橡木果发布本能驱动技术路线，开辟自下而上具身智能新范式

背景

在具身智能（Embodied AI）领域，当前主流的技术路线普遍遵循“自上而下”的逻辑：利用大语言模型（LLM）或视觉-语言-动作模型（VLA）理解高层任务，并通过海量数据训练端到端的策略网络。这种范式假设机器人可以通过模仿人类行为或学习通用规则来掌握操作技能。

然而，这种路径面临着数据规模爆炸、算力难以满足实时性要求以及泛化迁移困难等结构性困境。特别是在面对不同硬件个体差异时，往往需要重新训练或微调，导致落地成本高昂。

在此背景下，橡木果机器人（Acorn Robot）提出了一条截然不同的“自下而上”的技术路线。该公司由清华机械工程博士、哈佛神经科学博士后领衔的团队创立，历时9年，从神经科学中发现的“操作本能”出发，试图通过赋予机器人底层物理交互本能，使其在与物理世界的自主交互中涌现出操作智能，从而开辟具身智能的新范式。

核心内容

橡木果的技术核心在于将“任务规划”与“操作执行”彻底解耦，并强调底层操作本能的重要性。其技术架构主要由两个核心模型构成，辅以自研的触觉传感器底座。

1. 理论原点：操作存在先天本能 基于创始人在哈佛的神经科学研究，橡木果指出语言与操作在底层机制上存在本质差异。语言习得高度依赖后天环境输入，而全球人类在抓取物体等行为上表现出高度的一致性，且无需专门教导。这证明操作背后存在一种“出生即有、不受环境影响”的本能。橡木果的技术路线正是基于这一发现，旨在赋予机器人类人的操作本能，而非单纯模仿人类。

2. 主流路线的困境 橡木果分析了当前主流的 VLA 架构面临的三大无法回避的问题：

• 数据规模爆炸： 操作涉及语言、视觉、触觉多模态，且与具体硬件强相关。一旦将任务规划与操作执行耦合，数据需求呈指数级增长，任何公司都无法覆盖所有场景。
• 算力与实时性矛盾： 操作要求毫秒级响应，无法像语言模型那样逐字生成。在物体滑落等紧急情况下，机器人没有等待推理的时间。
• 泛化迁移困难： 任务泛化（如“叠衣服”的规则）与硬件泛化逻辑不同。即使硬件型号相同，导轨松紧等个体差异也会导致模型参数天差地别。橡木果类比道：打乒乓球的规则是通用的，但每位选手的打法（硬件适配）截然不同。因此，不存在“最好”的预训练模型，只有“最适配硬件”的模型。

3. 技术架构：任务与执行解耦 橡木果提出任务规划层与操作执行层独立演进，通过标准化接口协同工作：

• 任务规划层： 负责知识推理和任务分解，输出关键图像帧和语义约束（如“不要洒水”），而非具体的动作指令。
• 操作执行层： 聚焦于底层操作智能的涌现，由具身本能驱动。

4. 核心模型：Natus 与 Magis

• Natus（端侧自主决策模型）：

  • 定位： 嵌入末端执行器，负责毫秒级响应和硬件自适应。
  • 特性： 零数据、冷启动、即插即用。
  • 三大本能：
    1. 定向本能： 与视觉协同，指引末端向目标移动。
    2. 探索本能： 接触物体后，通过感知滑移、形变等触觉信息，自主寻找稳定接触构型，而非依赖预设程序。
    3. 交互本能： 以“滑移最小化”为目标，实时调节“肌肉张力”（抓力）。例如，抓豆腐时松，抓锤子时紧。
  • 效果： 面对从未见过的异形物体（如半瓶水、极薄卡片、易碎豆腐），机器人能通过自主探索和实时调整策略完成抓取，这些行为是本能催生的涌现，而非编程预设。

• Magis（通用操作技能模型）：

  • 定位： 实现“一上来就熟练”的跨本体、跨任务技能。
  • 创新路径： 颠覆传统数据训练方式。利用 Natus 在真实交互中产生的、带有精准触觉语义的数据，对视觉数据进行语义增强。
  • 数据增强示例： 当 Natus 抓取香蕉时，不仅记录“成功”，还记录“120g、质心偏左、表皮粗糙、硬度中等”等力学语义。这些数据叠加到视频帧上，使 Magis 能“理解”物理世界而非仅识别外观。
  • 效率提升： 训练数据需求从百万小时级别降至几千小时。

5. 硬件底座：完备的触觉信息 橡木果认为触觉是构建操作信息底座的关键，将操作相关的触觉信息分为三类：

1. 界面信息： 分布力、变形、滑移（最关键）。
2. 物体信息： 软硬度、摩擦系数、质心分布（视觉无法获取）。
3. 环境信息： 接触刚度、阻抗等（用于装配、打磨等任务）。 为此，橡木果历时7年迭代，自研第三代视触觉传感器，建立了动态表征、工程化标定、算力集成等技术壁垒。

6. 商业化落地 橡木果聚焦于工业柔性生产场景（消费电子、日化、新能源汽车、生物医药）。凭借 Natus 的“零数据冷启动”特性，公司在两个月内于全球头部化妆品 ODM 厂商完成 POC 验证并实现商业营收。机器人成功应对了形状、材质各异的化妆品瓶罐的抓取、旋拧和放置任务。团队认为，工业场景任务规划相对固定，无需等待上层大模型成熟，即可通过底层操作能力产生商业价值。

关键要点

• 技术路线差异： 橡木果摒弃主流的“自上而下”大模型端到端路线，采用“自下而上”的本能驱动路线，强调从底层物理交互中涌现智能。
• 核心洞察： 操作存在先天本能，与语言习得机制不同；任务泛化与硬件泛化逻辑不同，没有通用的“最好”模型，只有适配特定硬件的模型。
• 架构解耦： 将任务规划（高层语义）与操作执行（底层控制）解耦，分别独立演进。
• Natus 模型： 端侧自主决策模型，具备零数据冷启动能力，通过触觉驱动实现毫秒级响应，赋予机器人定向、探索、交互三大本能，实现硬件自适应。
• Magis 模型： 通用操作技能模型，利用 Natus 产生的带触觉语义的数据增强视觉训练，大幅降低数据需求（从百万小时降至几千小时）。
• 触觉优先： 构建包含界面、物体、环境信息的完备触觉输入体系，自研第三代视触觉传感器作为技术壁垒。
• 商业闭环： 已在化妆品 ODM 领域完成验证并产生营收，证明了在非共识路线下，底层操作能力可独立于上层大模型成熟度而实现商业化。

意义与影响

橡木果提出的“本能驱动”技术路线，为具身智能领域提供了一种非共识但具备坚实物理基础的新范式。其意义主要体现在以下几个方面：

1. 突破数据与算力瓶颈： 通过“自下而上”的本能机制和任务/执行解耦，橡木果有效规避了主流 VLA 架构中数据规模爆炸和实时性算力不足的问题。Natus 的零数据冷启动特性，极大地降低了机器人部署和适配的门槛。
2. 解决泛化难题： 强调硬件适配而非通用模型，解决了“换场景就失灵”的行业痛点。通过触觉语义增强视觉训练，Magis 模型实现了跨本体、跨任务的高效技能迁移，显著提升了训练效率。
3. 回归物理第一性原理： 在追逐大模型热潮的同时，橡木果回归物理世界的第一性原理，强调触觉和本能的基础作用。这种对物理交互本质的重视，可能成为构建更稳定、更可靠具身智能系统的关键路径。
4. 加速商业化落地： 橡木果在工业柔性生产场景的快速验证和营收，证明了该路线在现实世界中的可行性。它表明