刚刚，逐际动力放出一段Demo，Figure：睡不着啊

昨天刚完成2亿美元Pre-IPO轮融资，逐际动力没有急着讲资本故事，而是立马甩出一段全尺寸人形机器人Oli全自主做家务的视频：

画面里，Oli连续不间断地干完一屋子家务：

将衣架高处的衣服提起并放置在手臂上、将手上的多件衣物精准扔进脏衣篓里、将随意乱放的玩偶归纳整理、搬箱摞箱、深弯腰拾取地面杂物。

整条视频3分钟，全程一镜到底，无后台人工远程介入，也无分段剪辑。

这也让Oli成为中国首个全自主完成长程移动操作家庭任务的全尺寸人形机器人。

它通过视觉和环境感知，全程站立、时不时蹲下、弯腰，在家庭非结构化场景下完成不同任务。

这是全尺寸人形机器人长程移动操作能力的一次重大突破，也是全球屈指可数的完整实录。

而在背后支撑Oli行动的，是逐际动力刚刚更新的人形大脑系统LimX COSA 0.5。

同样是进行复杂连续的家务实操，硅谷最高估值人形机器人独角兽Figure，此前也多次对外放出类似的视频。

他们先后发布了厨房整理、房间整理、客厅整理三段长程任务，都成了公司招牌，也被行业公认为性能参考标杆。

逐际动力这段实操Demo，在任务连续性、自主决策深度、技能调用以及全身运控上，已经和Figure站到同一水准线。

而且这两家公司的硬件水平也接近。可以说代表了中西方人形机器人的最高水平。

究竟谁更厉害？

真正的分野，不在Demo本身，而在支撑机器人运行的底层「大脑」路线。

过去几年，整个具身智能行业普遍追求模型参数、评测榜单，似乎拥有更好的模型，就等于拥有最强的机器人大脑。

Figure的双系统框架、不少海外和国内厂商主打的全能视觉动作基础模型，底层逻辑都是靠更强的单一大模型。

行业几乎全员陷入“唯模型规模论”的内卷。

可一旦落地真实场景，这些机器人经常行动卡顿、适配性差。

逐际动力很早发现了这个问题，并且抛出了一个行业非共识的观点：

模型不是大脑，系统才是。

在逐际动力的技术框架中，真正的机器人大脑应当复刻人类神经系统，由认知、技能、运控多模块协同配合，而非仅靠单一基础模型。

围绕这一判断，今年1月，LimX COSA的概念首次被提出，并展示了高阶认知与全身运控进行深度融合，使机器人“能想、能动、边思考边干活”。

而这一次0.5版本的更新，逐际动力首次完整展示了COSA三层技术架构。

但这也仅仅是0.5版本。

作为当前可与Figure掰手腕的中国玩家，逐际动力的底牌，还没亮完。

大脑不是模型，而是操作系统

要把机器人真正送进千家万户的复杂场景中，究竟需要一个什么样的「大脑」？

行业的普遍做法是，哪里不会点哪里。

他们拼命把各种VLM或VLA端到端模型做大，试图用更庞大的参数量来暴力破解物理世界的复杂性。

但这种唯模型论的暴力美学，可能有点走偏了。

在逐际动力创始人张巍看来，大部分人说要做一个模型，模型大了以后就是在做大脑，把大脑等同于模型，这件事情本身就是一个误导。

模型只是一个一个的技能，系统才是大脑。

逐际动力的大脑不是单一模型，而是具身智能体系统：管理记忆、调度、决策，调用VLM/VLA等技能及全身运控。

在这个框架里，一个单一技能（哪怕是最先进的VLA）都只是「技能」，不是「大脑」。

只有将认知、技能、运控，连同记忆与调度，真正协同，并与硬件联合优化，才是「大脑系统」。

逐际动力把这定义为Embodied Agentic OS，它要调用各种模型，包括VLM、LLM、VLA，才能完成一个任务。

这也是LimX COSA与「做模型」路线的根本区别。

为了验证这一逻辑，本次更新的COSA 0.5版本，直接用一段没有任何剪辑水分、没有摆拍成分的硬核真机视频说话。

逐际动力在一台拥有31个本体自由度的（不含末端灵巧手）全尺寸人形机器人Oli上，完成了包括收纳整理、搬箱、深弯腰拾物等在内的全套长程多任务演示。

它必须在未知的环境中，自发地去读取视觉信息、理解当前的杂乱状态、自主规划长程的任务步骤，然后调用技能和身体运控能力去完成连续操作。

能干活，且干得像人一样，这是通用人形必备的能力，它是机器人，不是机器。

这种在真实长程家庭场景下的高鲁棒性表现，其任务复杂度堪比Figure此前广受关注的厨房/房间/客厅整理场景。

只不过，Figure底层的技术逻辑仍在端到端模型内部做切分，本质上依然没有跳出模型的范畴。

纵观全球具身公司，在长程、不间断、不遥操作的真实家庭任务上，目前只有逐际动力与Figure做出了可信度高的完整演示。

欧洲领先的具身模型公司Flexion，其公开的Demo里，让Unitree G1取快递、搬运包裹，任务复杂度相对较低，全身运控的稳定性、准确性略显不足。

另一家风头正劲的高估值独角兽Skild AI，展示了跨形态、跨任务的能力片段，广度上取胜，但并未展示长程全身移动操作演示能力。

看来，「谁的模型更强」是一个层面。

论「谁真正做出了大脑系统」，又是另一个维度的PK了。

三层架构，怎么构建最强大脑系统？

COSA的骨架由S2-S1-S0三层架构组成。

这套系统按照人类神经系统的生物学逻辑，进行了彻底的分层解耦。

三层各自运行在完全不同的时间尺度上，通过刻意收窄的接口协同工作。

执行时，意图自上而下流动，机器人的姿态与环境状态则自下而上实时反馈，异步运行且互不阻塞。

先看S2认知层，负责理解、记忆和决策、人机交互。

它慢而审慎，运行在低频的1Hz尺度上，意味着每秒只做一次全局决策。

这不是偷懒，而是因为认知层的任务天然不需要高频。

你见过哪个运筹帷幄的将军，是听到风声就下令全军出击的？

不得先把敌我态势在脑子里过够几遍，再决定这仗怎么打么。

S2这层就是负责慢慢想。

它读取头部与手腕相机的实时视觉输入，以及人类的语言指令，负责长程场景的宏观理解、构建世界模型、处理人机交互与逻辑推理，并决定机器人这一步「要想做什么」。

随后，再把分解好的任务精准调度给下层。

单独把S2拎出来，其实就是那个“坐在轮椅上的霍金”。极其聪明，却一动不能动。

支持这一层的，不是某一个孤立的大模型。

视觉语言模型、世界模型都在这里，形成一个带记忆与调度的操作系统。

接下来，是S1技能层（Skills）。

它运行在50Hz的中频尺度上，负责把能力沉淀成一个个可复用的技能。

注意是「可复用」，而不是盲目堆砌的大杂烩。

S2决定「要做什么」，S1回答的是「用什么技能做」。

这一层不是单一模型，而是一组技能的集合。

一个VLA（哪怕是最先进的）也只是其中一个技能，剥鸡蛋、开瓶盖、搬箱子，各自独立存在，按需调用。

逐际动力的判断是：不同技能需要的数据不一样，训练方式也不一样。

剥鸡蛋和开赛车的数据混在一起，反而会导致严重的参数干扰，最后什么都做不好。

这和语言模型「大力出奇迹」的堆数据逻辑完全不同。

具身技能走的是多元数据路线，每个技能有自己的data recipe，单独训练、单独优化。

这种设计的另一个好处是渐进叠加。技能可以像搭积木一样，一个一个往上加。

今天学会搬箱子，明天学会叠衣服，后天学会开抽屉，不需要推翻重来。

S1层的技能库越丰富，机器人能做的事就越多，但大脑的架构本身不需要变。

之后，进入S0运控层。

它负责让整个身体始终保持平衡，且精准地执行动作实际动起来。

这也是Demo里，Oli能够做到毫无迟滞、边走边弯腰边伸手这一极具人类感姿态的直接来源。

S0的底层是逐际动力自研的LimX WBT全身运动基础模型。

约千万参数的Transformer策略，完全跑在机上、控制频率1000Hz。

它只暴露一个统一接口，把任意上游全身运动目标转化为平衡协调的关节指令，训练一次、与任何具体任务无关，可复用于VLA执行、遥操作采集、零样本回放三类任务。

S0的职责非常纯粹：

无论上层的S1、S2下达多么复杂的全身运动目标，它都能在1毫秒内将其转化为保证绝对平衡的协调关节指令。

在衡量底层运控实力的核心指标中，LimX WBT直接与行业公开最先进的全身跟踪模型SONIC较量了一番。

• 全身位置误差MPJPE：SONIC是13.75mm，LimX WBT做到12.85mm。
• 平均关节角误差：SONIC是3.3°，LimX WBT做到1.5°，降幅过半。

并且，在精度与平滑度，这两个通常需要取舍的维度上，LimX WBT也保持领先：

• 关节空间jerk（平滑度）：SONIC是129.2，LimX WBT是115.2，低约11%。
• 基座朝向jerk（平滑度）：SONIC是113.0，LimX WBT是90.3，低约20%。

请注意，这里的测评指标，数值越低越好。

• 关节点位的偏移误差更小：机器人动作不会出现跑偏、错位；
• 四肢、躯干转动角度偏差减半：抬手、转身、迈步动作更贴合预期动作，不会出现动作走形；
• 代表抖动、顿挫程度的jerk数值全面更低：身体晃动更少，不会像初学滑冰的人那样一顿一顿。

换句话说，SONIC已经能让机器人「完成任务」了，但LimX WBT能让机器人完成得更稳定、更优雅、更像人。

在训练过程中，为了提高任务成功率，团队还引入真机RL（强化学习）迭代机制，当任务失败时引入专家遥操接管，对复杂动作进行微调纠正，让VLA策略持续变强。

这些纠正数据会被迅速喂给专门的奖励模型，从而在真机上进行高效训练。

让这套大脑系统在现实演练中「越用越聪明」。

S0在底层全程独立维持机器人不摔倒的平衡状态，精准执行动作指令。（我们用脚踹过逐际动力的几款机器人，确实没倒。）

按张巍的话说：

没有小脑，是长不出大脑的。

值得一提的是，这套三层技术架构，任一层都可以独立迭代、替换或后训练，而不牵动其余两层。

这种设计思路，也引起海外玩家的注意。

Flexion后来提出的Command/Motion/Control三层自主栈，架构范式与COSA趋同。

不同点是，逐际动力同时掌握身体与大脑系统，不用借别人的身体练功夫。

这种软硬件联合优化，纯软件公司可做不到。

Figure最强对手，不在硅谷

人形机器人的全球竞争风向变了。

全行业正在从唯参数论的「谁的模型规模更强、谁的榜单刷得更高」，极其务实地转向了「谁能率先做出高成熟度、软硬一体的完整大脑系统」。

这不仅是一场技术路线的选择，更是开启可持续平台化演进路线的商业分水岭。

放眼全球具身智能版图，真正有资格在这场终局之战中坐上头等舱牌桌的玩家，寥寥无几。

Skild走的是最纯粹的「模型即大脑」路线，用一个「全能体」基础模型控制所有机器人。

Flexion的架构范式又跟随COSA。

Figure能算一个，它更早提出System 1/System 2，在长程真实任务上与逐际动力形成代际领先优势。

但Figure核心落脚点仍是「模型」，不是大脑「系统」。

而且，Figure全栈闭源。

逐际动力非常聪明地将技术资产进行了战略划分：

开源了Humanoid FluxVLA Engine的训练与推理代码，让”大脑”可被开发者复用，以此换生态与开发者反哺。

Figure和逐际动力，一个在美国西海岸，一个在中国深圳，各自定义着「人形机器人大脑」。

但很明显，逐际动力想把路走得更宽。

因为当人形机器人进入「双雄时代」，堆砌模型参数的意义正在衰减，唯有构建更完整的大脑系统，才能真正跑通快速迭代的闭环。

One more thing

「三层大脑系统+软硬件联合优化+开放生态」，一套组合拳下来，别人可以学架构，但抄不了自家硬件上长出来的运控策略，以及大脑与身体的协同。

别人可以堆参数，但堆不出真机上持续迭代的RL闭环。

告别唯模型论，软硬一体、分层协同的系统化路线，似乎成了当下一种更务实的选择：

不赌某个模型能通吃一切，而是让认知、技能、运控在真实身体里各就各位、协同运转。

只是系统化路线从落地那一刻起，就注定要和物理世界不断对话、反复校准。

也是，谁家做操作系统的，会停在0.5就满足呢？

文章来自于"量子位"，作者 "田晏林"。