逐际动力Oli家务全包：三层大脑架构硬刚端到端，人形机器人「大脑」到底长什么样

7月15日，逐际动力发布了人形大脑系统COSA 0.5。我花了一整天把Demo视频翻来覆去看了好几遍，结论是：这可能是今年人形机器人领域最有意思的一次技术发布。

为什么这么说？不是因为它又学会了几个新技能——晾衣服、收纳、搬箱子，这些其他机器人也能做。真正有意思的，是它背后那条"反共识"的技术路线。

一镜到底的一屋子家务，到底有多难

先说说Demo做了什么。全尺寸人形机器人Oli，31个自由度，全程站立不趴下，一镜到底、不剪辑、不复位，在这一个屋子里不间断干了这些事：从椅子上捡起衣服搭在手臂上，转身从衣架高处取下衣服，依次扔进脏衣篓，然后收纳玩偶、搬箱摞箱、深弯腰拾物、清理垃圾、递送物品。

注意"一镜到底"和"不剪辑"。行业里大部分Demo都是拼接起来的——机器人做一个动作停一下，复位，再做下一个。逐际动力这次是把所有任务连成一条线，中间不中断。这意味着三层系统——认知、技能、运控——在全程同时运转。

而且每次展示前，场景会被人工随机重新布置。机器人不知道下一轮会面对什么布局，必须实时判断。

三层大脑：不是"一个大模型"，而是"一个操作系统"

这就是逐际动力最"反共识"的地方。

过去两年，人形机器人行业的主流叙事是"端到端大模型"——模型越大越聪明，越聪明越能干。Figure的Helix、特斯拉Optimus，都在走这条路。逐际动力创始人张巍却说了一句很刺耳的话：

"纯大模型就像躺在病床上的霍金——极其聪明，但无法自主行动。模型是技能，系统才是大脑。"

所以他搞了个三层架构：

S2认知层（约1Hz）：负责理解场景、拆解任务、决定"要做什么"。用视觉语言模型读取相机画面，实时判断下一步。

S1技能层（约50Hz）：连接思考和行动的桥梁。VLA只是技能之一，不同技能独立训练、按需组合。比如"边走边弯腰边伸手"是一个技能块，由较慢的VLM生成意图，较快的策略模型转化为全身动作。

S0运控层（1000Hz）：全身运动基础模型，约千万参数Transformer，完全跑在机器人本体上。不负责思考，只负责让身体指哪打哪，全程保持平衡。跟行业最强的SONIC模型比：关节角误差从3.3度降到1.5度，全身位置误差从13.75mm降到12.85mm。

三层异步运行：S2慢慢想，S1快速调用，S0疯狂维持平衡。意图自上而下流，状态自下而上反馈，互不阻塞。

跟Figure比，谁是更聪明的路线

不得不跟Figure比一下。Figure是目前全球估值最高的人形机器人公司，它也提出了System 1和System 2。但逐际动力认为Figure的架构本质还是"端到端模型"，不是真正的操作系统。

两者的差别在哪：

Figure的思路是"让一个模型学会所有能力"。逐际动力的思路是"用系统组织不同模型和技能"。前者追求模型更强，后者追求系统更完善。如果把人形机器人比作智能手机，Figure做的是"最强的App"，逐际动力做的是"操作系统+iOS生态"。

有意思的是，欧洲的Flexion也采用了类似COSA的分层架构。这说明逐际动力的路线正在获得行业认同，不是瞎搞。

逐际动力刚完成近2亿美元Pre-IPO轮融资，估值150亿元。资本市场显然也在押注这条技术路线。

我关心的几个实际问题

作为一个实用主义者，技术路线再漂亮，也得看落地。

第一个问题：Demo选的是"家务场景"，但家庭环境是公认最难的结构化场景之一。Oli能做一镜到底的长程任务，说明系统稳定性确实到了一定水平。但从Demo到量产，中间还隔着成千上万个未知场景。

第二个问题：逐际动力今年的规划产能是1000台。这个量级意味着它不是做玩具，是真的在往商业化走。什么时候能在真实家庭里雇一个Oli回来？我猜3-5年。但工业场景（仓储、导览）可能在1-2年内就能看到落地。

总的感觉：逐际动力确实走出了一条差异化路线。不卷模型参数，卷系统架构。这让我想起早年iOS和Android的路线之争——最后赢的不是"谁硬件更强"，而是"谁生态更完整"。人形机器人大脑的竞争，说不定也是这个剧本。