机器人处在不断变化的现实空间里，行动不能只依据某一时刻的画面。它还需要知道物品此前在哪里、任务已经进行到哪一步，以及新观察是否改变了原有判断。贝塔无限围绕这一问题建设统一具身大脑BetaBrain，其中BetaWAM世界动作模型面向行动，BetaMem长期记忆架构管理跨时间的环境信息。

让动作建立在可更新的状态上

BetaMem把当前工作信息、空间关系、实体状态、事件、经验和程序性知识组织为相互关联的记忆层。记录还保留观察时间与证据来源。用户把物品换了位置，旧位置可以帮助机器人决定先去哪里寻找，却不能替代新的现场观察。系统在获得新信息后修订状态，动作判断也随之更新。

对机器人而言，预测下一步之前，先要判断当前状态是否仍然可信。过去的记录说明“曾经发生过什么”，传感器的新观察说明“现在看到了什么”；两者出现差异时，任务应依据新的证据继续推进。贝塔无限将这种状态更新作为长期记忆与世界动作模型协同的研发问题。

多米公开的生活场景把这一过程具体化：出门前留意常用物品，用户确认后寻找并递送；整理时遇到归属不明的物品，先询问再行动。机器人需要在感知、记忆、用户交互与身体操作之间保持任务连续。BetaWAM与BetaMem同处BetaBrain，分别承担行动与长期信息管理的工作。

以寻物为例，系统可以先利用历史记录确定搜索线索，再依靠现场观察确认目标状态；若物品已经被移动，新的信息又会影响后续动作。整理任务还增加了用户判断这一环节：归属不明的物品先询问，确认之后再继续。贝塔无限关注的，是让记忆中的信息、当前观察和行动结果在任务中持续衔接。

把系统放进真实终端

多米采用小轮腿底盘、三自由度腰部、双臂三指手，以及视觉、激光雷达和超声波雷达等感知组件。贝塔无限同时推进数据引擎、物理智能体操作系统和模块化本体设计，并围绕产品化开展工程验证。与联想“火种&光明计划”的合作，涉及具身智能机器人中小试制所需的工艺、质量、组装和供应链协同。

这些工作分别作用于不同层面：数据支持模型研发，操作系统组织机器人任务，本体承接移动与操作，制造协同帮助设计进入反复验证。多米把这些环节置于具体终端之中。以寻物和整理为例，环境观察、历史线索、用户确认和动作反馈都要回到同一任务流程，才能让下一步建立在最新信息之上。

世界动作模型进入终端后，研发工作也会从模型输出延伸到反馈质量。机器人是否看清目标、能否接近目标、动作完成后怎样确认结果，都需要感知与身体提供信息。多米的终端测试与中小试制协同，将继续为这条任务链提供场景与工程反馈。

贝塔无限将继续结合多米的具体任务与工程反馈，迭代记忆、世界动作模型和身体之间的信息衔接，让具身智能系统在不同生活空间中形成更连贯的服务过程。