机器人缺的不是大脑，是会动手的感知

机器人圈有个心照不宣的尴尬：过去两年大模型让机器人的'嘴'越来越能说、'脑'越来越会想，但真正把它按在物理世界里的，还是感知那道坎——而且多数机器人到现在仍是'被动看'，不是'主动摸'。

最近两件事值得放在一起看：一是 arXiv 上新出现的 ROMA 系统，把视觉、音频、触觉、力觉整合成一个'推理—交互—反馈'闭环，让机器人自己判断缺什么证据、该做什么交互；二是国内 乐享以太 大模型喊出的叙事转向——从'预测'到'求解'，重塑 Physical AI 的解题范式。

两件事指向同一个判断：具身智能的下一场仗，不在语言能力，而在主动感知。

🧠 被动感知，是具身智能藏得最深的一块短板

先看一个场景：你手里拎着一罐没贴标签的东西，掂一掂重量、摇一摇听声、捏一捏硬度——两秒钟，你就知道里面是果冻还是金属件。

人类天生就是这么认识物理世界的。当感官证据不足以推断物体属性时，我们会主动跟环境交互：决定缺什么信息、怎么补、什么时候够了。

但现有机器人系统几乎都反着来。素材里 ROMA 论文的原话很扎心：'现存的多模态机器人系统主要是整合传感器输入，而不是通过交互主动获取缺失的证据。'

翻译成工程师的黑话：现在绝大多数方案是'传感器喂多少，模型吃多少'。摄像头拍到什么就是什么，摸到什么算什么，感知系统不会'追问'。

这在实验室里问题不大——环境布置得清清楚楚、光照恒定、物体已知。可一旦放进真实工厂、仓库、家庭，遮挡、反光、材质混淆、动态干扰全是常态。视觉不够用的时候，系统没有'再摸一下'这个动作。

这就是为什么很多 demo 看着惊艳、落地就露馅。感知是具身智能的地基，地基是被动式的，上面盖什么楼都晃。

据多位接近具身创业公司的人士透露，不少团队今年内部优先级最高的任务已经不是端到端模型迭代，而是补多模态数据的课——尤其是触觉和力觉。

🤖 ROMA 的答案：让 LLM 决定'要不要再摸一下'

ROMA 全称 Real-World Object-Centric Multi-Sensory Active Perception，思路是把'感知'从一次性输入变成一个循环过程。

它的核心架构可以概括成一条闭环：

LLM 在这个循环里干三件事：识别缺失证据、决定目标物体/交互方式/感知模态、评估证据是否足够。物理接口负责执行选定的交互动作并回收多模态反馈。

支撑这套能力的是 ROMI-2K 数据集——覆盖近 2000 个真实物体、6 种原子级交互，且带同步的多模态传感反馈。训练上采用两阶段框架：先对齐各感知模态，再教会 LLM 评估证据充分性、选择信息量更大的交互、并对反馈进行推理。

论文还有一个概念值得记住：感知链（perception chains）——已获取的证据引导后续的交互与推理，像剥洋葱一样层层推进。

各模态在识别不同物理属性时的分工大致如下：

看出门道了吗？没有一个模态是全能的。真正的智能不是融合更多信号，而是知道下一步该调哪个信号。 这正是主动感知和传统多模态融合的本质区别。

📈 从'喂录像带'到'做实验'：数据逻辑正在变

具身智能过去两年的主叙事是数据饥渴——视频数据、遥操作数据、仿真数据，怎么堆都不够。但 ROMA 这类工作揭示了另一条更隐蔽的数据逻辑：

被动数据有天花板，交互数据才是增量。

被动看一万遍水瓶，机器人也不知道里面装没装水；亲手摇一次，力觉和音频立刻给答案。同样的数据采集预算，'动手'获取的信息密度远高于'观看'。

这也是为什么 ROMI-2K 这种近 2000 个物体、带同步多模态反馈的数据集有产业价值——它采的不是'录像'，而是'实验记录'。机器人每做一次交互，就同时拿到了动作和四个模态的物理响应，天然配对、天然带标签。

时间线上看，具身智能的感知范式正在快速切换：

• 2023年以前 : 纯视觉主导，VLA 模型堆视频数据
• 2024年 : 多模态融合兴起，触觉与力觉传感器上车
• 2025-2026年 : 主动感知成型，从'整合输入'走向'推理缺什么'
• 下一步 : 感知链驱动长程任务，感知即决策的前置环节

行业里私下流传一句话：'今年比拼的不是谁的模型参数大，而是谁的机器人会问问题。'会向物理世界提问的机器人，才配得上'具身'这两个字。

🇨🇳 乐享以太的卡位：把解题范式从预测改写成求解

国内这边，乐享以太 的叙事同样值得拆解。其大模型的定位表述是：'从预测到求解，重塑 Physical AI 解题范式'，目标是'让中国具身智能坐上定义席'。

这两个词组的差别，恰恰是主动感知的另一种表达：

'预测'范式的隐含假设是：输入信息足够，模型拟合出下一个动作即可。这在演示数据覆盖的场景里成立，遇到没见过的物理情境就抓瞎。

'求解'范式则假设：信息天然不足，系统要主动决策去获取什么证据、执行什么交互、何时停止。这和 ROMA 的'推理—交互—反馈'闭环在骨架上是同构的。

有意思的是中美两条路线的分工差异。学术侧如 ROMA 在打系统框架和数据基建，产业侧如 乐享以太 在打范式定义和大模型底座。据业内观察，国内团队这几年最怕的是跟着海外定义走、慢半拍；而主动感知恰好是一个还没被完全锁死的赛道——硬件链路（触觉、力觉传感器国产化程度高）、场景数据（制造业场景密度全球领先）、模型框架三块都在窗口期内。

谁先定义'机器人如何认识世界'，谁就握住了 Physical AI 的话筒。

⚠️ 别高兴太早：主动感知落地还有三道坎

冷静说，主动感知从论文到产线，还隔着三道现实的墙。

第一道，交互成本。 主动感知意味着机器人要真的'动手'——每个动作都有时间成本、碰撞风险。在产线上，多摸三下可能就是节拍超时。如何让 LLM 学会'够了就停'（ROMA 论文里评估证据充分性的那一步），是性价比的关键。判断不足会反复试探拖慢效率，判断过头会带着错误结论往下走。

第二道，触觉与力觉的硬件基建。 视觉有成熟供应链和海量数据，触觉传感器到现在仍是碎片化市场：方案各异、标定复杂、寿命待验证。ROMA 需要同步采集四模态反馈，这意味着物理接口端的集成难度不是加法，是乘法。

第三道，数据集规模与泛化。 ROMI-2K 覆盖近 2000 个物体和 6 种原子交互，作为方法验证足够，作为通用能力还远远不够——真实世界的物体类别、交互组合是指数级的。感知链如何跨物体、跨任务泛化，还需要更大规模的交互数据基建。

但换个角度看，这三道坎恰恰是产业链机会：传感器的标定与集成、交互数据的采集与运营、证据充分性评估的模型中间件——每一条都是新位置。

写在最后

过去两年，具身智能比的是谁的模型更大、demo 更炫。接下来要比的是更朴素也更硬核的东西：机器人在信息不足时，知不知道自己缺什么、会不会主动去补、补到什么程度收手。

ROMA 把'感知'做成了闭环，乐享以太 把范式从'预测'推向'求解'，一个从学术侧、一个从产业侧，正在合流到同一件事上——让机器人从被动接收数据，变成主动认识世界。

这是具身智能从'演示'走向'作业'的分水岭。而这条感知链的起点，可能就是下一次产业洗牌的发令枪。