大语言模型进入机器人之后，最容易实现的是“听懂一句话并给出回答”。但在家庭环境中，真正有价值的交互往往没有明确指令：老人忘记眼镜放在哪里，饮水机的水即将用完，孩子近期的作息发生变化……

机器人需要理解连续发生的生活，而不只是处理当前一轮对话。

领本AI自研EmoGPT自主交互世界模型，面向“一老一小”等家庭场景，构建从多模态感知、长期记忆、状态建模到主动决策、交互和行动的能力链。其目标是让机器人从被动响应指令，进一步具备持续理解环境、识别潜在需求并协同完成任务的能力。

1. 自主交互为什么需要“世界模型”

传统智能助手的典型链路是：

用户提问 → 模型生成回答

家庭机器人面对的链路更长：

连续观察 → 事件记录 → 状态更新 → 需求判断 → 交互确认 → 调用执行 → 结果验证

这里的“世界模型”并不只是生成未来视频或模拟物理环境。对于家庭自主交互，它还需要形成一个可持续更新的家庭状态表示：谁在家、物品在哪里、设备处于什么状态、近期发生过哪些事件、个人习惯是否发生变化，以及哪些事项仍待处理。

可以将EmoGPT的运行链路抽象为：

Oₜ → Eₜ → Mₜ/Sₜ → Dₜ → Aₜ → Fₜ → Sₜ₊₁

其中：

• Oₜ（Observation）：视频、语音、文本、传感器及设备状态；

• Eₜ（Event）：从连续数据中抽取出的结构化事件；

• Mₜ（Memory）：与人物、物品、时间和场景关联的长期记忆；

• Sₜ（State）：当前家庭状态及变化趋势；

• Dₜ（Decision）：是否介入、何时介入、向谁确认；

• Aₜ（Action）：对话、提醒、机器人操作或服务调用；

• Fₜ（Feedback）：用户反馈和任务执行结果；

• Sₜ₊₁：根据反馈更新后的家庭状态。

这条链路对应到用户可感知的服务，就是日常观察、情感陪伴、事件预警和行动协同。四类能力并非固定流水线，而是由模型根据事件动态组合。

2. EmoGPT能力链的七个关键环节

多模态感知：把画面转化为有效事件

摄像头能够拍到房间，不等于模型理解了房间里发生的事。

“桌面上出现一副眼镜”和“老人整理桌面时把眼镜放进抽屉”，是两个不同层级的信息。后者包含人物、动作、物体、目标位置和发生时间，可以作为后续检索与推理的事件依据。

事件化长期记忆：保留有用信息

家庭交互需要跨分钟、跨天甚至更长周期调用信息。直接保存和检索全部原始视频，不仅效率低，也会带来更大的隐私与存储压力。

长期记忆应将关键观察组织为带有时间、对象、位置、来源和置信度的事件。当第二天出现“眼镜盒为空”和“老人询问眼镜位置”时，模型检索的是眼镜最近一次可信观测，而不是只依赖当前画面猜测。

家庭状态建模：理解事件之间的关系

单个事件说明“发生了什么”，状态模型则需要回答“现在可能是什么情况”。

家庭状态至少涉及四类对象：

• 人物状态：活动、作息、需求和交互偏好；

• 物品状态：位置、使用轨迹和最后观测时间；

• 设备状态：水位、运行状态和耗材余量；

• 服务状态：任务是否确认、执行和完成。

主动决策：判断是否需要介入

主动交互不等于频繁打扰。模型需要判断事件的重要程度、信息置信度、用户当前状态、家庭授权范围和介入成本。

一次完整判断可能包括：

• 当前信息是否足够可靠；

• 问题是否会自行消失；

• 现在是否是合适的交互时机；

• 应该提示老人、通知子女还是保持观察；

• 执行动作前是否需要再次确认。

自主交互的重要要求是：该出现时出现，不该介入时保持安静。

自然交互：把判断转化为恰当沟通

对老人，交互应简洁、明确并避免制造焦虑；对孩子，需要区分陪伴、提醒与管控边界；对子女或照护人员，则应提供事实依据、风险等级和可选操作。

自然交互承担的任务不仅是回答问题，还包括澄清意图、请求授权、解释判断依据和获取执行反馈。

机器人与服务调用：从语言生成走向任务完成

EmoGPT可以将已经确认的需求转化为机器人或数字服务可以执行的任务。执行出口可包括机器人导航、视觉复核、物品抓取、家属消息、生活服务平台及人工照护服务。

模型负责理解场景和组织任务，机器人本体负责移动与操作，外部服务完成配送等现实环节。

结果回写：让行动成为下一次判断的依据

发出指令并不代表任务已经完成。

机器人取回眼镜后，需要确认老人是否接收；订水后，需要确认是否送达、是否换桶以及水位是否恢复。

执行结果重新写入家庭状态，形成“观察—判断—行动—验证—更新”的闭环。

3. EmoGPT与LLM、VLM和VLA的关系

LLM擅长语言理解、知识推理和表达；VLM把视觉内容与语言语义联系起来；VLA进一步将视觉和语言输入映射为机器人动作。

自主交互世界模型不是对这些模型的简单替代。它更关注连续时间中的状态与任务管理：如何保存长期事件、识别状态变化、决定是否介入、选择执行出口，并根据结果修正后续判断。

在实际系统中，可以由视觉模型负责场景识别，语言模型负责语义推理和交互，VLA或机器人控制模块负责具体动作。EmoGPT关注的是如何将这些能力组织成面向真实家庭的连续服务闭环。

4. 三个“一老一小”场景

找眼镜：跨日记忆驱动机器人行动

前一晚，老人整理桌面时将眼镜放入抽屉。第二天，老人准备看手机，发现眼镜盒为空。

EmoGPT结合当前需求，检索眼镜最后一次可信观测，判断其可能仍在抽屉，并向老人说明依据。获得确认后，机器人前往目标区域，打开抽屉进行视觉复核，取出眼镜并递交给老人，随后更新物品状态。

该场景验证的是跨日记忆一致性、位置推断、交互确认和机器人任务闭环。

饮水补给：在需求出现前完成服务准备

机器人日常巡检时发现饮水机水位进入低位。EmoGPT结合近期耗水变化、家庭换水周期和配送时间，判断现有余量可能不足以覆盖下一补给周期。

系统可以先向子女端推送补水建议；若家庭已设置品牌、规格、预算和配送时段等授权规则，也可以调用已接入的服务平台安排送水。换水完成后，机器人再次观察水位并回写结果。

这里需要区分饮水机耗水量和老人实际饮水量，不能仅凭水位推断个人饮水是否达标。

儿童作息与学习陪伴：帮助建立节奏

在家庭授权范围内，EmoGPT可以结合约定的学习计划、休息间隔及近期活动状态，识别孩子是否已经连续学习较长时间，或者是否多次偏离既定作息。

模型需要选择合适时机，通过机器人进行简短提醒或互动引导；如果孩子已经说明计划变化，系统应更新安排，避免机械重复。

涉及学习评价、情绪风险或家庭规则变更时，应由家长作出关键决定。

5. 自主交互模型应该如何评价

自主交互不能只看单轮问答准确率。更有意义的评价维度包括：

• 跨日记忆一致性：相同人物、物品和事件在不同时间检索时是否一致；

• 状态更新准确性：新观察出现后，旧状态能否被及时修正；

• 误介入率：用户不需要帮助时，模型主动打扰的比例；

• 漏介入率：存在明确需求或风险时，模型未响应的比例；

• 介入时机：提醒是过早、过晚，还是处于有效窗口；

• 闭环完成率：从判断到执行、验证和回写的任务完成比例；

• 权限遵循率：模型是否始终在预授权范围内行动；

• 人工接管有效性：低置信度或高风险事件能否及时交由人处理；

• 解释可追溯性：系统能否说明判断所依据的观察、记忆和规则。

这些指标比“能否回答问题”更接近家庭自主交互的真实要求。

结语

“一老一小”场景对智能系统提出了更高要求：既要主动，也要克制；既要记住长期变化，也要允许用户纠正；既要能调用机器人和外部服务，也要把关键决定留给人。

领本AI通过EmoGPT自主交互世界模型，探索的是一条从多模态感知到现实任务闭环的技术路径。其价值不止于让机器人更会说话，而在于让机器人理解持续发生的生活，在授权范围内发现需求、协同处理问题，并用执行结果不断更新对家庭的理解。