个决策。
这种协同还应当延续到任务结束之后。执行前的判断、提出的预测、实际采取的动作和最终结果，可以共同构成复盘的依据。预测与现实之间的偏差，帮助系统识别需要进一步调查的问题：是状态理解有误，物理条件发生了变化，技能选择不合适，还是执行没有达到预期？这些线索经过分析与验证，再决定进入经验记忆、技能调整或模型训练，为后续行动提供更可靠的起点。
网友评论
