没有遥控器、没有剧本：乐享科技让机器人自己整了一场烧烤

9月16日下午，一场上海的户外直播开启了，场地上摆了烧烤桌，六位参与者分批入座，现场点单。这可不是一场普通烧烤局，从点单、备料、烤制、撒料到把烤好的东西端上桌，全部流程由机器人自主完成，没有提前排练过，更没有剧本。

可能有的朋友还不清楚这事儿的含金量。不管国内还是国外，叫得上名的具身智能公司，敢在开放环境里直播机器人干活的没几家，大部分场面还是机器人前面跑，拿遥控的技术人员在后边做“有氧运动”。

那么问题来了，谁家这么勇？当看到是乐享科技的时候，很多人反而释然了。他家的勇不是第一次了，大模型第一次公开亮相，就发了业内第一个10分钟无剪辑、持续自主工作DEMO，原生态呈现，纯玩真实。

回到这场直播，大家本来都是看机器人又玩什么花活儿去的。但外行看热闹，内行看门道，不少圈内人认为真正值得看的是机器人背后的“大脑”，也就是乐享科技的跨本体具身大模型以太大模型——一个不挑机器人物理身体、能看懂现实世界的超级大脑。

这场直播的看点在于，顾客持续随机捣乱，有人临时改需求，有人把东西挪到别处，还会有人打断它原本的节奏，机器人还能不能把整件事做完。

话不多说，看看以太大模型是如何在真实的世界里自主思考、自主决策的吧。

机器人开始自己想办法，不靠预设把流程写死

烧烤直播里那些看起来有点“活人感”的反应，背后不是工程师提前把所有意外都写进程序。

直播现场有两台机器人跨本体协作，一台守在烧烤台前负责烤制，另一台负责点单、临时任务处理，把烤好的成品端到顾客桌上。

整个过程里没有人在中间发指令，双机自主交流任务进度，从头到尾没有一个触发条件是写死的，两台机器人都在读现场：它感觉到顾客等久了、可能饿了，就主动去找烧烤机器人问进度；烧烤机器人则告诉它，哪几样可以先上桌。

两台机器人合作的难点之一，就是判断任务的进度。

一台机器人什么时候算把这批食材烤完了，另一台什么时候该过来接盘，中间没有人为它们对流程，基本就靠两台机器人自己对齐。拿早了，食材还没完成；拿晚了，烤好的东西又可能放凉。所以它们得围绕同一个订单，持续判断自己和对方当前做到哪一步。这对人来说，都不算基础工作了，更别说机器人了。

烤台前机器人的动作比想象中要细致。机器人抓起调料瓶，把调料精准撒到金针菇上，撒完顺手把食材翻个面，让两面都能受热。需要刷酱的时候，它握着刷子的手很稳，沿着食材表面一遍遍刷过去，不是把刷子按在上面乱蹭。

这些动作对机器人操作精细度的要求很高，金针菇细、软、容易压塌，刷子按重了食材就散了，按轻了酱抹不开，这个分寸得机器人自己找，力度和轨迹都要随现场情况调整。食材在火上放多久、什么时候翻、酱刷到什么程度，也都取决于前一步执行后的实际结果。

这些动作拆开看都不复杂，连起来却不是一套可以机械复刻的固定流程。

换句话说，机器人不是在照着一张“标准答案”往下演，而是在边做边判断。

当然，机器人自主操作的真直播嘛，不可能像是设定好的那样丝滑，机器人也有翻车的地方。机器人有次调料瓶没拿稳，第一次抓取没有成功，机器人停了一下，重新调整了姿态，第二次把瓶子拿起来，顺利完成撒料。整个过程里它没有停在原地等指令，也没有宕机不知所措。

这个不起眼的细节，却让这个机器人更有“活人感”。机器人在实验室里把一套动作跑通，和在真实场景里一直跑下去，难度完全不是一回事。现实里最麻烦的，恰恰不是“会不会做”，而是没做对之后还能不能接着做。

更麻烦的是现场的变数。光线在变，人和物品的位置在变，顾客的需求也会临时变化。对一台只依赖固定流程的机器人来说，任何一个变化都可能意味着原来的方案失效。但这场直播里，机器人并没有因为一次意外就直接卡死，而是在不断根据现场重新判断。

类似的能力，在乐享此前公开的首发Demo里已经展示过。那次是两台不同本体的机器人在收拾房间，没有遥控，全程无剪辑。够不到目标的时候，它自己去找工具。擦玻璃发现这一面擦不干净，就判断污渍来自另一面马上换到另一面擦。一台机器人碰到搞不定的活时，另一台会主动接手协助。

无论是烧烤还是收拾房间，乐享机器人身上最核心的能力都是一句话:不照着剧本机械执行，而是在现场自己拿主意。总结下来，就是自主理解、自主决策、自进化。

让机器人更像真人，关键是以太大模型这套架构

以太大模型是乐享的跨本体通用具身大模型，走的是一条和主流不太一样的路：它不用提前死记硬背流程，而是像人一样，眼看、脑想、手做，做了之后再根据手感和看到的结果，马上决定下一步。

不用把这套架构理解得太复杂。简单来说，机器人不会生成一个动作之后就一路执行到底。每做出一个动作，真实世界给出的结果都会重新参与下一步判断。

刚才抓瓶子没抓稳，后面的动作就要调整；东西被挪走了，就重新判断位置；原来的任务被打断，处理完新任务之后，还要知道自己刚才做到哪里。

这其实和人做事很像。我们不会提前把“伸手拿杯子”拆成几十个精确步骤，然后机械地执行到底。真正伸手时，而是会根据杯子的距离、重量、手上的反馈随时调整。情况不对，就换一种办法。

为了让机器人获得类似的能力， 以太大模型采用了一套“脑—脊髓贯通”的仿生架构：上层负责理解任务、记住当前进度、规划接下来该做什么；越接近身体的部分，越负责动作、平衡、力度和快速反应。身体执行以后产生的结果，又会重新反馈回来，影响下一次判断。

这种架构，会让机器人不再是被动执行，而是会主动去探索解决办法。例如，当信息不够，它就会自主地、主动地补全信息，再去决定下一步做什么。乐享把这种能力称为带有“感知意图”的主动感知。

如果每次调整都只在当下有用，下一次遇到类似问题还要从头来一遍，也算不上真正的学习。

所以以太大模型还有“自进化”这一层设计。新的经验并不会无差别地写进模型，而是要先判断这次经验是不是可靠、为什么会发生、有没有可能在别的任务里继续复用。真正值得留下的，不是“刚才我失败了”，而是为什么失败，以及下次还能不能用上这条经验。

可以把它理解成机器人也在给自己做“错题本”。这也是“自进化”和普通重试最直观的区别：训练结束，不意味着学习结束。

乐享官方公布了一组数字，以太大模型的训练量是200小时人类视频、0小时真机训练数据、4B参数，这意味着它完全放弃了以前那种“非得让机器在真实场地里死磕练上几万遍才学会”的老路子。

相比数字本身，更值得关注的是它背后的思路：乐享希望机器人不必把现实世界里的每一种情况都提前采一遍、练一遍，而是在部署之后仍然保留继续适应和学习的能力。

不同身体，同一个“大脑”

以太大模型另一个比较特别的地方是“跨本体”，也就是同一套模型能装进不同形态的机器人身体。这次直播里，负责烧烤和负责服务的是不同形态的机器人；此前的Demo中，同一套模型也已经运行在不同品牌的机器人本体上。

这件事难的地方，跨本体模型不像是手机软件下载到手机上那么简单。

不同机器人身高不同，手臂长度不同，关节能力也不同。同样一句“把那个东西拿过来”，高一点的机器人可能直接伸手就能够到，矮一点的机器人就要换一种方式。

所以真正的跨本体，不是让所有机器人做一模一样的动作，而是同一个任务换了一副身体之后，它仍然知道目标是什么，并根据自己的身体重新找办法。简单来说，跨本体需要学会“一个猴一个拴法”。

直播里的双机协作又往前走了一步：两台机器人不仅要清楚自己在干什么，还得知道另一台做到哪一步，再围绕同一个目标调整自己的行为。所以以太大模型想解决的不只是“一个模型能控制多少种机器人”，而是同一套智能进入不同身体以后，还能不能一起把一件事做完。

机器人智能的方向，正在从“会做”走向“自己想办法”

乐享的这场直播看起来是一次趣味性的机器人实验，但它也让机器人评价标准正在发生的变化变得更直观。

过去，大家都在比拼机器人会不会做。在实验室里，只要数据喂得足够多，流程写得足够死，机器人就能完美地跑完一套设定好的动作。但现实世界从来不是实验室，它没有写好的剧本。如果环境变了、计划乱了，哪怕只是桌子被挪动了一厘米，传统的机器人可能就会彻底罢工。

乐享想解决的，正是这个更接近真实世界的问题——当原来的计划行不通时，机器人能不能自己想办法。

处理不确定性才是现实世界最实在的需求，所以机器人必须要学会“像个人”，持续思考、解决问题，然后螺旋提升自己的能力。这也是这场直播比“机器人会烧烤”本身更值得讨论的地方。

过去很多Demo证明的是机器人在一个设计好的环境里能够做到什么；开放环境里的长时直播，则把失败、停顿和意外也一起暴露了出来。乐享敢把这些过程摆到镜头前，真正想证明的并不是机器人永远不会犯错。恰恰相反，乐享更想证明的是：机器人犯错以后，能不能自己把任务接回来。

对于乐享自身，这场直播和此前的首发Demo，都在验证同一套方案。乐享上一次验证的是跨本体协作，这次把场地从室内换到户外，把干扰从预设换成了真实的人。这两次测试都在说明，这套模型放进真实场景里照样能用，而不是只在实验室和演示视频里成立。

而乐享以太大模型带来的新方案，也让整个行业有了更大的想象空间。