智能体机器人综述：光是动作对了，已经不足以让一台机器人真正能用

机器人正越来越擅长拿起物体、在房间里导航、遵循自然语言指令。它们做不到的，是当事情稍微出点岔子时，依然能可靠地完成一项复杂任务。香港中文大学 MMLab 和复旦大学的研究者提交到 arXiv 的一篇新发表的 79 页综述主张，解决这个问题，需要重新思考系统里哪个部分才值得工程上的关注——而答案不是更好的运动预测。

这篇论文于 2026 年 10 月 14 日提交，提出了「智能体机器人」这个概念——一种能够利用环境观察和执行反馈来规划和协调执行的系统。作者特别注意把这个概念与「完全的机器人自主性」区分开来。「智能体性」指的是决策在内部是如何组织的：该调用哪个模型，什么时候调用它，如何检测一个动作没有产生预期的状态变化，以及在下一步之前该如何恢复。

这个框定很重要，因为机器人行业正处在一场前所未有的商业化浪潮之中，而仿真分数与真实部署之间的差距正在拉大。据中国工业和信息化部的数据，2026 年上半年，中国生产了超过 4 万台人形机器人——占全球产量的 97%——而同期这个行业的融资规模达到 935 亿元人民币，大约是去年同期的五倍。在 2026 年世界机器人大会上，有人观察到工作人员在演示之前，现场对模型参数进行校准。基准测试数字与真正能用的产品之间的这道差距，不是纸上谈兵的。

四个演进阶段，界定了基准测试与实际部署之间的差距

这篇综述梳理出了机器人智能的四个演进阶段。任务专用策略，通过在示范数据上做强化学习或行为克隆训练而成，能在受控条件下可靠地执行单一技能。视觉-语言-动作（VLA）模型在此基础上延伸，纳入了预训练好的视觉和语言知识，让模型能更灵活地遵循指令，不需要为每个任务从零开始重新训练。世界模型和世界-动作模型走得更远，能在执行动作之前，预测这些动作对环境造成的后果——这种能力可以通过在内部运行仿真，减少昂贵的真实世界训练数据需求。

第四个阶段——智能体机器人——不替代前三者中的任何一个，而是去组织它们。一台在厨房里导航、同时面对相互矛盾的指令、任务中途被打断、物体位置不断变化的机器人，需要决定哪个模型负责处理哪个子问题，什么时候该把控制权从一个高层规划器交给一个视觉运动策略，以及什么时候执行已经悄悄失败、需要一步恢复操作。前三个阶段里，没有一个包含这种决策逻辑。

这篇论文用一个它称为「Harness（运行时骨架）」的概念，来框定这个协调层：这是一套外部软件结构，规定了模型该如何被调用、各步骤之间要维持什么状态，以及失效该如何被检测和处理。

Harness 这一层：编排到底需要什么

Harness 这个领域，是这篇综述最具特色的贡献。此前关于 VLA、世界模型和机器人学习的工作，都把系统这一层当作一个实现细节，而不是一个研究领域来对待。这篇论文把它划分成六个功能类别：编排、记忆、监控与恢复、技能、基础设施，以及分层系统。

编排负责处理模型组件之间的交接。一个慢速推理的规划器（论文称之为「系统 2」）把任务拆解成子目标；一个视觉运动策略（「系统 1」）用学到的感知-运动映射来执行每一个子目标；一个底层控制器（「系统 0」）把输出转换成关节力矩。每一个边界，都是一个潜在的失效点。记忆负责在各步骤之间存储信息，不需要在任务之间重新训练权重。监控与恢复负责检测「静默失效」——即一项技能报告成功、但底层任务状态其实没有发生变化的情况——并相应地重新规划。

技能是可复用、可调用的程序，可以加入机器人的技能库，不需要端到端的重新训练。基础设施定义了软件如何与硬件通信：消息格式、延迟预算和传感器接口。分层系统描述的是完整的三层架构，以及它如何处理各个抽象层级之间的冲突。

这种结构的实际意义，可以在 RoboClaw 上看到，这是 AgiBot 和上海交通大学在一篇独立预印本里描述的一个智能体框架。按那篇预印本所述，相比非智能体的基线，RoboClaw 在长周期任务上的成功率提升了 25%，人工操作员的介入时间减少了 53.7%。这些提升主要来自失效检测和恢复逻辑，而不是来自底层运动策略本身的改进。

现有的基准测试，衡量的是错误的东西

这篇综述在实践上最重要的论点，关乎评测方法。VLA 模型目前在 LIBERO 仿真基准上报告的成功率超过 90%。这些数字在一个具体的方面具有误导性，正如一篇涵盖 582 篇论文、分析 VLA 评测方法的 2026 年综述所记录的。

LIBERO 衡量的是在固定条件下的表现：相同的物体位置、相同的指令、相同的光照。而在LIBERO-PRO——一个对位置、光照和指令措辞引入扰动的变体——下，按其作者所述，同样这些模型的表现会崩溃到 0.0%。标准基准测试衡量的，是在训练分布内的稳健性，不是对真实部署所涉及的那种变化的稳健性。

这个问题是结构性的：当 Harness 这一层改进了任务成功率时，基准测试分数会随着模型的改进一起上升，而单凭成功率这一个指标，无法把这两种效应区分开来。一个改进了自己恢复逻辑的机器人团队，看起来会像是改进了自己的模型。一个改进了自己模型的团队，看起来会像是改进了自己的恢复逻辑。无论是基准测试还是成功率这个指标，都无法区分这两者。

这篇综述还指出，跨本体泛化是一个结构相似的开放难题。在轮式机器人上学到的技能，不会直接迁移到一个机械臂或一个人形机器人上。一个平台的基准分数，对另一个平台几乎没有参考意义，但投资决策和产品时间表，却经常把某个平台特定的成功率，当作一种通用能力的主张来对待。

这篇综述指出的四个开放性挑战

这篇综述把全部 17 个功能类别，组织进四个领域——模型、数据、环境和 Harness——并指出了四个当前投入与部署瓶颈不匹配的开放性挑战。

数据采集严重依赖人工遥操作示范，这种方式成本高昂，而且产生的失败样本很少。这篇综述指出，失败的轨迹里包含着有用的子轨迹片段——比如一次失败的「抓取并放置」任务里，成功打开抽屉的那一段——而二元的成功/失败筛选方式，会把这些片段丢弃。由智能体引导的标注和精炼，能够把这部分信号找回来。

仿真环境在静态评测上已经相当成熟，但在动态扰动和跨本体迁移上还很薄弱。这篇综述主张，评测需要一种「重建度量」，去评估机器人内部的状态表示，是否与真实世界相符，而不只是看最终是否达到了成功状态。

模型这个领域，需要 VLA 和世界-动作模型之间更紧密的整合。目前的系统把预测和执行当作两个独立的阶段来对待。把动作策略与世界模型的预测耦合起来——并在执行之后更新这个预测——有可能在出现意外状态时减少所需的恢复步骤。

这个领域接下来需要衡量什么

这篇综述发表的时刻，恰逢机器人行业的标准指标正在失去解释力。仿真成功率正在趋于饱和。硬件产量正在扩大规模。而二者之间的差距，并没有单靠更大的模型就被弥合。

中大和复旦的研究者提出的这套 17 类框架，给了这个领域一套词汇，用来拆解这道差距。与其只问「一台机器人是否完成了一项任务」，现在可以去问，是哪个功能类别限制了表现：是规划模块没能把一个目标正确拆解，是监控层没能检测出一次不完整的状态转换，还是技能库没能泛化到一个未曾见过的物体朝向？

这种诊断上的分辨率，正是下一代机器人评测所需要的——而目前那种集中在仿真环境里、仅靠成功率来衡量的基准测试设计，给不出这种分辨率。