机器人会干活了，但还没学会“别多管闲事”

文 | Leading 从L1到L3，自主交互正在成为具身智能最容易被低估的能力分水岭 过去一年，具身机器人最常见的进步，是动作越来越像人。 它们开始叠衣服、整理房间、端咖啡、分拣物品，也能在舞台上奔跑、跳舞甚至完成高难度动作。到了2026年，行业讨论的重心已经明显从“能不能动”转向“能不能干活”。在世界机器人大会等行业活动中，数据、VLA、世界模型、泛化能力和商业化，成为具身智能公司反复讨论的关键词。 但机器人真正进入家庭、校园和养老机构后，很快会碰到一个比“会不会干活”更麻烦的问题： 它什么时候应该主动？ 孩子一个人坐在走廊里，机器人要不要靠近？老人一上午没有明显活动，系统是否应该询问？用户嘴上说“我没事”，但语气、表情和行为和平时不同，机器人应该继续追问、提供建议，还是保持安静？ 太被动的机器人只是一个长了腿的智能音箱；过度主动的机器人，则可能成为一个没有边界感的陌生人。 具身智能下一阶段的难题，已经不只是让机器人学会行动，而是让它知道什么时候可以介入，介入到什么程度，以及什么时候必须把判断交还给人。 这意味着，行业需要补上长期缺失的一张能力表：自主交互分级。 行业给机器人的手脚分了级，却没有给“边界感”分级 目前，具身智能的大多数能力体系，都围绕感知、规划、控制和执行展开。 机器人能否识别物体，能否在动态环境中行走，能否完成长程任务，遇到失败后能否重新规划，决定了它在物理世界中的自主程度。2026年发布的人工智能终端智能化分级，也将终端能力划分为响应、工具、辅助和协同等不同阶段，说明AI终端正在从执行单一指令，走向理解上下文和跨设备协作。 但这些分级主要回答的是：机器人能独立完成多少任务。 进入人类生活以后，还需要回答另一个问题：机器人可以在多大程度上主动影响一个人？ 移动、抓取和操作物体，属于任务自主；主动问候、提醒、安慰、追问和联系家属，则属于交互自主。前者影响物理环境，后者直接介入人的情绪、关系和决策。 过去，交互被看作机器人的附属界面：只要语音识别准确、回答自然、屏幕流畅，就算“会交互”。但当机器人拥有摄像头、麦克风、长期记忆和主动行动能力之后，交互本身已经成为一种行为。 机器人走向一个孩子、持续注视一个老人、主动提起一段过去的经历，和手机弹出一条消息并不是同一回事。具身存在会放大机器的在场感，也会放大每一次错误判断的影响。 所以，衡量自主交互不能只看“像不像人”，还要看它是否知道边界。 L1：被动响应，机器人仍是“有身体的工具” 自主交互的L1阶段，是被动响应。 用户说一句，机器人回答一句；用户发出明确指令，机器人完成相应动作。它可以回答问题、播放内容、完成测评、带领训练，也可以执行“把水拿过来”“打开灯”“提醒我吃药”等任务。 这一阶段的系统逻辑比较简单： 用户发起请求，机器人识别意图，调用相应能力，再返回结果。 L1的优势是可控。机器人的权限来自用户的明确指令，开发者只需重点解决识别准确率、响应速度和任务成功率。即使出现错误，影响范围通常也局限在一次交互中。 但它的局限同样明显。 老人没有主动说身体不舒服，机器人就不会询问；孩子遇到挫败却不愿开口，系统也无法提供帮助。机器人看似24小时在场，实际上仍然在等待人类按下一个看不见的按钮。 很多所谓“陪伴机器人”仍停留在这个阶段。它们能够说出温柔的话，却无法理解一句话为什么在此刻出现；能够记住用户名字，却不知道一段旧记忆是否已经失效。 L1解决的是“机器人能不能回应”，还没有解决“机器人是否理解正在发生什么”。 L2：理解上下文，但主动权仍然属于人 进入L2阶段，机器人开始具备情境理解能力。 它不再只处理一句话，而是把语言、表情、行为、事件和历史互动放在一起，判断用户当前处于什么状态，以及什么因素可能引起了这种变化。 例如，一个孩子在完成拼图任务时连续失败，动作速度变慢，回答变短，随后把拼图推到一旁。L1机器人可能只会等待下一条指令；L2系统则可以把这些变化组织成一个事件： 任务连续失败，参与度下降，用户暂时中止任务，建议降低难度或询问是否需要休息。 这里最重要的进步，不是机器人给孩子贴上了“焦虑”“厌学”或“性格内向”的标签，而是它开始理解状态如何随着事件变化。 观察和结论必须分开。 “用户沉默时间变长”是观察；“用户可能出现挫败感”是带有置信度的状态假设；“用户存在心理问题”则已经超出了普通机器人应有的判断边界。 因此，L2可以提供选项，但不应擅自替人作出高影响决定。 它可以问：“要不要休息一会儿？”也可以提供“继续尝试、降低难度、找老师帮忙”等选择，但最终的互动方向仍由用户、老师、家长或照护人员确认。 L2真正的技术门槛，不只是多模态识别，而是把事件、状态、记忆和策略连接起来，同时允许用户纠正模型。 如果机器人判断错了，用户能不能说“我不是难过，只是在想事情”？这次纠正会不会更新后续策略？过去的状态记录是否会随时间降低权重？ 一个不能接受纠正的情感模型，只是在用更复杂的方式固化偏见。 L3：有限自主，机器人开始决定“是否介入” L3是自主交互真正发生质变的阶段。 这一阶段的机器人可以在特定条件下主动发起互动，并根据用户回应调整策略。它不必等待明确指令，但它的自主性受到场景、权限、风险等级和置信度约束。 比如，居家机器人发现老人长时间没有出现在常用区域，可以先进行一次温和询问；如果老人正常回应，事件被记录并结束；如果多次询问仍无回应，系统才将信息交给子女或照护人员。 在校园中，机器人发现学生在一次任务失败后明显减少互动，可以提供短暂休息或简单放松选项；如果状态持续变化，则把事件摘要交给老师，而不是自行进行所谓“心理干预”。 因此，L3并不意味着机器人什么都能自己决定。恰恰相反，真正成熟的L3必须同时具备四种能力： 发现变化，判断可信度，选择低风险策略，并在达到边界时完成人工接管。 这套逻辑的关键，不是“主动”，而是“有限自主”。 机器人可以主动问候，但不能无限追问；可以提示关注，但不能给出诊断；可以调用经过确认的历史记忆，但不能把一次偶然倾诉变成永久人格标签；可以通知老师或家属，但必须说明触发提醒的事件和依据。 L3的最高能力甚至不是更积极地采取行动，而是知道什么时候不行动。 这也是它与传统主动营销、推荐算法最大的区别。推荐系统猜错一次，用户可能只会看到一条不感兴趣的内容；家庭机器人判断错一次，却可能打扰真实关系，制造不必要的焦虑，甚至让用户产生被监视的感觉。 自主交互越深入，企业承担的责任就越重。 从L1到L3，增加的不是功能，而是责任 如果只从产品界面看，L1、L2和L3之间似乎只是功能越来越多。 但从产业角度看，这三级能力对应的是三种完全不同的责任结构。 L1的责任主要在任务执行：机器人有没有听懂，动作有没有完成。 L2增加了解释责任：系统为什么认为用户状态发生了变化，使用了哪些信息，判断是否允许被纠正。 L3则增加了介入责任：机器人为什么在此刻主动靠近，为什么发出提醒，为什么选择通知某个人，以及谁对后续行动负责。 这意味着，具身机器人不能只建立“感知—决策—执行”的技术闭环，还要建立“观察—判断—交互—确认—人工接管”的责任闭环。 近期钛媒体对陪伴机器人产业的观察提到，数据安全、真实亲密关系与工程成熟度，正在构