乐享以太大模型，让中国具身智能坐上定义席
从“预测”到“求解”：乐享以太大模型重塑 Physical AI 解题范式。
作者丨 幸丽娟
编辑丨 董子博
具身智能行业一直在等一个 ChatGPT 时刻。 但这个时刻，未必长得像 ChatGPT 。
决定这个时刻的，不是机器人会聊天，也不是机器人学会了几个动作，而是在不确定环境里，机器人能不能自主思考、判断和执行，在无序的事件中，持续完成任务。
过去两年，行业积累的几乎全是“能力上限”的展示：选好场景、选好时机、反复调试，再拍出一条完美的Demo。
上限可以“被编辑”出来展示。真实效果如何，却少有人敢公开测。
但机器人真正进入现实世界，考验的不只是最好时能做到什么，更是环境不断变化时，它还能不能把事情做下去。
9 月 16 日傍晚。上海闵行一家烧烤店门口，乐享科技让两台机器人摆起了烧烤摊。接下来近一个小时，它们要接单、烤串、上菜。
这场直播的规则， 测的正是 机器人在 这种真实环境里的应变能力 。
没有剪辑，没有遥控，没有预设脚本。
更绝的是，观众可以实时干预：随机出题，自由改造场地布局，随手改道具摆放位置，临时打断正在进行的任务并追加需求。现场 3 桌、6 名顾客的主线任务，就是“干扰”，看机器人能不能像人一样自己“圆场子”。
而就在不久前，这家公司刚刚站在了一场舆论风暴的中心。
故事线是这样的：
7 月，乐享上线以太大模型官网并公开完整技术路线；8月26日，一段机器人协作收拾房间的10分钟一镜到底 Demo，在具身圈传开。
9 月 3 日，OpenAI 上线 GPT-6 Astra 官网；三天后，首席科学家 Jakub Pachocki 发表万字长文《异星心智》。
9 月 10 日，乐享创始人郭人杰发文，三问 OpenAI：技术理念为何高度重合？概念表述为何如出一辙？官网设计为何似曾相识？他称对方“像素级搬运”“直接蒸馏”，并称法律团队已启动程序。
舆论随之分成两派。一派说这是硬实力，另一派说这是“蹭热度”、“demo造假”。
面对这些质疑声，乐享决定让 搭载 以太大 模型的机器人自己上场回应 。 于是，这场户外烧烤直播来了。
被推到台前的，还有一组更根本的追问：当计划被打破、条件被临时改写、任务被中途打断，机器人还能不能重新收敛到目标？ 如果能，又凭什么能？
乐享敢把场子开放出来，就是因为 以太大模型 的架构从一开始就不是为“把预设流程跑完”设计的 。 这一点，在近一个小时的直播里看得最清楚。
01
开放环境直播：
一次可被干扰的硬核测试
炉子支起来，名为“二爷”和“五弟”的两台机器人各就各位。一台点单送餐，一台负责守炉。
整条任务链是：接单、分析顾客需求、勘探场地、分拣食材和工具、烤制、动态翻面控温、成品整理、送餐归位。
为了证明现场没有遥操，创始人郭人杰把摄像机带进后厨，翻转镜头拍现场人员，又掀开背景幕布，展示那个唯一能藏人的小房间——里面各种食材厨具堆得到处都是，完全没有人遥操的空间。
他在开场直言直播的仓促：“我们周日才跟烧烤店老板聊好，花几万块钱租下这块场地。”
然后，机器人的五项核心能力在这场直播中，被反复测试： 主动感知。 服务机器人在完成点单、将需求传递给烧烤机器人后，会注意顾客的等餐时间，当感知到顾客等候较久，会主动上前询问出餐进度。
更细致的一个瞬间是：在没有人开口要求的情况下，它想到吃烧烤的顾客会需要纸巾，主动把纸巾送了过去。
多模态理解。 有顾客在点单时临时提出“少放辣”。这个需求首先以语言形式进入服务机器人，它需要理解这句话的语义，同时结合视觉信息确认顾客指的是哪一份订单，然后将新要求转身传递给负责烧烤的同伴。
烧烤机器人收到调味指令后，精准识别食物位置，均匀完成撒料操作。这背后是对物体尺寸、材质、位置及相互约束关系的多模态空间理解。
流式记忆。 一个小时的直播被打散来做：3 组顾客轮流点单、多轮上菜、临时打断穿插其中。服务机器人全程没丢掉手里的任务链，能把进度推进到收尾。
更直观的一幕是：服务机器人正在给顾客点单，突然被要求“拿瓶水”。它停下点单，先去递水，再接着把单点完。整个过程没有犹豫，也没有等下一条指令。
这件事看起来简单，但对机器人来说不是。打断一次，上下文就可能被覆盖，任务状态归零，它得重新知道“我刚才在做什么”“做到哪了”“为什么做到那一步”。对于其他依赖单步观测做决策的机器人而言，这几乎是不可能完成的任务。
动力学建模。 烧烤机器人自主为食材刷涂酱汁，这个过程非常考验空间感知和力度控制，因为模型需要理解物体的物理属性，结合动力学模型输出符合物理规律的动作。
另一个更能说明问题的瞬间是翻面：机器人第一次给食材翻面时没有翻好，食材掉落炉架。第二次调整了抓取和翻转姿势，成功了。
这背后，是动力学建模在实时求解：系统不是从记忆里检索一个“标准翻面动作”，而是在当前的重心偏移、摩擦系数和夹持条件下，重新解出了一组能让动作成立的力矩参数。
持续自 进化 。 烧烤机器人翻面第一次失败、第二次调整姿势成功的瞬间，同样是模型持续自我迭代能力的直接写照。这种并不完美的过程，恰恰能让人直观地看到模型是如何通过失败反馈，自主进化，最终顺利完成任务。
这五项能力，看似在测五个不同的维度，实际上指向模型从数字世界走向物理世界的真正门槛： 机器人能不能在约束不断变化的情况下，依旧能把事情做对。
过去，这个判断靠人写规则、靠数据拟合、靠预设流程。而这场直播验证了，模型在不同的约束条件下，靠自主智能就可以把“对的动作”解出来。
这两台机器人默契完成协作任务的画面，很容易让人想到八月底那段在具身圈刷屏的视频。 10分钟，一镜到底。狭小的空间里，两台不同品牌和型号的机器人，全程自主协作收拾房间。
视频里发生了这些事，值得反复琢磨—— 一台机器人用刮水器擦玻璃，有一处怎么都擦不干净。它重复几次后停下来，判断脏东西可能在玻璃外面，于是把刮水器伸出窗外；
接着，它收拾桌面，双手被占满时，另一台主动拿起桌上的围巾挂到它脖子上，发现围巾太长，还用双手把围巾捧起来，被帮助的机器人看懂了，弯下了腰......双方通过自主协同，完成了这次物品“迁徙”；
随后，较矮的机器人要把围巾放进柜子上方隔层，可它只有 1.3 米，够不到。它找到旁边的箱子推到地上，想弯腰搬起来垫脚，却发现自己弯不下腰，于是它选择用脚踢过去；
箱子踢歪了，机器人又开始琢磨怎么把箱子回正，这时候，身高 1.7 米的另一台机器人走了过来：它似乎看出了同伴的困境，放下了手上的活，主动帮忙把围巾放到目标位置。
中途闹钟响了，两台机器人转去处理桌面和冰箱收纳任务，做完再回来接着做没做完的事，进度没被清零。
一个在室内，一个在户外；一个做家务，一个要烤串上菜。展示的却是同一件事：以太大模型可以让机器人自主思考，自主决策，并在试错中完成自我进化，以及实现跨本体协作。
这背后，还有一个更深层的追问： 它凭什么做到？
要回答这一点，得先看市面上现有的具身智能主流方案为什么做不到。
02
VLA 和 WAM ，绕不开“预测”这道坎
当前具身智能有两条主流路线：VLA 和 WAM。
2026年4月，英伟达研究科学家Jim Fan在红杉AI Ascent大会上宣告：VLA 已死，WAM 当立。这番论断将两条路线的争论推到了台前。
但无论是哪条路线，两者的底层逻辑却是同一件事：预测。
▎ VLA 预测动作分布
从 RT-1、RT-2 到 OpenVLA，再到 Π0 系列，VLA 的思路是：把图像和语言指令编码进一个多模态主干，直接解码出动作序列。
数学上，它学的是一个条件动作分布 p(a|o,l)。给定当前观测 o 和语言指令 l，输出动作 a。
这条路的好处很直接：快。链路短，延迟低，能接高频控制；语言模型的语义能力可以直接复用，机器人“听得懂”开放词汇的指令。
但随着模型走向更加开放的真实环境，一些结构性缺陷也开始暴露。
第一个缺陷，是 语言被架空 。 ICML 2026上的一篇论文（LangForce）给这个缺陷起了一个学术名字：信息坍缩。在目标驱动的数据采集范式下，语言指令往往仅凭视觉观察就能高度预测——看到柜子就对应“开柜子”，看到瓶子就对应“拿瓶子”。指令与动作之间的条件互信息趋近于零，模型实际上忽略了语言，退化成了一个纯粹的视觉策略。
在 RoboCasa 基准上，一个完全忽略语言指令的纯视觉模型，成功率与接收完整语言指令的模型几乎相同。 这意味着，VLA 学到的不是“理解指令然后行动”，而是在特定视觉场景下匹配特定动作。它把“听懂”和“看见”悄悄合并成了同一件事。而合并的代价是：分布外的新场景、新任务，泛化会显著下滑。
第二个缺陷，是 它跳过了对环境的动力学建模 。 它不预测动作执行后世界会怎么变，只学“这个场景对应什么动作”。所以它没法回答“我把手伸出去会不会撞到窗框”这类问题，因为它压根没在算这件事。
▎ WAM 预测未来世界状态与动作
WAM 就是为了补 VLA 的第二个缺陷来的。它采用“先预演、后动作”的推演式架构：先预测动作执行后世界状态会如何变化，再反推最优控制指令。
数学上，它学的是一个 未来状态与动作的 联合分布 p_θ(s_{t+1:t+H}, a_{t:t+H-1} | o_{≤t}, a_{
这条路补上了 VLA 缺失的物理预测。它学的是“物体被推、被抓、被丢弃时会怎样移动”，这种物理知识比语义知识更通用。
但 它依旧没有解决信息坍缩问题。 WAM 的视频预测同样绑在具体本体的相机视角上，语言指令在其中的权重依然很低。它补了物理，没补语义。
而且代价很大。基于视频扩散 Transformer 的 WAM，推理时要逐帧预演未来状态。NVIDIA 的 DreamZero 训练一次要 8 张 H100 跑 25 天。而且长程预测的误差会逐步累积，最终误导决策。
VLA 快，但语言被架空、不做动力学；WAM 补了物理，但代价高、语义弱。两者都在用“预测”驱动决策——一个预测动作，一个预测世界状态。
而真实世界的变体是无穷的 。光照角度、物体摆放、地面摩擦、人的随机干预，这些变量的组合空间不可能被穷举。预测范式的天花板就压在这里：分布外，没有高概率样本可取。
也就是说，预测范式依赖的是训练数据里见过的情形。 分布外没有数据，模型就没有可参照的概率分布，决策也就失去了依据，预测出“下一个对的动作”更是无从谈起。
那还有别的解法吗？
乐享没有执着于在“预测”这道题上找最佳答案，而是直接换一个题：
不预测“下一个最可能的动作”，求解 的是 “ 约束条件下，什么状态会更接近目 标 ”。
03
以太大模型：从“预测”到“求解”
作为机器人的大脑，以太大模型的核心机制是 Energy-Driven（能量驱动），底层由神经元分配来支撑。
两者各回答一个问题：用什么来判断一个状态是不是“对的状态”，以及这个判断在哪里被计算出来。
▎ 能量驱动：用什么来判断“对的状态”
“能量”这个词容易让人联想到物理能量，但它在以太大模型里是一个数学对象：任务完成度、物理约束、记忆状态和动作可行性，被整合进一个统一的能量函数。
每个项都是一个数字，描述当前状态在某个维度上“有多好”或“有多差”。加起来，得到一个总分。 总分越低，状态越好。
机器人的决策过程， 就是在这个能量地形上找低点。哪个行动能让总分降得更多，就执行哪个 。
对比来看， VLA 和 WAM 的底层都是概率对象，都受同一个数学性质的约束： 分布是归一化的，所有可能结果的概率加起来必须等于 1。
这就带来一个限制： 两个分布无法直接加在一起，得到一个新的合法分布 。 “把杯子拿起来”是一个分布，“不要碰到旁边的碗”是另一个分布。把这两个分布相加，在数学上无法构成一个新的合法分布，更不可能自动获得“拿起杯子同时不碰碗”的语义。
从机制上看，这就是 VLA 和 WAM 在“多任务”上吃力的根本原因。每多一个约束，要么往训练集里加数据，要么加一个适配模块。约束进的是训练集，不是目标函数。
而 能量是标量，标量天然支持复合：任务目标是一个能量项，物理约束是另一个能量项 。加起来，就得到一个新的目标函数。不需要重新训练，不需要为每个任务单独微调。
这是能量驱动和预测范式最根本的分野： 预测范式把约束塞进数据，能量范式把约束写进目标。
决策方式也跟着变了。拟合分布的模型本质上在做条件检索：给定当前观测，从训练分布里找出概率最高的动作——这也是它在分布外会塌掉的原因，分布外没有高概率样本可取。
而能量最小化是一个优化过程： 它在当下的具体环境里当场找一个低能量解，而且求解自带剪枝，能量高的候选会被迅速淘汰，不必把成千上万条路径都推演完 。
回到出租屋里擦玻璃那个瞬间。VLA 如果没见过“玻璃外侧有污渍”，不会主动把手伸出窗外，因为“伸出窗外”从未与“擦玻璃”配对过。
但在能量框架下，“擦玻璃”的目标是把玻璃表面的状态从“脏”推向“干净”，物理约束包括“污渍可能在任一侧”，内侧达不到目标，系统自然搜索到外侧。
搬箱子那个瞬间更清楚。机器人要把围巾放进上方的柜子，够不到，它就找到箱子，想搬起来垫脚，但发现自己弯不下腰。试了几次之后，它一脚把箱子踢到了柜子边。
这“一脚”不是被检索出来的。如果训练数据里没有“用脚踢箱子到柜子边”这个动作，VLA 和 WAM 都不会主动做这件事。
但在能量框架下，“目标物不可达”是一个能量项，“箱子可以承重”是一个物理约束，“弯不下腰”是一个本体约束，“脚可以推动箱子”是另一个物理约束。系统在当下环境里，用这些约束解出了一条可行路径。
它判断下一步行动的方式，不是从记忆里翻答案，是当场“解题”：在约束不断变化的当下，重新解出什么才是对的状态。
▎ 神经元分配：“对的状态”在哪里被算出来
能量驱动定义了“用什么来判断一个状态是不是‘对的状态’”，但还有一个工程问题没解决：这个判断需要在每一步决策中实时计算。如果每一次评估都要激活整个 4B 模型，算力根本撑不住实时闭环。
以太大模型的解法是神经元分配。它按需调度计算资源，不让整个模型始终处于活跃状态。