今年具身智能的技术叙事，几乎全部压在同一层：VLA、端到端、抓取成功率、轨迹泛化。视觉模型看得准不准，动作模型抓得稳不稳，论文和demo都在回答一个问题——单台机器人"自己"够不够聪明。

但有一个问题被系统性地忽略了：一台机器人足够聪明之后，它怎么和另一台机器人、和企业里跑了十年的排班系统、和后台那群数字Agent一起干活？

2026年8月20日世界机器人大会主论坛上，明略科技创始人吴明辉抛出了一个跟主流叙事方向不同的判断：机器人下半场需要两个大脑，一个是单体推理大脑，负责感知和动作；另一个是组织大脑，负责协作和调度。第一个大脑很多团队在做，第二个大脑，谈的人不多。

这篇想把第二个大脑单独拎出来讲：它的技术定义是什么、为什么VLA scale up解决不了这层问题、这套判断背后的框架从哪来、以及现阶段能落地到什么程度。

单体VLA解决不了任务分派：感知控制和编排是两类完全不同的问题

先把分工说清楚。

第一个大脑是个体智能。技术上是VLM+VLA这条链路：摄像头画面进，关节角度和末端执行器动作出。它解决的是"单台机器人怎么把一个动作做对"——识别桌上的杯子、规划一次抓取、控制力度不把杯子捏碎。OpenVLA、π0、VLA-JEPA，这些工作都在往这个方向使劲。

第二个大脑是组织智能。它不关心某个动作准不准，它关心的是多个执行者之间怎么分工：仓库里分拣机器人、搬运机器人、盘点系统谁先动谁后动，出了异常转给谁，新订单怎么插进现有作业队列。这些问题不发生在某个模型内部，发生在模型和模型之间、机器人和企业既有IT系统之间。

为什么说这层靠"把VLA做得更大"补不上？原因不在参数量，在于问题的输入输出结构根本不一样。

感知控制有明确的输入输出对：画面进去，动作出来，可以端到端训练，数据闭环在物理世界里就能转。组织协调的输入端连着企业的排班系统、库存系统、工单系统，接口格式千差万别，不属于任何一个训练集能穷举的范围；更关键的是这些系统天然带着企业自己的业务规则——谁优先级高、什么情况要人工介入，这些规则随实际运营不断调整，不是一次训练能固化下来的。

数字Agent领域这几年其实已经替具身世界踩过这个坑。早期大家也试过用一个足够强的通用模型覆盖所有业务逻辑，后来发现把业务规则用结构化方式显式表达出来，再让模型在这套结构里做决策，比让模型隐式学会所有规则要稳定得多，可调试性也好得多。具身世界大概率会重走这条路，只是现在大部分团队还在死磕第一个大脑。

一个已经在发生的例子：洗碗机器人卖给餐厅，硬件到位了，VLA模型到位了，餐厅没减人也没提效。原因不是机器人洗不干净碗，是没人告诉它什么时候该洗、碗从哪拿、洗完放哪、后厨有人挡路的时候该等还是该绕——这些都是编排问题，不是感知问题。单个VLA模型练得再强也回答不了"这个任务该派给哪台机器人"，因为这从来不是感知问题，是调度问题。

HAO框架：八年前就为"人机协作"搭好了骨架，现在外延第一次扩展到物理设备

"组织智能"不是这次WRC现场造的概念。

早在2018年，HAO的框架就被提出来了：H是Human（人），A是AI，O是Organization（组织）。核心设想是：人、Agent、机器人接入同一张协作网络，靠分工产生组织级生产力，不指望某一个体把所有能力都长在自己身上。

关键在那个"A"。八年前提出HAO的时候，物理机器人这条线还远没成熟，"A"主要指数字世界的软件Agent，落地场景是人和数字Agent协作做流程自动化。这几年VLA快速成熟，机器人第一次具备了基本的感知和动作能力，HAO框架里的"A"才真正把外延扩展到了物理设备。

这也是为什么"两个大脑"这个判断不是拍脑袋的类比，而是HAO框架在具身场景的自然延伸：HAO里的"O"（组织层）在数字世界已经被验证过一遍，现在要回答的问题是——这套编排逻辑能不能原样延伸到物理世界，把机器人作为一种新的执行者角色接进来。

明略在数字世界做Octo，本质上是在把HAO的数字半跑通：多个数字Agent怎么分工、怎么共享上下文、怎么把每次执行的反馈沉淀成可复用的经验。WRC上和海康机器人的联合探索，验证的就是这套编排能力往物理世界走的第一步。软件与模型归明略，硬件本体归海康，现在的阶段是联合探索，不是已经有了成熟方案。

CoALA四层记忆搬到机器人身上：能对上两层半，剩下的两层要重新长

组织大脑要跑起来，记忆架构是绕不开的一环。

数字Agent领域这两年有个被广泛引用的记忆框架叫CoALA，把Agent记忆拆成四层：工作记忆、情景记忆、语义记忆、程序性记忆。

把这套框架直接往机器人身上套，能对上和对不上的地方都很清楚：

程序性记忆对应机器人的技能库，VLA本身就是技能的一种编码方式，现成的，不用新做。

语义记忆对应机器人的概念知识——"垃圾"和"可回收物"是两个分类，"玻璃杯摔了会碎"是物理常识，和数字Agent的知识表示是同一类问题，理论上可以共用一套表示层。

工作记忆对应当前任务的临时状态，两边都需要，结构上大体能对上。

真正对不上的，是情景记忆往下要拆出两个新东西，数字Agent的记忆框架里原本根本不存在。

第一个是空间记忆。数字Agent的情景记忆记的是"发生过什么"——哪个API调了、哪步操作失败了。机器人还要多记一层"发生在哪个位置"：桌子在哪、门在哪、上次抓取失败是手臂角度问题还是光线问题、充电座在走廊的哪一端。这些空间坐标和物理状态的编码方式，跟文本/结构化日志完全不是一回事。

第二个是时序任务轨迹记忆。一个多步物理任务，每一步跟上一步之间有严格的时空依赖：你得先拉开抽屉才能拿里面的东西，杯子得先放到桌子边缘才好抓。数字Agent一步做错大不了重试回滚，机械臂一步做错可能已经把东西碰倒了，物理世界没有undo。这要求记忆系统不仅要记录"做了什么"，还要记录"在什么物理状态下做的、做完之后世界变成什么样了"。

还有一个更隐蔽的问题："本体"这个词在数字世界和具身世界指的根本不是一回事。

数字世界说的本体（Ontology），是概念和关系的抽象结构——Palantir Foundry里那套objects/links语义层、知识图谱里的schema都属于这一类。机器人工程师说的本体，指的是物理结构本身：一个关节、一段连杆、一个执行器的运动学参数。两边用同一个词，说着完全不同的东西。要让机器人真正听懂人和数字Agent在说什么，这两种"本体"最终要打通到同一套语义层——这件事现在还没有成熟方案，也是组织大脑往具身延伸必须解决的基础问题之一。

L1到L5：具身智能的组织层会有一条跟数字Agent同构的演化路径，但答案还没写完

数字Agent的组织层演化大致经历了五级：L1 token ready（模型能对话）→ L2 工作在线（能接API执行任务）→ L3 共享结构化记忆（多个Agent能读写同一个上下文）→ L4 加杠杆（经验沉淀复用，不用每次从头教）→ L5 水涨船高（组织级智能随使用持续提升）。具身世界大概率会走一条同构的路：先让机器人能可靠执行单个指令（L1-L2），再解决多机器人共享空间记忆和任务状态（L3），然后把维修经验、故障处理流程沉淀成可复用的技能库（L4），最终走向整个物理作业系统的持续优化（L5）。

但具体到每一级怎么实现——空间记忆用什么编码、物理任务的回滚机制怎么设计、异构机器人之间的任务描述用什么协议——这些问题现在都还在探索阶段，没有标准答案。

写这篇的目的不是宣布一个已经解决的问题，而是把这个判断和它背后的技术逻辑摆出来，给同样在做这件事的人一个可以检验、可以反驳、可以继续讨论的起点。

数字世界的多Agent编排这几年踩过的坑——上下文窗口不够用、Agent之间消息协议不统一、业务规则硬编码难维护、经验无法有效沉淀——具身世界大概率都会再踩一遍，只是踩坑的成本从"API调用失败"变成了"机械臂撞坏东西"。提前把这些坑在数字世界踩一遍，把编排框架和记忆架构的工程经验攒下来，再往物理世界延伸的时候至少不用从零开始。

Octo目前在GitHub开源，核心是多Agent编排、上下文共享和经验沉淀这套组织层能力。如果你在做多机器人协作、具身记忆架构、或者数字/物理混合编排方向的工作，代码和Issue都在：

https://github.com/Mininglamp-OSS