上海的一處戶外燒烤現場，顧客們正在等燒烤上桌。現場負責服務的是兩台機器人，一位守在爐前烤串，另一位穿梭在烤爐和餐桌之間，點單、傳遞資訊、上菜。一位顧客招呼了一聲：“幫我拿瓶水！”服務員就先放下手頭的工作，把水遞過去。遞完水後，“他”便繼續被打斷的點單工作。
這是 9 月 16 日樂享科技在上海舉行的一場戶外燒烤直播裡的片段。承擔工作的“燒烤師傅”和“服務員”，是搭載了以太大模型（Aether）的機器人。
沒有預設指令碼，沒有遙操作兜底，也沒有剪輯掉“失誤”的機會，機器人要在真實的街頭環境裡，自主連續完成近一小時的燒烤服務。據樂享科技介紹，這場全球首次戶外機器人全自主直播，線上觀看人次超過 550 萬。這場近 1 小時的直播，為觀察具身大模型在開放環境中的表現提供了一個窗口。在開放環境裡，意外是一定會來的。這場直播真正的看點，恰恰是那些“出問題”的時刻。
01. 機器人可以自己拿主意了？
直播中，負責點單、傳菜的機器人被觀眾稱為“二爺”，另一位負責燒烤的機器人，則被叫作“五弟”。當“二爺”接到顧客“少放辣”的要求後，隨即用手勢把這條資訊傳遞給“五弟”。
兩台機器人相互傳遞資訊這件事，並不新奇。但是，它們怎麼知道什麼時候與對方互動、哪些資訊需要同步？按照直播中的介紹，這場雙機協作並未提前預設互動的觸發條件，而是全交給機器人根據現場情況自主完成。
類似的臨時變化，貫穿了整場直播。直播中，它完成送水這個臨時新增任務後，繼續完成了剩下的點單，沒有讓顧客重新點菜，也沒有遺漏還沒上菜的訂單。取水只是顧客給機器人出的難題之一，現場參與者還可以改動訂單、挪動物品，或在機器人幹活時提出新要求。
這些變化有的會影響下一步操作，有的則會打斷正在進行的工作。機器人需要處理眼前的新情況，也需要保留此前的任務進度：顧客還有哪些菜沒點完，剛才的工作停在了哪一步，處理完臨時需求後，又該從哪裡接著做。
對於人類來說，這幾個過程看起來很日常，也沒什麼難度。但是，它要求機器人能夠分清臨時插入的任務和原本的任務，在兩者之間切換，並保留之前的任務記憶。而不是完成臨時任務後，就把此前的工作一併清空。這就決定了，這場直播沒法靠預設程序完成。
因為，預設流程可以覆蓋一部分常見情況，但很難窮盡現場各種臨時出現的變化。這場直播提供的觀察窗口，正是當現場情況偏離原有安排時，機器人能否把工作繼續做下去。
02. 思考的過程，如何發生
“處理變化”對機器人來說並不新鮮。工業機器人可以依靠視覺定位與力控修正抓取位置，移動機器人能繞開路上的障礙。但當任務和場景更加多樣，機器人還需要把使用者的要求與眼前的環境聯絡起來，判斷接下來該做什麼、怎麼做。這類變化很難僅靠預設程序逐一覆蓋，它要求模型能夠基於即時環境自主理解、判斷和決策。
市面上的主流模型路徑能完成這些目標嗎？首先看視覺—語言—動作模型（VLA），它提供了一種實現方式：將場景和指令對應為動作。顧名思義，機器人會結合看到的內容和訓練的指令來生成動作，它學習的是輸入與動作之間的關係，能夠在一定範圍內泛化到新的任務或場景；實際系統也可以持續接收新畫面並重新生成動作，形成反饋閉環。
以 OpenVLA 為例，它利用視覺語言模型與機器人示範資料學習動作策略，並支援在不同機器人平台上應用和適配。當你說“把杯子放到盤子旁邊”，模型會結合攝影機畫面和指令，輸出機械臂該怎麼移動、夾爪何時開合。
比起 VLA 的“學後做”，世界動作模型（WAM）更注重“想後做”：採取某個動作後，環境可能會發生怎樣變化？這種預測可以幫助系統規劃，也可以用於訓練動作策略。
例如，Dreamer 通過學習環境模型，在內部預測的情境中改善行為。拿杯子來說，它可以先預測，往某個方向推，杯子會移動到哪裡，繼續推會不會到桌邊，再根據預測的結果行動。
不過，無論是 VLA 還是世界模型，都還面臨一個更難的問題：現實世界的變化幾乎無法被窮舉。
VLA 的能力很大程度上取決於訓練資料覆蓋了多少任務、場景和變化。世界模型要精準建模複雜的物理環境，需要學習大量狀態變化和互動規律，資料與計算成本也隨之提高。
而樂享選擇的路徑，更強調在目標與約束之間持續尋找可行的行動方案。仍以放杯子為例，機器人既要讓杯子到達指定位置，也要考慮手臂是否夠得到、移動時是否會碰到其他物品等因素，如果眼前的資訊不足以作出判斷，還需要補充觀察。重點在於，要讓這些要求共同參與動作的生成，並在執行結果返回後繼續調整。
樂享提出的“能量驅動”，正是試圖通過統一的能量函數，協調任務目標與不同約束。
“能量”在這裡可以理解為衡量狀態或方案是否合適的數值。在能量模型的一般表述中，可以用 E(x, y) 衡量已知條件 x 與候選答案 y 的匹配程度。x 代表已知條件，比如環境、任務和身體狀態；y 代表待尋找的答案，比如一段動作軌跡。
按照其公開說明，以太大模型將目標完成度、物理後果、記憶一致性，以及動作能否執行、是否穩定等因素，納入統一的能量函數，模型沿能量梯度開展持續推理、主動探索和動作生成。
通俗地說，系統需要尋找一個既接近目標、又滿足執行條件的方案。各種選擇由統一的能量評價引導，讓資訊獲取、任務判斷與動作生成圍繞共同的目標展開。
不過，評價一個方案是否合適，還需要感知、記憶和身體控制提供支援。系統要知道眼前發生了什麼、此前做到了哪一步，以及這副身體能夠完成哪些動作。以太大模型所強調的“仿生架構”，正是對這些功能的組織。
03. “仿生大腦”的經驗法則
“仿生”其實是仿人，要讓機器人像人一樣，就得參考人的大腦。以太公開的架構圖，展示了以太大模型參照腦區功能組織系統的思路。視覺、本體感知、聲音指令和觸覺構成輸入；“上丘”模組負責主動獲取資訊，“角回”負責多模態感知，“內嗅皮層”負責情景記憶編碼，“頂上小葉”對應動力學約束與物理後果模型；隨後是負責推理與抽象的“前額葉”、規劃運動軌跡的“運動皮層”和承擔運動執行的“小腦”。
這種分工的意義，可以從動作失誤的處理來理解。抓取時出現輕微偏移，可能只需修正軌跡；如果目標超出可達範圍，就需要改變站位或重新安排任務。不同程度的問題，需要影響不同層次的決策。這套仿生架構成功的關鍵，在於反饋能否及時到達相應模組，並帶來有效調整。
如果要調整，機器人就必須對自身能力和環境同時進行評估。不同機器人的身體條件，也會改變任務的執行方式。樂享此前的居家演示，提供了一個不同本體協作的例子。
在這個 Demo 中，兩台不同品牌的機器人自主協作完成了任務，身材較矮的機器人試圖把圍巾放到高處的櫃子上，伸手卻夠不到。它找到旁邊的箱子，嘗試借此墊高，彎腰搬動未果後，又改用腳推，但仍未解決問題。隨後，較高的機器人接過圍巾，完成了放置。
相同任務換到不同身體上，動作方案也不相同：身高、臂長、關節範圍和末端執行器，都會改變可行的路徑。這段協作展示了如何利用本體之間的能力差異，繼續推進工作。
這就是樂享強調的“跨本體”能力所指向的目標：讓同一套模型理解共同的任務，再根據不同機器人的身體條件選擇可行的動作。按照樂享對自我模型（Self Model）的介紹，系統需要表徵自身的能力邊界，將“任務要求做什麼”與“這副身體能夠怎麼做”聯絡起來。
除了調整當前動作，樂享還希望機器人從執行中積累經驗。在前述的直播中，“五弟”試圖抓取一個調料瓶，最初它抓不穩，經過一次嘗試後，它終於找到合適的角度，抓取也逐漸變得穩定。機器人把調料瓶越抓越穩的能力背後，對應著樂享一項與自進化相關的能力：讓執行結果進入記憶與復盤，影響此後的判斷和策略。
這種基於真實互動反饋、持續修正自身的過程稱為“自我迭代”（Self-iteration）。機器人行動前形成預測，行動後比對結果，偏差直接驅動系統更新。新經驗不會無差別寫入，系統會先評估它是否可靠、能否泛化，可靠的規律才會進入長期記憶乃至模型參數。樂享團隊有個更形象的說法：機器人可以給自己建“錯題本”。有價值的不是記住某一次失敗，而是從失敗裡分離出下次能用的規律。
而以太大模型的架構特色也應該放在整套系統中理解：用統一評價機制協調感知、記憶與動作，用功能分層連接任務推理和身體執行，再嘗試將真實互動轉化為後續可用的經驗。
回到戶外燒烤，機器人面對的任務變了，需要解決的問題卻相通：理解新增要求，根據現場條件調整行動，並記住尚未完成的工作。直播進一步把這些能力放進了連續服務的過程，模型需要在變化不斷髮生的情況下，維持整個任務的進度。
雖然說，近 1 小時的直播還不足以驗證長期運行的穩定性，但它提供了一個更接近實際使用的觀察窗口：讓外界看到，機器人能否自主判斷、持續行動和進化，並把事情做完。
對具身智能而言，真正的能力邊界，最終要在真實世界中被定義。機器人真正走向通用，靠的不只是學會更多工，而是形成持續理解、判斷和自我調整的能力。以太大模型正在沿著這個方向，探索具身智能的下一階段。 (DeepTech深科技)