机器人的“自我意识”缺失，才是Demo到现实的鸿沟

我注意到一个有意思的细节：几乎所有机器人Demo都展示出惊人的灵巧性——抓取、平衡、避障一气呵成，但一旦进入真实场景，它们就像被抽走了灵魂，动作迟缓、笨拙，甚至原地崩溃。这背后不是算力不足，也不是模型不够大，而是一个被主流VLA（视觉语言动作）范式忽视的关键瓶颈——本体认知。

新闻背后的技术盲区

讯飞新公司爻方智能的负责人指出，机器人之所以“困在Demo”，是因为缺了一味「本体认知」。所谓本体认知，是指机器人对自身物理参数（质量、惯性、关节刚度、摩擦力、负载等）的实时感知与建模能力。当前大多数具身智能方案聚焦于“看到什么就做什么”，却忽略了“我本身是什么状态”这个基础问题。

从信息论角度：VLA只有外部观测，缺少内部状态

VLA（Vision-Language-Action）模型本质上是“看图说话”的扩展：输入像素和文本，输出动作序列。但机器人是一个物理系统，其动作执行依赖于精确的动力学模型。如果机器人不知道自己关节目前的实际位置（受重力、摩擦、负载影响），仅靠视觉估算，必然产生累积误差。更关键的是，视觉反馈存在延迟和遮挡，无法提供高频、高精度的状态信息。

[!note] 关键判断

本体认知就是机器人对自身状态的“闭环估计”。没有它，开环控制只能活在Demo中。

从信息论的角度看，VLA处理的是外部环境的高维信息（图像、文本），而本体认知处理的是内部状态的低维信息（关节角度、力矩、加速度）。两者互补，但现有方案几乎只优化了前者，导致机器人在真实场景中缺乏鲁棒性。这就像让一个盲人仅凭触觉描摹房间，却不准他摸自己的手和脚——他永远无法准确执行动作。

短期看：让机器人“感知自身”

技术上，短期解决方案是融合低成本传感器（如编码器、惯性测量单元、力矩传感器）与轻量级物理模型，用学习算法实时校正。例如，用残差网络估计未知参数（如摩擦系数、负载变化），使机器人能适应不同工作环境。爻方智能的定位可能正是提供这类“

原文链接：https://www.qbitai.com/2026/07/457698.html