摘要

提到具身养老，很多人首先想到的是机器人送药、巡检、递水和陪老人聊天。但养老场景真正缺少的，不只是一个能够移动和执行任务的机器人，而是一套能够持续理解老人状态、保留长期记忆、识别异常变化并连接家属与服务人员的智能系统。

机器人解决的是“如何行动”，情感大模型解决的是“为什么行动、何时行动、以什么方式行动”。

领本AI正在研发的EmoGPT情感智能平台，尝试成为养老机器人与真实养老服务之间的“状态理解层”：通过语音、文本、表情、行为和长期交互信息，帮助智能终端从执行固定指令，走向对老人状态的连续理解。

一、养老机器人正在从概念展示进入场景验证

国家统计局发布的2025年全国1%人口抽样调查数据显示，我国60岁及以上人口达到32122万人，占总人口的22.86%；65岁及以上人口达到22309万人，占15.87%。

养老需求正在从单一的生活照料，转向安全看护、健康促进、情感陪伴、社会连接和家庭协同等多层次需求。

2025年，工业和信息化部、民政部启动智能养老服务机器人结对攻关与场景应用试点，试点期为2025至2027年，覆盖居家、社区和养老机构三类场景，重点关注失能失智照护、情感陪护、健康促进、智慧环境和日常生活辅助。

这意味着，养老机器人已经不能只在展会上展示行走、抓取和对话，而需要进入真实环境，持续验证安全性、可靠性、易用性和服务价值。

但机器人进入养老场景后，很快会遇到一个问题：它能够看到老人、听到老人，也能够执行任务，却未必真正理解老人发生了什么变化。

二、具身养老缺少的，是“状态理解层”

假设一位老人对机器人说：

“我今天不想出门，也不想吃饭。”

普通语音助手可能会回答：

“要注意休息，保持良好心情。”

这句话听起来没有错误，但对养老服务而言几乎没有产生有效信息。

系统真正需要判断的是：

• 老人只是今天身体疲惫，还是连续多日减少活动？

• 语速、音量和互动频率是否出现明显变化？

• 今天没有吃饭，是忘记、没有胃口，还是行动不便？

• 是否需要继续陪伴、提醒家属，或者联系社区服务人员？

• 这次状态应该被短期记录，还是进入长期趋势分析？

这些问题不能只靠一次文本生成完成。

具身养老需要在机器人本体与养老服务之间增加一层“状态理解系统”，把分散的语音、表情、行为、设备和环境数据，转化为可以被服务系统使用的状态信息。

这正是EmoGPT在养老场景中的定位。

三、领本EmoGPT在具身养老中的技术位置

一个相对完整的具身养老系统，可以分为五个层级。

1. 终端与传感层

这一层负责接触真实世界，设备可以包括：

• 家庭陪伴机器人

• 社区巡检机器人或机器狗

• 智能音箱及带屏终端

• 摄像头、麦克风和毫米波雷达

• 门磁、烟雾、燃气和跌倒检测设备

• 智能手环及其他经过授权的健康设备

这一层回答的是：环境中发生了什么。

2. 多模态感知层

系统对采集到的信息进行基础处理，包括：

• 语音识别与说话人区分

• 文本语义分析

• 音量、语速、停顿等声学特征分析

• 表情及交互行为变化识别

• 活动频率和生活节奏变化分析

• 环境事件及设备状态识别

单一信号很容易误判。老人没有说话，可能是情绪低落，也可能只是在午睡。因此，多模态感知的价值不是采集更多数据，而是通过不同信号相互验证。

3. EmoGPT状态理解层

这是领本AI重点建设的部分。

EmoGPT不是简单给机器人增加一个聊天接口，而是尝试把多模态信息组织成连续的用户状态，包括：

• 当前状态判断

• 状态变化趋势

• 事件与情绪之间的关联

• 瞬时、情景和长期记忆

• 用户习惯及交互偏好

• 异常变化的置信度

• 不同级别的响应建议

在概念架构上，一次交互形成的状态对象可以表示为：

{
  "user_id": "anonymous_user",
  "current_signals": {
    "speech_rate": "slower_than_baseline",
    "interaction_frequency": "decreased",
    "meal_response": "negative"
  },
  "state_assessment": {
    "status": "possible_low_engagement",
    "confidence": 0.72
  },
  "memory_reference": [
    "recent_activity_change",
    "previous_meal_reminder"
  ],
  "recommended_action": {
    "level": "gentle_follow_up",
    "human_notification": false
  }
}

这只是用于解释技术逻辑的概念结构，并非领本对外公布的正式接口。

它体现的关键变化是：模型输出的不再只有一段对话，还包括状态、依据、置信度、记忆引用和行动等级。

4. 服务编排层

状态理解完成后，系统需要调用不同服务：

• 陪伴式对话

• 用药、饮水和作息提醒

• 家属消息通知

• 社区助老服务派单

• 养老机构护理人员任务提醒

• 紧急呼叫及人工复核

• 老人状态日报、周报和趋势摘要

这一步决定系统能否从“会聊天”走向“能服务”。

5. 家属与专业人员层

具身养老的终点不是让机器人替代人，而是让机器人帮助人更早看到变化。

家属可以获得经过筛选的状态摘要，社区人员可以接收服务任务，护理人员可以查看连续趋势。模型负责感知、整理和辅助判断，重要决定仍然由人完成。

四、EmoGPT可以落在哪些养老终端？

居家陪伴机器人

居家机器人可以承担日常交流、作息提醒、远程呼叫和家庭信息连接。

接入EmoGPT后，机器人不再每次都从零开始对话，而是能够在获得授权的前提下，记住老人的称呼、生活习惯、近期事件和交互偏好。

例如，老人连续几天拒绝下楼，系统不应立即得出负面结论，而应结合天气、身体情况、过往活动规律和对话信息，判断是否需要进一步询问或向家属提供温和提示。

社区巡检机器人或机器狗

社区巡检终端的优势是移动能力和环境覆盖，可以用于公共区域巡查、异常事件发现、广播提醒和服务连接。

EmoGPT可以为这类终端增加更自然的人机沟通能力。例如，机器人遇到长时间独坐的老人时，可以先进行礼貌询问，根据回应状态决定继续交流、提供路线帮助，还是联系社区工作人员。

这里的重点不是让机器狗变成“陪聊设备”，而是让巡检终端具备基本的状态理解和服务分流能力。

养老机构服务终端

养老机构的核心难题之一，是护理人员难以持续关注每位老人的细微变化。

机器人和固定终端可以辅助完成日常交互记录、活动提醒和状态摘要。EmoGPT则负责把分散交互整理成趋势信息，帮助护理人员发现“最近比平时更少交流”“连续拒绝参加活动”等变化。

它不能替代专业评估，但可以降低信息遗漏的概率。

五、领本为什么选择“情感智能+具身养老”？

养老场景对大模型提出的要求，与普通聊天产品不同。

它不只要求语言自然，还要求模型能够处理长期关系、多模态信息、状态变化和高敏感数据。更重要的是，系统必须知道什么时候可以回应，什么时候需要保持克制，什么时候必须把问题交给家属或专业人员。

领本AI的科研积累与这一方向具有较强对应关系。

上海交通大学计算机学院官方资料显示，孙锬锋教授长期从事智能情感认知、多模态大模型安全攻防、AIGC媒体生成与检测等研究，其相关科研成果已在上海领本智能科技公司等单位得到应用。

在此基础上，领本将EmoGPT定位为面向智能终端的情感智能平台，重点不在于创造一个“虚拟亲人”，而是建设以下能力：

• 识别多模态状态信号

• 建立连续而可管理的记忆

• 形成用户状态摘要

• 根据状态调整交互策略

• 发现异常变化并提供分级提示

• 为不同机器人和智能硬件提供统一接口

• 在隐私、安全和人工介入边界内运行

因此，机器人可以更换，终端形态也可以变化，但EmoGPT所承担的状态理解、记忆和交互策略能力可以作为底层平台复用。

这也是领本在具身养老中的核心价值：不是再制造一种机器人，而是为不同养老机器人补上“理解人”的能力。

六、具身养老必须守住的四条边界

第一，不把情绪识别写成心理诊断

模型可以识别状态变化、提供基础安抚和风险提示，但不能仅凭语音、表情或几次对话作出医学或心理诊断。

第二，不把陪伴设计成人际关系替代

机器可以补充陪伴，但不应通过话术诱导老人形成依赖。产品目标应当是连接家属、社区和服务人员，而不是让老人远离真实关系。

第三，不让数据无边界回流

养老场景涉及语音、影像、作息、健康和家庭关系等敏感信息。数据采集应遵循知情授权、必要性和最小化原则，并支持查询、删除和权限管理。

第四，不让模型独立处理高风险事件

跌倒、失联、身体异常和极端情绪等事件，必须进入人工复核或紧急响应流程。模型可以提供线索，不能成为唯一决策者。

结语

具身养老不是“机器人+大模型”这么简单。

机器人本体解决移动、感知和执行问题，养老服务系统解决人员与资源协同问题，中间还需要一套能够持续理解老人状态的智能层。

领本EmoGPT所选择的位置，正处于这条链路的中间：向下连接机器人、传感器和家庭设备，向上连接家属、社区、养老机构与服务平台。

未来真正能够进入家庭的养老机器人，未必是动作最炫、外形最像人的机器人，而更可能是那些能够长期稳定运行、理解状态变化、尊重老人、保护隐私，并在需要时把服务准确交给人的智能终端。

具身让AI进入现实空间，情感与状态理解则决定它能否真正进入人的生活。

参考资料

1. 国家统计局：2025年全国1%人口抽样调查主要数据公报

2. 工业和信息化部、民政部：智能养老服务机器人结对攻关与场景应用试点

3. 上海交通大学计算机学院：孙锬锋教授个人主页

说明：本文对EmoGPT技术架构的描述用于说明领本AI在具身养老中的产品定位，其中概念数据结构不代表已经公开的正式API；具体功能以领本AI实际发布和交付版本为准。