机器人「读懂了你的意图」？我们拆开看了一眼，里面是 13 个方向码

作者：龍德明宇

[负主体性之具身大脑存在论 · 一]

本文基于论文：Atomic Motion Coordinate for Language-Steerable and Force-Responsive Manipulation（arXiv:2609.15012，原子运动坐标，下文简称 AMC），云深处科技联合清华、浙大、上海人工智能实验室等，2026 年 9 月提交。另引同系列两篇：四足导航（arXiv:2610.18373，DR-VLA）与策略优化（arXiv:2610.16618，DR-APO）。系列六篇均为未经同行评审的 arXiv 预印本，且出自同一家厂商，本文把它们当解剖对象，不是背书。文中全部数字出自论文原文。

机器人不需要「想要」那只梨，它只需要把「去抓梨」翻译成十三个方向里的几个。

云深处科技今年秋天连发一批「具身大脑」论文，通稿里最显眼的一句是：让机器人适配真实场景，读懂用户意图。这句话值得拆开看。「读懂」可以是查证得出来的工程事实，也可以是想象出来的心理共鸣。厂商用词我们可以不较真，但工程上发生的究竟是哪一种，是能查证的。这六篇里恰好有一篇把「意图」处理得最透明，透明到能一个一个数出来，答案是 13 个。

先把立场摆正：这批论文是厂商自己写的。宣传语说的是愿景，论文写下的必须是机制，所以解剖材料比任何转述都可靠。本文只做一件事，把机制翻译回人话，看看「读懂」两个字到底落在哪里。

一、一场专考「假装听话」的测试

怎么知道机器人是听了你的话才动，还是只要看见梨就伸手？标准考法叫反事实测试：把场景、画面、初始状态全部冻结，只把指令方向换成相反的，看预测的动作会不会跟着翻转。指令从「往左」换成「往右」，它若照样往左动，语言就没起作用。它不是听你说话，是在做「看见这种场景通常做的事」。

这不是新发明，是科学方法的老朋友。医学的随机对照试验就是这个思想：病人随机分两组，一组吃药一组不吃，差多少，差值才算药的功劳。AMC 把它搬进机器人评测：指令不同，动作差多少，差值才算语言的功劳。

考卷很严。让模型看画面预测未来 50 步动作，约相当于 1.7 秒；末端位移不足 10 毫米且姿态变化不足 2 度，不算真动。结果是一组严格对比：AMC 在单方向指令下 92.5% 跟着翻转，两个方向组合下 83.1%。对照组差得远：语言条件训练的 LA4VLA 只有 39.1% 和 24.0%；动作分布引导的 RSS 单方向做到 60.7%（全部基线最好），组合就掉到 22.5%；微调过的强基线 π0.5 只有 18.1% 和 8.1%。

π0.5 那组数字值得多看一会儿。它专门微调过、也分得清左右，输在别处：视觉太强，语言太弱。模型看见桌上的梨和机械臂的姿态，内部已生成一套「这种场景通常配这套动作」的剧本，指令只是在给剧本配音。你换了词，它不换戏。

这种失衡有来历。模仿学习的训练数据通常是遥操作录的，人操作机器人完成任务，配一句指令当说明。数据里「场景到动作」被反复强化，「指令到动作」却弱得多。模型学到的最强规律自然是场景到动作的映射，语言只是贴在数据上的标签。一句话：指令在数据里是标签，不是原因。 基线记住了标签，没记住因果。就像一个把菜单背熟的服务员，你点炒饭他端来炒面，不是不认识字，是根本没在听你说话。

放到部署里看，这个区别要命：行为是不是由指令驱动，决定出错时能不能预测、能不能纠正。听指令的系统，纠错就是改指令；只是看起来听的系统，你连它哪里不听都说不清。

二、语言被翻译成了什么

AMC 不用把语言通道练得更强，而是给它换一个落点：把「意图」翻译成只有 13 个词的词表。对每条机械臂定义 13 个原子方向：沿 x、y、z 三轴的正负平移 6 个，绕三轴的正负旋转 6 个，再加一个「保持不动」。关键是这些方向码不是从语言里学的，是从机器人自己身体里算出来的：用描述尺寸与关节的 URDF 文件加 0.2 米工具中心偏移，正运动学直接量出每个方向末端该往哪挪。每个方向码是 512 维向量，训练两万五千步后冻结，从此不变。

原子只定方向，不定幅度：指令负责往哪边，走多远、用什么姿势，全交给场景。它没有假装语言能规划一切。

这里藏着整篇论文最值得想的一层。语言模型学「梨」，学的是词与词的关系：它和「水果」「甜」在语料里频繁共现，模型据此知道梨是什么类。AMC 学「往左上」，学的是词与物理的关系：方向码从关节几何里量出来，每个词对应一个能在物理世界核实的运动趋势。前者把词锚在词海上，后者把词锚在身体上。工程叫接地，对应的是 1990 年哲学家 Harnad 提的符号接地问题。AMC 给出一个小而具体的答案：至少在方向词上，可以把符号焊死在几何上。

指令进来走一条三环翻译链。最上层是每秒思考一次的规划器（Qwen3.5-4B，用固定模板把输出约束在子任务词表内，两个自动执行任务上五次内选对子任务的环节级准确率达 92% 到 95%）。第二环，子任务名落到原子词表上，结合画面与关节状态预测方向码，把「往哪去」定下来。第三环是 33.5 亿参数的视觉动作模型，补全抓多高、什么速度、什么手型。方向由指令定，细节由场景补。

链条每一环都能查账：子任务名是词表里的词，方向码是 URDF 算出的几何量，动作输出对着真实轨迹验收。这条链上没有任何一环需要「想要」。 语言的全部作用就是被逐级翻译：任务名译成子任务名，子任务名译成方向码，方向码定成动作趋势。指令不是欲望，是被翻译成几何的坐标。

效果实打实。在没见过的水果组合上，基线 π0.5 成功率 60.5%，AMC 提到 87.8%，新增参数 3456 万，约占主干预算 1%（加力觉版两路合计 4696 万，占 1.4%）。把语言接到几何上，比继续加大模型管用。

三、蒙上眼睛的考试

整篇论文最有意思的细节是一个训练设计。按常理，教机器人认方向，给的信息越多越好；工程师反着来。训练原子对齐的阶段，视觉输入被整个关掉，模型只看得到原子提示和 16 维机械臂状态。论文写明动机：防止策略靠回放场景里的动作敷衍测试。

想象这个现场。一个看不见画面的模型收到「往左上」和一串关节读数，却要预测动作，唯一能依赖的因果来源就是指令本身。它是「因为听见了才动」还是「因为看见了才动」，蒙上眼睛之后一目了然。

这与康复医学的强制性运动疗法同构：把中风病人的健侧手臂暂时限制住，逼患侧独立动作，不然健侧永远代劳、患侧永远学不会。视觉是健侧，语言是患侧。

配套还有个狠招：故意把某条手臂的监督方向换成没见过的错误方向，制造反事实难例，逼模型学会发现自己没听对。两万五千步后，方向词表冻结，视觉放回，进入全观测训练。

在这套工程里，听话不是模型自发的品格，是被结构强制出来的性质：先断掉视觉的后路，再单独验收语言的效果。 造这套系统的人比谁都清楚语言通道不可靠，连工程师都不信它真的在听，所以考试要蒙上它的眼睛。这是诚实的做法。诚实的工程不假装模型有品格，它只验收结构。航空业早就这样：飞行员的资格不靠「看着靠谱」维持，靠体检、模拟机、复查，信任在那里是一张验收清单，不是一种气氛。92.5% 的意义不在接近 100，在它考得出、看得见、重复得了。

四、导航与优化，同样的结构

机械臂如此，其他环节呢？

DR-VLA 让四足机器人在人流里穿行。它的语言设计很坦白：导航指令只指定去哪里，不指定怎么走。 何时停、让行、绕行，全由场景推断。注意让行没有哪条指令要求：数据底子约一万小时人类第一视角视频、加约两千段机器人自己的片段，模型从中学会「这种场景、这种指令下，人通常怎么走」。模型没有让行的义务，它只是继承了人让行的统计习惯。 成绩是导航质量分 0.884 对最强对手 0.843，航向误差降 14.6%。有意思的是论文自己的用词：学的是「人类导航先验」，不是读意图。论文比通稿克制。

DR-APO 把话说得更直白。强化学习里的优势函数给每个动作打分，但这个分数是外部给的：奖励由设计者定义，环境结算，策略被优化去逼近外部目标，自己从不产生评价。「什么是好动作」从头到尾由外部定义，策略只接收评价。这套原则不挑内部结构，高斯、扩散、流策略三大家族用同一套都能训。仿真成功率从 70.33% 提到 89.55%，真机四足从 25% 提到 65%（20 个场景，样本不大，读作趋势比读作定论稳妥）。

把三篇并排看，最一致的不是任何一个数字，而是这个结构本身：每一环都有明确的外部来源供应「目标」，模型只负责完成「映射」。 语言指令、导航指令、优势分数，全是外部条件。三个环节走完，没有一处出现「它自己想要什么」。「读懂意图」的那个「读」，在工程上是概率意义上的读（给定指令和场景，输出往哪走的分布），不是心理意义上的懂。

五、为什么必须分清「懂」的两种意思

先说清楚，这篇文章不是拆台。意图对齐是真进步，前面每个数字都是真的，工程价值也是真的。真正危险的从来不是「对齐做好了」，而是把「对齐做好了」说成「它懂你了」。

这两个说法之间有一条缝。厂商说「读懂用户意图」时，公众听到的是心理学版：它知道我要什么，体谅我，站在我这边。工程给的是对齐版：指令被可靠翻译成了几何目标。这条缝里藏着两种完全不同的风险。有动机的系统，你要担心背叛：它有自己的盘算，冲突时盘算可能赢。对齐得漂亮但没有动机的系统，不背叛你，但也不体谅你。 你说「把那杯水递过来」，而那杯水刚烧开，它会照递。它没有要克服的贪念，也没有替你犹豫的机制。错了，责任全在你这边。它精确得像一面镜子，镜子不骗人，镜子也从不替人着想。

科幻几十年来担心机器「有自己的想法」，那种担心预设了动机已经存在。眼前这批系统是另一种处境：动机从头到尾不在场，能力却在实实在在往上涨。担心错了对象，准备就会错方向。

负主体性理论把这个状态起名叫欲望取消：系统没有动机、没有目标、没有利害，行为以条件概率为因。这个命名不是贬低，是先把事实说准，再谈信任怎么放。信任一个镜子般的系统，靠审计：查它的条件表、看它的分布、核对它的翻译链；信任有心的系统，才谈得上品格。把前者误认成后者，是具身智能时代最省事也最贵的误会。对做机器人的人来说，安全起点应该是「它没有动机，所以责任在结构和协议」，而不是「它懂我们，所以放心」。反事实考试、蒙眼训练、冻结词表，全是审计抓手。对买机器人的人来说，问「它懂我吗」得到的是想象，问「指令被翻译成什么、翻译链有没有反事实测试报告」得到的才是工程。

回到开头的问题。这套系统做到了一件比「听懂」更可检验的事：把指令变成能逐项检查的几何。往哪个方向、绕哪个轴、挪多少算达标，全是可以写进测试用例的量。反事实考得过的系统，行为可预测、出错可追溯、哪环译错能定位修词表。可检查是工程的胜利，这是它值得信任的那部分。

而「理解」这个词，恰恰指向那些检查不了的部分：替你着想时的犹豫、发现指令不对时的迟疑、没人看着时的分寸。这些它一样都没有，也不假装有。

有人可能觉得抠字眼太较真。恰恰相反，把「懂」字说准，是对这批工程师最大的尊重：他们没有制造理解，他们制造了可检查的翻译，而且造得很好。

回到那只梨。它被稳稳递到你手边，整个过程没有任何东西「想要」它，但不妨碍你吃到。这也许就是最合身的用法：把「想要」留给人，把「接得住」交给机器。

指令的事说完了。下一个问题跟着来：让行、避让、排队这些得体是从哪来的？机器人的礼貌是谁教的，教到了什么程度？那是本系列第二篇《机器人的礼貌是标注出来的》要拆的事。

（系列第二篇《机器人的礼貌是标注出来的》待发。本系列基于云深处具身大脑六篇论文，均为未经同行评审的 arXiv 预印本，出自同一厂商，作研究对象而非背书。）

---

延伸阅读：本系列基于云深处具身大脑六篇论文，均为未经同行评审的 arXiv 预印本，按能力链路顺序列出。

1. LynxScenes（感知与评测基准）：LynxScenes: A Large-Scale Real-World Benchmark for Outdoor Wheel-Legged Robot Perception, Navigation, Imagination and Reconstruction，arXiv:2610.18093
2. AMC（原子运动坐标）：Atomic Motion Coordinate for Language-Steerable and Force-Responsive Manipulation，arXiv:2609.15012
3. DR-VLA（类人四足导航）：Learning Human-Like Quadruped Navigation from Egocentric Web Videos via Domain-Invariant Scene Representations，arXiv:2610.18373
4. DR-WM（行为锚定世界模型）：From Pixels to Executable Physics: Behavior-Grounded World Models for Embodied Action Consequence Prediction，arXiv:2610.17630
5. EvolvingNav（演化世界持续导航）：Beyond the Remembered World: Predictive 4D Belief for Persistent Navigation in Evolving Worlds，arXiv:2609.39166
6. DR-APO（解耦表征策略优化）：Decoupled-Representation Advantage-Guided Policy Optimization，arXiv:2610.16618