从动作智能到任务智能，贝塔无限找到了机器人进家庭的关键一环

作者｜李沐蓉

机器人整理客厅整理到一半，把杯子放进了柜子，转身回到桌前，又开始找那个杯子。

这几乎是当下所有家庭机器人的缩影，当下能叠衣服、会冲咖啡、能炒一盘番茄炒蛋的机器人已经不算稀奇。

但如果把任务从一个演示动作拉长到真实家庭场景中，问题就会暴露出来，机器人能够完成一个动作，却很难持续完成一系列事情。

问题在于，目前行业主流使用的VLA模型，大多还停留在「看到目标、执行动作、结束任务」的单点闭环里。

而家庭环境复杂、任务交织、状态多变，机器人真正面对的，不是一个个被切开的任务，而是一段连续、充满变量的日常。

所以，当机器人开始进入真实家庭，最大的挑战是如何在一个动态环境里持续、稳定地干活。

家庭不是工厂，

机器人面对的是更复杂的场景

聊起具身智能为什么迟迟进不了家庭，大家习惯归因于硬件可靠性不足、训练数据稀缺、模型架构有短板。

这些都是真实存在的障碍，但如果把「整理客厅」这样的家庭任务拆开来看，会发现一个更深层的瓶颈：无论是单纯依靠世界模型，还是依靠 VLA 模型，绝大多数机器人仍停留在「动作智能」阶段。

它们能根据当前感知执行指令，却缺乏对任务进程、环境变化以及整体目标的持续理解，因而在长程、多变的家庭场景中频频失效。

VLA 模型，把视觉、语言与动作连接起来，让机器人知道「现在应该做什么」。

而长程任务进一步要求机器人知道「我已经做了什么、为什么这么做、接下来应该做什么」。

就像机器人能拿起一个杯子，却做不到自主理解把杯子洗干净，再放回该放的柜子里。

前者解决的是单个动作问题，后者考验的则是跨越时间、跨越多个子任务的连续判断能力，二者之间存在明显的能力断层。

因此机器人进入工厂，会比进入家庭更容易，很大程度上是因为，工业环境相对稳定，工厂里的任务往往可以被拆解成明确、固定、重复的流程，机器人只需要在相对稳定的环境中不断执行。

而家庭却恰恰相反，它不是一条固定生产线，是一个不断变化的开放环境：物品会移动，空间会变化，人的需求也会随时调整。

所以，家庭机器人需要解决的难点主要集中在三个地方：

一是家庭任务天然是长程任务，而且随时可能被打断。

很多家庭任务，本质上都不是一个动作能够完成的，比如，整理客厅动辄十几分钟起步，涉及几十个物品、多个交叉的子任务，过程中还经常可能被用户的临时需求、宠物闯入或突发状况打断。

这就需要机器人必须在移动和操作过程中，保持对任务进度和环境状态的判断，必须知道，刚才完成了什么，现在处于哪个阶段，接下来应该如何继续。

否则每一次中断就意味着重新开始，完成长程任务遥遥无期。

第二，家庭环境天然是非结构化的。

在家庭中，机器人每天面对的都是，桌面上随意摆放的物品、被压皱的衣服、不同材质、形状的玩具书本、还有随时出现的遮挡、新增杂物、位置偏移等变量。

这些变化对于人来说很常见，但对传统依赖固定流程和标准化场景的机器人而言，却很难稳定应对。

面对不规则玩具、易变形的柔性物品、轻薄光滑的塑料包装，甚至一个被碰歪了角度的水杯，抓取与操作成功率都会急剧下滑，更谈不上自主调整策略。

第三，用户指令天然是不完整的。

没有人会像编程一样对家庭机器人说，「移动到茶几左侧，拿起那本蓝色封面的绘本，竖直插入第二层书架从左数第三个空位。」

现实中的指令大概率只有一句：「帮我把客厅收拾一下」。

至于哪些物品该放进哪个收纳盒、哪些是临时出现的垃圾需要丢弃。这些没说出口的信息，用户对家庭机器人的预期是默认知道的。

这就需要机器人需要具备类似人的任务理解能力，结合对空间、物体和任务目标的理解自主补全，从服务指令走向服务人。

归根结底，真正决定机器人能否走进家庭的，从来不是某一个动作完成得多么精准漂亮，而是它能否在一个持续变化、充满不确定性的环境里，持续、稳定、有逻辑地干完一整件「家务活」。

这也是为什么行业里越来越多的共识正在从「练好单点技能」转向「补齐长程能力」，毕竟，家庭不是流水线，日子也不会按剧本演。

但值得追问的是，当下主流的 VLA 和世界模型这两条路线，为什么都还没能把这三个难点解决掉？

BetaWAM 0.1 ，让机器人操作从「动作智能」走向「任务智能」

传统的 VLA 模型，本质上是一套「看图说话再行动」的系统，视觉模块负责看，语言模块负责理解指令，动作模块负责执行。

在工厂这类高度结构化场景中，VLA 有着强大的执行能力，比如「打包汉堡、薯条、可乐」这样的标准化指令，能按既定流程完成。

但它只能完成动作，却不能理解物理世界， 不知道「这个动作会带来什么后果」，更无法预判物体运动、环境变化。

这就带来两个致命问题，一是泛化性弱，环境稍有变动，光线、物体位置偏移，任务成功率就会断崖式下跌；

二是长时任务容易失效，模型难以规划多步骤动作。

即使是以精细操作见长的 π0.5 这类多任务 VLA 模型，也依然面临类似挑战，在熟悉场景中能够完成任务，面对新环境就卡住。

也正因为如此，越来越多企业将目光转向世界模型。

英伟达推出了世界基础模型 Cosmos，Google DeepMind 发布了 Genie-3，特斯拉也在其仿真系统里深度集成了世界模型技术；国内的它石智航、大晓机器人、千诀科技等，也是这一阵营的代表玩家。

世界模型，能弥补 VLA 缺乏因果推理的短板，进而让机器人理解物理世界如何演变、预测未来状态。

可是当前主流的视频生成式世界模型，底层架构大多仍受制于「离散的下一步预测」上，把连续的物理世界切分成一帧帧静态画面。

这种方式在短时间视觉生成上表现出色，但一进入长视距的物理任务，误差就会逐帧累积，时间一长，模型就容易偏离物理规律、产生不合逻辑的「幻觉」。

一旦预测不准，后续的强化学习也会被错误信息带偏，长程推演里误差越滚越大，无法在真实世界里完成复杂任务。

更关键的是，世界模型单独来看解决的是「理解与预测」问题，而不是「执行」问题。

两条路线各有优点，却都无法根本性解决家庭任务所需要的长程规划、非结构化应对和指令补全能力。

而贝塔无限成了业界率先在非标真实场景完成长程复杂任务的玩家，其最新发布的世界动作模型 BetaWAM 0.1，并不是单纯强化某一个动作能力，而是突破性地让机器人在真实家庭的非结构化环境中，不靠预设、不靠遥控，自主完成一整套客厅整理收纳任务。

观察这两年人形机器人的演示，不难发现，多半机器人要么站着不动，只用手臂干活，要么单纯行走、走到目标点再停下来操作。

比如 Figure Helix 01 采用先定位再操作的串行逻辑，但整体响应延迟高、场景适应性有限；特斯拉Optimus 的公开演示也大多停留在单一任务或预设场景下。

很少有人形机器人能像人类一样，一边走路、一边端着东西、一边干活。

但在真实家庭里，绝大多数活需要全身协同完成，比如拖地，手臂用力推拖把的同时，腿部要保持平衡持续前进；

还有把衣服放入洗衣机，需要移动、弯腰、抓取、放置多个动作连续完成。

这些对人类而言近乎本能的无缝切换，对机器人却是移动与操作两套控制系统间的耦合难题，也是行业长期存在的「卡脖子」环节。

很多机器人系统会把不同能力分开处理。移动模块负责走，操作模块负责抓，两个部分独立决策。

这就导致机器人一旦切换状态，可能造成动作停顿、接触中断或姿态不稳定，把一个连贯的动作硬生生切分开。

而贝塔无限的 BetaWAM 0.1 的突破之处在于，利用世界动作模型，将移动和操作放在同一个任务决策框架中，机器人不需要先问「我该往哪走」，再问「我该怎么抓」，而是始终在回答「我现在做什么能让任务整体向前推进」。

由此机器人可以一边走，一边干活，动作连贯自然，不再卡顿。

但真正决定机器人能不能应付家庭日常的，从来不是理想环境下的流畅演示，是它面对意外时的反应方式。

与其他世界动作模型不同的是，BetaWAM 0.1 在统一框架之上，进一步赋予机器人空间物理理解和记忆能力，使其能对自身位置与目标物体进行精细的空间调整。

例如，当乐高被书本临时盖住，机器人没有因为「看不见」就判定任务失败，而是结合先前的观察和记忆，推演出书本下方大概率还是那块积木，随后规划路径、移开书本、完成抓取。

即便抓取中途失手掉落，它也能重新夹取，不会中断主任务；若收纳筐或自身站位不理想，它还会自主微调，而不是报错卡死。

这种「容错能力」，恰恰是当前主流模型最稀缺的。

VLA 模型在面对目标遮挡、物体掉落等场景配置变化时，鲁棒性和泛化性明显不足；世界模型则受制于长时程预测的误差累积，在真实场景下的抗干扰能力缺乏保障。

而 BetaWAM 0.1 让机器人即便遇到干扰和突发情况，也能根据任务目标、空间关系和历史记忆，实时生成新的解决策略，实现了行业领先的泛化能力。

此外，要让长程任务不「断片」，离不开一套可靠的记忆机制。贝塔无限构建了一套三维记忆体系：

• Token 记忆负责表达明确状态，比如任务进展、物体位置等。

• Latent 记忆则保留视觉、空间、触觉等难以语言描述的信息。

• 参数化记忆则把反复验证过的稳定经验，沉淀进策略或模型。

机器人不再需要每一次任务都从零开始，能把记忆和当下的空间关系判断进行结合，面对环境变化和突发干扰，也能用极短的时间完成推理响应，恢复任务状态。

而在执行层面，双臂协作和底盘升降则把操作能力落到了实处。

家庭收纳、整理任务天然需要双手配合，一手固定、一手抓取，或一手移动、一手调整。双臂协作可以让机器人多步骤连贯完成任务，更接近人类真实的做事方式。

同时，家庭空间是立体的，从地面到高柜、从桌面到底层抽屉，任务目标高度各异；底盘升降则赋予了机器人全空间可达性，操作不再受限于固定高度，任务规划因此有了更大的自由度。

简而言之，家庭机器人真正要跨越的门槛，从来不是某一项单点技能的突进，而是能否把感知、决策、记忆和执行拧成一股绳，完成长流程复杂任务，这是家庭这种非结构化环境，对机器人提出的最基础的要求。

BetaWAM 0.1 ，以单一模型驱动长程复杂的移动操作任务，重新定义了「大小脑协同」与「操作能力」的边界，它让机器人不仅完成任务，更能接住意外、看懂变化，从动作智能迈向真正的任务智能。

贝塔无限以「长程任务操作+记忆」，

补齐机器人进家庭的缺口

简而言之，当行业还在讨论 VLA 还是世界模型更接近具身智能未来时，贝塔无限选择用自研的世界动作模型率先回答了一个更具体的问题，机器人能自主地在真实的、非结构化的家庭环境中，持续完成长程复杂任务。

这两年，VLA 和世界模型都在时序建模上有明显进展，但如何跨越十几分钟的时间尺度，完成长程任务和实现零样本泛化性，仍是一个尚未被充分解决的问题。

VLA 缺少持续的状态追踪，只能基于几帧的视野做动作决策，任务一拉长就容易丢失进度。

而世界模型虽然擅长推理预测，但本质上是在凭当前一帧去推测下一帧，同样撑不住十几分钟量级的任务。它更像一个优秀的环境预言家，却不是一个合格的执行者。

换句话说，两条路线都缺少一个关键能力，对任务本身的持续追踪和理解。而家庭这个场景，恰恰最需要这个能力。

这正是贝塔无限选择从「长程任务+记忆」切入的底层逻辑，目标不是替代 VLA 或世界模型，而是补上机器人从「动作智能」走向「任务智能」过程中缺失的一环。

但也意味着，这是一条对数据、模型和系统工程协同要求都更高的路线。

基于这个判断，从成立之初，贝塔无限就确立了一条相对笃定的技术路线，坚持打造以人为中心的全栈技术体系，瞄准更复杂消费级具身智能终端，建设具备长期记忆和能完成长程复杂的智能体。

它的壁垒并不在单个模块，而在几件需要时间积累的事：真机长程交互数据、记忆的更新与纠错机制、模型、Agent 和控制系统的协调能力，以及跨时间沉淀的家庭用户数据。

这套路线的底色，也与团队背景形成了一种呼应。贝塔无限联合创始人兼 CEO 刘武龙毕业于清华大学电子系，曾负责华为大模型工程团队和强化学习方向，参与智能驾驶系统和大规模 AI 基础设施建设，有复杂动态环境中的决策与大模型工程量产的丰富经验。

联合创始人兼 CTO 陶帅同样出自清华电子系，曾任字节跳动商业化 AI 算法与工程负责人，主导过千人千面推荐系统，拥有个性化建模经验。

这两条经验线，恰好对应了家庭机器人最需要解决的两个核心问题：如何在动态环境中完成长程复杂的移动操作任务，以及如何让机器人越用越懂这个家。

世界动作模型模型决定了机器人的操作基础，而记忆系统又增强了决定机器人对家庭和用户的了解程度。

搭载 BetaWAM 0.1 的机器人既让记忆参与每一次操作决策，又拥有对现实世界持续更新的认知。

它经历过的干扰、失败、交互经验，都会沉淀为能力，从而完成更多的长程复杂任务，在操作能力和泛化能力的都实现了突破性的效果。

可以看到，贝塔无限第一次让家庭机器人成了一个「做得好、记得住、扛得住干扰」的智能体。

它知道这个家的空间布局，理解用户的使用习惯，还记得哪些事情已经完成，也能在出现意外时自主调整。

未来，当机器人面对一堆散落的玩具、凌乱的客厅或者临时变化的需求时，用户不需要重新告诉它每一步应该怎么做，它就能持续地把这些活干完，不中断、不让人操心。