机器人技术正在发生翻天覆地的变化，不再是单一能力的展示，开始朝着更智能、更灵活的方向迈进。对于物理 AI 来说，模型能力只是一块跳板，能力的组合、实时调度以及状态管理等，变得至关重要，成为机器人在真实世界中应对各种挑战的关键。
想象一下，过去这些年，机器人在识别、认知和运动控制等领域不断突破，从工厂的流水线，到仓库的物流，再到零售和公共场所，应用越来越广泛。但一旦机器人走出那些确定规则的环境，面对复杂的现实世界，单打独斗的能力已经不够用了。新的难题是，如何让机器人根据周遭环境和任务的变化，灵活地组合各种能力，形成一个稳定、可靠且可以随时调整的智能系统。
在刚刚结束的2026 世界机器人大会（WRC）开发者日上，Arm 物理 AI 机器人技术研究的全球负责人 Federico Pecora 深入探讨了这一话题，尤其是如何把物理 AI 从“能力堆叠”推向“系统级自适应”，以及这对机器人的计算平台有哪些新的要求。 UED官网
现在，机器人能力的发展大致可以分为三个阶段。第一阶段是“跨对象泛化”，也就是说，机器人可以在同一个任务中处理不同的对象，而不用每次都重新训练或者编程，这在分拣、物流和零售等结构化场景中已经验证过了。第二阶段是“多任务智能”，也就是通过一个统一的平台，支持机器人执行多种不同的任务，能够根据具体需求切换能力组合。最后，第三级就是“系统级自适应”，这意味着终端用户甚至机器人自己都能根据环境变化自动调整能力，而不需要每次都重头来过。
那么，泛化能力的实际意义是什么呢？简单来说，它能大幅降低机器人适应新场景、新任务时的难度和成本，因此被视为机器人实现大规模部署的重要基础。而支撑这一过程的高效计算能力，也是 Arm 一直关注的重点。
举个简单的例子来说明，比如有个用户带着一台人形机器人去超市购物，跟机器人说：“推辆购物车，跟我来！”“你去拿一袋10公斤的大米，我去挑蔬菜，稍后在乳制品区会合。”这些需求对人类来说没啥问题，但对机器人来说，这就是一系列复杂的实时判断。在拥挤的超市里，可能根本没有环境地图可供参考，机器人也未必学过“推购物车”这个技能。因此，它需要在执行的过程中，灵活调整自己的能力组合，而不是按部就班的调用固定方案。 UED官网
如今，很多单项能力已经可以通过专门的训练、模型优化和工程化手段实现，但更具挑战的是，让机器人在真实世界中自如协调这些能力，完成一系列连贯的任务。还是以购物为例，机器人需要一边推车跟随、进行无地图导航、一边识别商品又能搬运重物，甚至要对环境变化做出反应，确保在与人合作时不出差错，同时保持执行结果的稳定和可靠。
当机器人技术从展示走向实际应用，业界要面对的挑战不再是某个单一模型的先进程度，而是如何让众多不同能力在同一个系统中高效协作。Arm 将机器人规模化部署面临的系统级挑战归纳为四个方面。
首先，能力如何实现。机器人难以仅通过一种模型完成所有任务，因此不同环节需要不同的模型、策略和控制器。举个例子，视觉语言动作模型可以生成试探性动作，视觉语言模型则负责识别可操作对象，而大语言模型可以辅助生成控制逻辑。大挑战在于让这些模块能够共享资源并协同工作，最终生成可靠的行为。 UED官网
第二，不同能力如何持续协同。现实中的工作环境复杂多变，机器人需要在不同时间尺度上进行自主协调，从即时的碰撞检测，到持续更新的导航和操作。若缺少清晰的任务调度，可能导致能力争抢计算资源，进而影响效率，甚至引发安全隐患。
第三，能力如何映射到计算资源。在没有现成环境地图的情况下，机器人必须依赖本地智能来感知环境、理解场景和规划路线，同时逐步建立共享的语义地图。在不稳妥的网络环境中，系统架构需要合理分配计算资源，确保性能和能效的优势。
最后，如何约束和管理这些能力。随着自适应能力的提升，安全问题不仅限于避障、速度、力的控制，还包括行为规范和任务约束。这就要求开发出更加清晰、可行且具有约束力的行为保护框架。 UED官网
Arm 的目标就是希望能提供一个统一的机器人计算基础，解决技术与产业需求之间的差距，让机器人在多变的世界中更好地服务于我们。
