將思維鏈（CoT）引入具身世界，哪種路徑能真正打通機器人的“知行合一”？

本文作者：吳華秀

2025-06-26 15:20

導(dǎo)語：拋棄多模塊融合的拼湊范式，轉(zhuǎn)向一個端到端的統(tǒng)一架構(gòu)。

大模型處理復(fù)雜問題時，它越來越傾向于生成一個推理鏈條。這條鏈，把一個復(fù)雜問題，拆解成多個推理環(huán)節(jié)，一步步得出結(jié)論。

支撐這種推理能力的，是一種被反復(fù)驗證的技術(shù)路徑：思維鏈（Chain of Thought，簡稱 CoT）。這項技術(shù)并不新，本質(zhì)上是一種提示工程的升級版——通過引導(dǎo)模型“慢慢想”，強迫其展開清晰的推理流程。

早期的 CoT 停留在語言層面，即“思維可視化”；而在具身智能領(lǐng)域，它的角色正在發(fā)生變化——不再只要“想得清楚”，更要“做得明白”。也就是說，CoT 正從語言中的邏輯鏈條，演變成機器人行為背后的核心認知機制。

越來越多公司正在嘗試將 CoT 應(yīng)用到具身智能的架構(gòu)設(shè)計中。主流做法是基于分層結(jié)構(gòu)，借助預(yù)訓(xùn)練視覺語言模型（VLM）作為感知與推理的中樞，用自然語言能力“驅(qū)動”物理動作。

而一些更前沿的團隊，如自變量機器人，正試圖通過統(tǒng)一的“多模態(tài)到多模態(tài)”生成架構(gòu)，從根本上重構(gòu)這一過程：不僅讓機器人“看”和“想”，更讓它們以類似人類的整體性方式思考、計劃、行動——而非三者割裂。

這就像人類學(xué)習(xí)騎自行車：沒有人能單純靠分步驟的語言描述學(xué)會騎行。初學(xué)者往往需要調(diào)動全身肌肉一次次試錯，真正的掌握，則是身體在實踐中的形成的一整套連貫動作，將復(fù)雜的身體自由度收斂為腰腿間的協(xié)調(diào)發(fā)力。這種從感知到行動的整體性學(xué)習(xí)，恰恰是割裂的模態(tài)拼接的方式無法實現(xiàn)的。

這種探索背后的核心命題是：機器人的“認知”與“行為”，是否可以被徹底打通？

連接"思考"與"行動"的 CoT

“具身 CoT 的意義超越了單純的語言任務(wù)規(guī)劃，它是連接抽象思考與具體行動的絕對核心?！弊宰兞繖C器人 CTO 王昊告訴 AI 科技評論。

CoT，最初是一種語言模型在面對復(fù)雜問題時用于逐步推理的提示技巧，而當(dāng)它被引入具身智能領(lǐng)域時，它承擔(dān)的角色已遠不止于此——它正在成為大模型從感知世界、理解任務(wù)到執(zhí)行動作的核心橋梁。

簡單來說，傳統(tǒng)的語言模型思考（CoT）是在一個封閉的、符號化的世界里進行邏輯推演，而機器人的行動則發(fā)生在開放、動態(tài)、充滿不確定性的物理世界。兩者之間存在天然的巨大鴻溝，具體來看：

首先，具身 CoT 是一種融合推理，其每一步思考都必須融合視覺、空間與物理常識，確保了邏輯從一開始就與物理世界綁定；

其次，這種扎根現(xiàn)實的推理使其能夠進行“動態(tài) grounding（需要加中文解釋）”，將模糊指令實時分解為與環(huán)境持續(xù)交互的子任務(wù)鏈，讓思考過程本身就是一個感知-規(guī)劃-行動的循環(huán)；

最終，這必然導(dǎo)向因果驅(qū)動的行動，即機器人的每個動作都是由思維鏈上的具體推理步驟所直接生成，并且每步推理都會受到動作在環(huán)境中執(zhí)行帶來的影響。

釋義：“動態(tài) grounding” 指機器人將抽象符號、語言或概念與動態(tài)變化的現(xiàn)實世界感知信息（如視覺、觸覺等）實時關(guān)聯(lián)的過程，讓機器人能在環(huán)境變化中理解概念并調(diào)整行為，是實現(xiàn)智能交互的關(guān)鍵能力。

目前，包括英偉達、谷歌、自變量等公司正在探索將 CoT 引入具身任務(wù)中，用以提升多模態(tài)大語言模型（MLLM）在物理世界中的決策能力。技術(shù)路徑上，大致分為兩種方向：分層架構(gòu)與端到端模型。

以英偉達為例，其在 2025 年 GTC 大會后推出 Cosmos-Reason1 采用了分層架構(gòu)+CoT的方式。該系統(tǒng)基于模塊化的感知、推理、控制流程構(gòu)建了層次化物理本體，能夠生成顯式、可解釋的動作序列，具備良好的追溯性和驗證性。

一位業(yè)內(nèi)專家告訴 AI 科技評論，這種路徑“工程上更穩(wěn)健、調(diào)試更方便。”尤其是對于能被明確拆解的任務(wù)，比如疊衣服等，分層結(jié)構(gòu)非常管用。但他也指出，這一路徑存在天然的上限：“一旦任務(wù)場景變復(fù)雜，模塊之間的信息傳遞容易出問題，尤其是面對環(huán)境變化時，響應(yīng)往往滯后。”

AI 科技評論了解到，多數(shù)企業(yè)或研究團隊選擇分層結(jié)構(gòu)的原因之一在于工程可控性強。尤其是雙系統(tǒng)架構(gòu)在實驗中表現(xiàn)穩(wěn)定，從語言到視覺再到行動由中間信號傳遞，更容易實現(xiàn)閉環(huán)。但缺點也顯而易見，一旦要應(yīng)對復(fù)雜推理、解決隨機問題時，完成難度直線上升。

顯然，認知深度是更進一步的問題。另一位業(yè)內(nèi)人士指出，“真正的具身智能，不只是能看、能想、能說，更要知道自己在做什么，以及怎么做。”物理世界的高度復(fù)雜性和不確定性，要求具身智能必須解決兩個核心問題：

一是知道在做什么。例如，去倒一杯水，必須理解“水是液體，杯子傾斜才會倒出，而不是機械地把一個圓柱體傾斜到某個角度。
二是知道怎么做。例如，偏癱患者，即使有明確意圖，也無法準(zhǔn)確控制自身的動作及與外界的交互。

在王昊看來，這也是分層架構(gòu)的本質(zhì)問題之一。他指出，首先是“表征瓶頸”——信息在不同模塊之間頻繁傳遞，會發(fā)生壓縮與損失；其次是“難以涌現(xiàn)”——模塊之間的結(jié)構(gòu)割裂，讓模型很難自然學(xué)到跨模態(tài)的物理因果和直覺常識。

因此，自變量機器人選擇了另一條路線：端到端的具身 CoT。他們設(shè)計了一整套統(tǒng)一的多模態(tài)生成架構(gòu)，試圖在同一個神經(jīng)網(wǎng)絡(luò)中處理視覺、語言、觸覺和動作等不同模態(tài)的信息。

“我們的目的是消除人為劃分的模態(tài)邊界，把它們都看作一個‘高維信息流’。”王昊說。

這種統(tǒng)一架構(gòu)，主要在于信息流的融合：讓視覺、語言、動作等各種模態(tài)的信息在同一個空間里可以自由地流動。關(guān)鍵突破在于他們引入了一種“多任務(wù)多模態(tài)生成”的監(jiān)督機制。

王昊表示，他們要求模型在訓(xùn)練時必須學(xué)會任意模態(tài)之間的轉(zhuǎn)換，比如用語言生成圖像、用圖像預(yù)測下一步動作。“這種機制會驅(qū)動會強迫模型去學(xué)習(xí)模態(tài)之間深層的因果聯(lián)系?！?/p>

過去在單一模態(tài)生成上，其他公司已有所嘗試。谷歌 DeepMind 的 RT 系列已經(jīng)實現(xiàn)了語言到動作的直接映射；斯坦福大學(xué)團隊也在測試將 CoT 與物理環(huán)境仿真融合，以實現(xiàn)更自然的機器人操作規(guī)劃。

王昊解釋，為了讓機器人從“看懂”走向“會做”，統(tǒng)一的、多模態(tài)的思維鏈能夠驅(qū)使系統(tǒng)呈現(xiàn)出一種類似人類的“整體性認知”：在面對未知任務(wù)時，能夠在一個表示空間中同時完成視覺理解、語義推理、物理預(yù)測與動作規(guī)劃，不再依賴串行模塊處理。

自然涌現(xiàn)

與分層結(jié)構(gòu)通過模塊拆解任務(wù)不同，自變量機器人的統(tǒng)一架構(gòu)更關(guān)注模型內(nèi)部思維過程的自然涌現(xiàn)。

他們推出的具身智能模型，基于統(tǒng)一神經(jīng)網(wǎng)絡(luò)架構(gòu)，在執(zhí)行復(fù)雜任務(wù)時引入 CoT 機制，不再依賴人工拆分的感知、推理和控制流程，而是讓模型自主完成從感知到動作的完整閉環(huán)。

這種設(shè)計帶來的挑戰(zhàn)是顯而易見的：系統(tǒng)不僅要能“做”，還要能“想清楚再做”，甚至“邊想邊做邊說”。這意味著模型需要具備復(fù)雜推理能力、連續(xù)操作能力以及多模態(tài)表達能力，能夠?qū)⒁曈X、語言和動作有效對齊，并實時呈現(xiàn)思維鏈條。

在多個具身任務(wù)實驗中，自變量機器人的具身模型展示出了三類關(guān)鍵能力：

第一個是符號-空間推理能力。

符號-空間推理能力是指機器人不僅能理解符號的含義，比如文字、圖形等抽象信息，還能夠?qū)⑦@些符號與物理空間中的對象、位置和操作建立對應(yīng)關(guān)系，并在此基礎(chǔ)上做出合理推理與操作決策。

比如，當(dāng)機器人看到一幅手繪的“五角星”圖案時，它首先需要識別這個圖形所代表的含義，并聯(lián)想到對應(yīng)的字母拼寫，比如“S”“T”“A”“R”。接著，系統(tǒng)要理解這些字母在二維平面中的排列順序，進一步推理出一個有語義的英文單詞。