刚刚，逐际动力放出一段Demo，Figure：睡不着啊

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 刚刚，逐际动力放出一段Demo，Figure：睡不着啊 田, 晏林 2026-07-16 16:04:18 来源： 量子位 不要赌某个模型能通吃一切。 田晏林 发自 凹非寺 量子位 | 公众号 QbitAI 昨天刚完成2亿美元Pre-IPO轮融资，逐际动力没有急着讲资本故事，而是立马甩出一段全尺寸人形机器人Oli全自主做家务的视频： 画面里， Oli连续不间断地干完一屋子家务 ： 将衣架高处的衣服提起并放置在手臂上、将手上的多件衣物精准扔进脏衣篓里、将随意乱放的玩偶归纳整理、搬箱摞箱、深弯腰拾取地面杂物。 整条视频3分钟，全程一镜到底，无后台人工远程介入，也无分段剪辑。 这也让Oli成为 中国首个全自主完成长程移动操作家庭任务的全尺寸人形机器人。 它通过视觉和环境感知，全程站立、时不时蹲下、弯腰，在家庭非结构化场景下完成不同任务。 这是全尺寸人形机器人长程移动操作能力的一次重大突破，也是全球屈指可数的完整实录。 而在背后支撑Oli行动的，是 逐际动力 刚刚更新的 人形大脑系统LimX COSA 0.5。 同样是进行复杂连续的家务实操，硅谷最高估值人形机器人独角兽 Figure， 此前也多次对外放出类似的视频。 他们先后发布了厨房整理、房间整理、客厅整理三段长程任务，都成了公司招牌，也被行业公认为性能参考标杆。 逐际动力这段实操Demo，在任务连续性、自主决策深度、技能调用以及全身运控上，已经和Figure站到同一水准线。 而且这两家公司的硬件水平也接近。可以说代表了中西方人形机器人的最高水平。 究竟谁更厉害？ 真正的分野，不在Demo本身，而在支撑机器人运行的底层「大脑」路线。 过去几年，整个具身智能行业普遍追求模型参数、评测榜单，似乎拥有更好的模型，就等于拥有最强的机器人大脑。 Figure的双系统框架 、不少海外和国内厂商主打的全能视觉动作基础模型， 底层逻辑都是靠更强的单一大模型。 行业几乎全员陷入“唯模型规模论”的内卷。 可一旦落地真实场景，这些机器人经常行动卡顿、适配性差。 逐际动力很早发现了这个问题，并且抛出了一个 行业非共识 的观点： 模型不是大脑，系统才是。 在逐际动力的技术框架中， 真正的机器人大脑应当复刻人类神经系统 ，由认知、技能、运控多模块协同配合，而非仅靠单一基础模型。 围绕这一判断，今年1月， LimX COSA的概念首次被提出 ，并展示了高阶认知与全身运控进行深度融合，使机器人“能想、能动、边思考边干活”。 而这一次0.5版本的更新， 逐际动力首次完整展示了COSA三层技术架构 。 但这也仅仅是0.5版本。 作为当前可与Figure掰手腕的中国玩家，逐际动力的底牌，还没亮完。 大脑不是模型，而是操作系统 要把机器人真正送进千家万户的复杂场景中，究竟需要一个什么样的「大脑」？ 行业的普遍做法是，哪里不会点哪里。 他们拼命把各种VLM或VLA端到端模型做大，试图用更庞大的参数量来暴力破解物理世界的复杂性。 但这种唯模型论的暴力美学，可能有点走偏了。 在逐际动力创始人张巍看来，大部分人说要做一个模型，模型大了以后就是在做大脑，把大脑等同于模型，这件事情本身就是一个误导。 模型只是一个一个的技能，系统才是大脑。 逐际动力的大脑不是单一模型，而是具身智能体系统：管理记忆、调度、决策，调用VLM/VLA等技能及全身运控。 在这个框架里，一个单一技能（哪怕是最先进的VLA）都只是「技能」，不是「大脑」。 只有将认知、技能、运控，连同记忆与调度，真正协同，并与硬件联合优化，才是「大脑系统」。 逐际动力把这定义为 Embodied Agentic OS ，它要调用各种模型，包括VLM、LLM、VLA，才能完成一个任务。 这也是LimX COSA与「做模型」路线的根本区别。 为了验证这一逻辑，本次更新的COSA 0.5版本，直接用一段没有任何剪辑水分、没有摆拍成分的硬核真机视频说话。 逐际动力在一台拥有31个本体自由度的（不含末端灵巧手）全尺寸人形机器人Oli上，完成了包括收纳整理、搬箱、深弯腰拾物等在内的全套长程多任务演示。 它必须在未知的环境中，自发地去读取视觉信息、理解当前的杂乱状态、自主规划长程的任务步骤，然后调用技能和身体运控能力去完成连续操作。 能干活，且干得像人一样，这是通用人形必备的能力，它是机器人，不是机器。 这种在真实长程家庭场景下的高鲁棒性表现，其任务复杂度堪比Figure此前广受关注的厨房/房间/客厅整理场景。 只不过，Figure底层的技术逻辑仍在端到端模型内部做切分，本质上依然没有跳出模型的范畴。 纵观全球具身公司，在长程、不间断、不遥操作的真实家庭任务上，目前只有逐际动力与Figure做出了可信度高的完整演示。 欧洲领先的具身模型公司Flexion， 其公开的Demo里，让Unitree G1取快递、搬运包裹，任务复杂度相对较低，全身运控的稳定性、准确性略显不足。 另一家 风头正劲的高估值独角兽Skild AI ，展示了跨形态、跨任务的能力片段，广度上取胜，但并未展示长程全身移动操作演示能力。 看来，「谁的模型更强」是一个层面。 论「谁真正做出了大脑系统」，又是另一个维度的PK了。 三层架构，怎么构建最强大脑系统？ COSA的骨架由 S2-S1-S0 三层架构组成。 这套系统按照人类神经系统的生物学逻辑，进行了彻底的分层解耦。 三层各自运行在完全不同的时间尺度上，通过刻意收窄的接口协同工作。 执行时，意图 自上而下 流动，机器人的姿态与环境状态则 自下而上 实时反馈，异步运行且互不阻塞。 先看 S2认知层，负责理解、记忆和决策、人机交互。 它慢而审慎，运行在低频的1Hz尺度上，意味着每秒只做一次全局决策。 这不是偷懒，而是因为认知层的任务天然不需要高频。 你见过哪个运筹帷幄的将军，是听到风声就下令全军出击的？ 不得先把敌我态势在脑子里过够几遍，再决定这仗怎么打么。 S2这层就是负责慢慢想。 它读取头部与手腕相机的实时视觉输入，以及人类的语言指令，负责长程场景的宏观理解、构建世界模型、处理人机交互与逻辑推理，并决定机器人这一步「要想做什么」。 随后，再把分解好的任务精准调度给下层。 单独把S2拎出来，其实就是那个“坐在轮椅上的霍金”。极其聪明，却一动不能动。 支持这一层的，不是某一个孤立的大模型。 视觉语言模型、世界模型都在这里，形成一个带记忆与调度的操作系统。 接下来，是 S1技能层 （Skills）。 它运行在50Hz的中频尺度上， 负责把能力沉淀成一个个可复用的技能。 注意是「可复用」，而不是盲目堆砌的大杂烩。 S2决定「要做什么」，S1回答的是「用什么技能做」。 这一层不是单一模型，而是一组技能的集合。 一个VLA（哪怕是最先进的）也只是其中一个技能，剥鸡蛋、开瓶盖、搬箱子，各自独立存在，按需调用。 逐际动力的判断是： 不同技能需要的数据不一样，训练方式也不一样。 剥鸡蛋和开赛车的数据混在一起，反而会导致严重的参数干