你是不是也有這樣的疑問：為什麼工業機械臂完成動作又快又準，但攤煎餅、做咖啡的機器人，不僅動作慢，還更容易失誤？號稱具身智能，能夠通過對外在世界的感知做出動態反應的機器人，為什麼看起來“呆呆”的？
機器人動作慢、反應遲鈍的原因，若是從技術層面剖析，可以被簡單歸納為一個詞——時延長。時延越短，具身智慧型手機器人商用化越能多一分勝算。
反應慢，誰在“拖後腿”？
一台合格的具身智慧型手機器人，具備一套包括感知、決策、執行的完整閉環系統。在感知層，機器人需要通過攝影機、雷射雷達等視覺感測器，電子皮膚等觸覺感測器，麥克風等聽覺感測器完成對世界的感知；在決策層，機器人借助端側處理器和預訓練世界模型處理獲取的資訊；在執行層，機器人通過電機、關節、機械臂、靈巧手等作用於現實世界，改變環境狀態。
之所以很多具身智慧型手機器人看起來“呆呆的”，恰恰在於上述環節不同程度地存在處理時延。
在感知前處理階段，涉及多感測器資料的接入與融合，視訊流的時間戳對齊、多源資料同步、壓縮編碼及空間裁剪等預處理操作，該環節會存在基礎性的固定延遲。
在認知決策階段，機器人基於視覺-語言-動作（VLA）大模型進行場景理解、任務推理與行為規劃。該環節的延遲主要來自端側推理硬體的算力峰值與模型結構的計算複雜度，通常在數百毫秒量級，成為系統延遲的主要構成部分。
機器人對世界的理解有賴於計算模型的完善。現階段，世界模型（VAM）的能力與人類認知水平仍存在不小差距。中興通訊副總裁、人形機器人產品總經理崔卓告訴《中國電子報》記者，開源世界模型精準率只有60%~70%，在機器人對世界的理解力不足的情況下，要保證單次任務的成功便需要呼叫更多的本地算力，進而耗費更多運算時間。此外，一些特定任務，如透明包裝袋、異型工件的識別，演算法計算量更大，機器人更易出現漏抓、錯抓，甚至產生大批次殘次品的情況。
在執行控制階段，機器人將VLA輸出的高層動作指令下發至下層運動控制系統（如小腦控製器），後者完成逆運動學求解與動力學約束解算，進而生成關節及靈巧手的驅控訊號。該階段延遲取決於伺服執行機構的頻寬、機械傳動特性及即時控制周期。
機器人的資料傳輸架構也不夠精簡。
現階段，上面提到的機器人三大技術環節分別由機器人上搭載的不同處理器控制——感知採集模組、全域決策大腦、運動控制模組在硬體上相互獨立，就像三個人分處不同房間，需要反覆傳紙條溝通。單感測器資料預處理耗時就動輒幾十毫秒到上百毫秒，交由VLA大模型完成任務識別、決策、規劃，又會消耗數百毫秒。多模態資料在不同晶片間來回搬運，不僅疊加時延，還拉高整機功耗，縮短伺服、靈巧手使用壽命。
靈境智源聯合創始人、高級副總裁須海江表示：“當前行業方案中，從感知到決策的路徑割裂，且資料都依賴搭載本地的處理器進行推理計算，任務的完成需要從記憶體中反覆搬運資料，便會造成時延和功耗的增加。”
機器人處理時間長，另一重要原因是不同元件之間時延測試基準不統一。感測器、伺服電機、計算晶片、整機通常分屬不同企業獨立開發，各段軟硬體都會產生數毫秒微小延遲，行業此前又長期缺少統一時延測試基準，上下游零部件時序參數互不相容，也可能大幅增加整機企業聯調最佳化成本。
控時延，按什麼標準？
如果不能縮短時延，就會被市場淘汰。記者通過採訪發現，時延已成為人形機器人是否會被市場淘汰的硬性標尺。那些僅能在固定靜態環境完成演示、無法適配動態實景的“演示樣機”正在加速被市場淘汰。在接受《中國電子報》記者採訪時，須海江表示，即時響應速度、複雜動態場景任務完成率這兩個指標正在從機器人開發的“加分項”變成“及格線”。
今年2月，由工業和資訊化部人形機器人與具身智能標準化技術委員會組織領域內120余家科研院所、企業和行業使用者單位共同編制的《人形機器人與具身智能標準體系（2026版）》（以下簡稱《標準》）正式發佈。《標準》明確將動態任務完成率、端到端閉環響應時間列為裝置驗收核心指標，明確大腦、小腦雙協同架構整機端到端響應時間≤200ms。《標準》是中國首個覆蓋人形機器人與具身智能全產業鏈、全生命周期的標準頂層設計，也給具身智慧型手機器人的時延控制提供了明確的硬指標。
除了端到端響應時間，崔卓還提出了新的觀察視角——動作規劃頻率與時延存在反比關係：規劃頻率越高，單個規劃周期的可用時間越短，時延越低。動作規劃頻率數值越高，代表機器人響應速度越快，也就越能適配時延要求更嚴苛的場景。
崔卓表示，具身智慧型手機器人適用的主流場景可以大致分為三類：商業服務類機器人動作規劃頻率普遍在10~20Hz；3C電子、汽車總裝等精密工業場景的動作規劃頻率需達到50Hz，感知、運算、傳輸、執行每層軟硬體僅預留數毫秒處理窗口；家政機器人雖然整體時延門檻相對更低，但操作衣物、雞蛋、瓷碗這類柔性、易碎物品時，依舊需要毫秒級力度即時調節。崔卓補充道，若採用無線通訊，上行傳輸時限約4毫秒、下行傳輸時限為1毫秒，容錯空間極小。
時延長，怎麼降？
記者在採訪中瞭解到，各企業正在採用不同的方式解決具身智慧型手機器人處理任務過程中的時延難題。
崔卓強調了演算法最佳化的路徑：機器人通過世界模型提前預判遮擋、物體位移場景，再通過注意力模型自動過濾路過行人、閒置雜物等無關目標，只對風險物體啟用高精度算力，便可以大幅減少重複推理耗時。
靈境智源瞄準的是機器人架構層。靈境智源研發的德沃夏克超異構計算架構，採用了“物理合一、邏輯分離”設計思路。“通俗來講，就是把感知皮層、決策大腦、運動小腦三大模組整合在同一塊晶片硬體平台，不用跨裝置傳輸大量資料，從根源上削減傳輸延遲。”須海江向記者介紹道。
如果把中央主腦類比為人類負責長遠思考、邏輯規劃的前額葉，那靈巧手、關節內建的末端協腦則對應與人體本能密切相關的小腦。通過搭載輕量化端側VLA模型、世界模型和小型類腦應急演算法，人形機器人可以在遇到抓握打滑、物品墜落等突發情況時，在本地即時調整動作，不用等待中央大模型下發指令。
這一架構在功能分層上展現出與生物腦結構的相似性。這套系統內嵌了高階的感知、認知與推理通路，能夠處理複雜的語義和規劃任務，也保留了低層級的快速反射通路，能夠對突發刺激做出即時響應。這一機制類似於人類的軀體反射：當手被菸頭燙到時，我們會本能地躲開，而無須等待大腦進行意識層面的認知處理。這樣的架構可以有效提升系統在動態或突發場景下的即時性與魯棒性。
千覺機器人創始人、首席科學家馬道林同樣肯定了機器人局部反饋閉環的重要性。“機器人的底層控制可以接收上千赫茲的控制指令，但控制模型側的推理頻率相對較低，兩者之間仍存在較大的頻率差，如此便容易造成決策層的時延，進而導致任務的失敗。”馬道林說，“通過在靈巧手末端建立基於觸覺的局部反饋閉環，可以更快地糾正抓取動作，而不必完全等待機器人大腦完成一輪全域反饋。”
馬道林還提出了以觸覺補足視覺侷限的技術方案。“當靈巧手與目標物體的距離被拉近到1釐米以內，僅靠視覺判斷靈巧手與物體之間的距離已經不夠準確了。”馬道林表示，“高採樣頻率的指尖觸覺感測器能夠補全最後1釐米或數毫米區間的精細檢測，識別握力大小、物體形變、表面滑動趨勢；遇到光線遮擋、物料變形時，觸覺可獨立完成局部識別，省去視覺反覆掃描識別的耗時。” (中國電子報)