清华演示机器狗指挥人类无脚本随机称重任务

背景

近年来，物理通用人工智能（Physical AGI）成为行业热议话题，但长期陷入路线之争，或过度依赖虚拟 Benchmark 的“刷榜”式评估。缺乏一套以人类智能为天然标尺的可验证标准，使得真正能在开放真实世界中持续运行、自适应、多任务泛化的智能系统鲜有出现。清华大学近日举行了一场现场演示，搭载一念 Unisonmind 端侧大脑的机器狗“哮天”在无预设脚本、任务随机、观众即兴出题的环境下，完成了看图走迷宫、指挥人类用天平称重、估算矿泉水瓶剩余水量等多项任务，且同一认知底座可无缝迁移到人形机器人、电动轮椅上。这一演示引发了业界对 Physical AGI 定义与实现路径的重新思考。

核心内容

演示的核心是一套名为“一念 Unisonmind”的端侧认知底座，它运行于机器狗“哮天”之上，在几十位观众围观的真实开放环境中，完成了三类现场随机任务：

1. 看图走迷宫：主持人在黑板上随手画一幅简笔画（迷宫路线），机器狗理解其与身后三维迷宫的对应关系。主持人圈出目标位置，机器狗便去场地寻找对应物体。当主持人画出一个“8”字，机器狗先问“能不能走捷径”，然后按图行进。即使路线与墙体相交（观众发现），它也能通过反馈调节继续完成任务。此任务展示了空间智能、表征、抽象、规划与反馈调节的综合运用。

2. 指挥人类使用天平称重：机器狗让人类助手使用天平称量随机找来的物品重量，涉及物理智能、语言交流、行动规划和社会协作，多个领域智能协同。

3. 估算观众递来的矿泉水瓶剩余水量：这是一位观众临时提出的题目，并非预设。机器狗看了一眼后，要求“先把矿泉水瓶标签撕了”，随后给出估算。这表明系统无需针对每项任务预训练，能泛化处理未见过的问题。

更重要的是，同一个 Unisonmind 端侧大脑还可以运行在其他本体上：演示中展示了另一只机器狗、人形机器人、电动轮椅同样搭载此认知底座，在不同身体、不同场景中组织类似能力。

支撑所有这些表现的底层模型架构是“统一世界 Token 空间”。其核心特征可概括为“3+1”：

• 全模态 Any-to-Any：视频、图像、声音、文字和动作，输入端多模态进，输出端多模态出，在同一模型中完成。
• 理解与生成统一：路线被看见、指令被理解、状态被预判、行动被生成、声音被输出，所有过程在同一个模型中实现。
• 全链路 Runtime：模型常驻运行，持续接收信息，每 18 毫秒对齐一次状态并做出反应，再从结果中修正。
• +1 端侧本体部署：整套模型运行在机器狗、人形机器人、轮椅端侧，直接置于真实世界闭环中。

该架构使得语言、空间、物理、行动、协作等多元智能在同一个常驻运行的模型里，随任务临时组合、自然协同，不必为每个任务单独训练模块。

关键要点

• 无预设脚本、任务随机、观众即兴出题的真实现场验证了系统的泛化能力，跳出了传统 Benchmark 的局限。
• 统一认知底座（一念 Unisonmind）在不同本体（机器狗、人形机器人、电动轮椅）上运行，证明认知系统与具体身体解耦。
• 模型架构“统一世界 Token 空间”实现了全模态输入输出、理解与生成统一、常驻运行（18ms 对齐状态）、端侧部署。
• 现场展示的三种任务（走迷宫、称重、估水量）分别对应空间智能、物理/社会协作智能、物理推理智能，均由同一系统动态组合完成。
• 系统无需事前针对性预训练或后训练，即可处理未经显式学习的新任务（如估水量）。
• 该演示基于人类智能的多元智能理论（霍华德·加德纳），将 Physical AGI 定义为“以实体为载体、在真实世界中持续运行、可自适应组织多元领域智能的通用认知范式”。

意义与影响

• 为 Physical AGI 提供可验证标准：告别路线之争和虚拟刷榜，以“真实开放环境下的无脚本任务”作为判断依据，使 Physical AGI 从概念走向可观测、可复现的实证。
• 验证认知底座的可迁移性：同一大脑适配不同本体，意味着未来智能服务可跨越机器人形态边界，降低适配多场景的研发成本。
• 推动具身智能从碎片化走向统一：过去具身智能往往针对单一任务训练单一模型，而一念 Unisonmind 证明了多元智能可由同一个持续运行的认知系统统一涌现，有望简化系统架构。
• 打开产业应用前景：端侧部署、低延迟（18ms 对齐）、多模态实时交互，使该认知底座可应用于家庭服务、工业协作、辅助出行（如电动轮椅）等真实场景。
• 引发对 AGI 实现路径的重新思考：演示表明，模仿人类智能的“认知范式”——即一套在真实时空中持续运行、面向不同对象自动分化出多元智能的系统——可能是通往 Physical AGI 的可行路径。