在具身智能的落地進程中，行業長期受困于泛化能力與控制精度的權衡。傳統的控制論方法精度高但缺乏語義理解，而基于大模型的端到端方案雖然具備了一定的效果，卻往往受限于推理延遲，難以應對物理世界的瞬态變化。卓世科技構建了行業首個集成直覺(System 1)、邏輯(System 2)、共情(System 3)的“三核協同”具身大腦解決方案Tri-Core。本文将從架構設計、核心算法實現及數據訓練策略三個維度進行深度解析。
一、架構總覽：三核閉環
相比于目前主流的單一VLA(Vision-Language-Action)模型架構，我們采用了類腦的模塊化設計，受認知心理學中雙系統理論的啟發，并構建了以下三核協同的層次化的系統：
●System 1 (小腦): 基于VLA的反應式控制，負責實時生成高頻率動作。
●System 2 (大腦): 基于VLM的長程規劃，負責因果推演和複雜任務拆解。
●System 3 (共情系統): 負責情感計算與倫理安全，賦予系統“拟人化”的思考。
這種架構的核心優勢在于異步計算，即System 1在邊緣側高頻運行以保證實時性，而System 2在雲端或高算力單元低頻運行以保證邏輯正确性以及深度推理。
二、System 1：基于流匹配的VLA模型
System 1的定位是“小腦”，負責動作的執行，其核心指标是響應速度與魯棒性。
該VLA模型采用了Mixture-of-Transformers (MoT) 架構，将視覺語言模型(VLM)和動作專家(Action Expert)統一建模。
動作專家：早期的VLA模型(如 RT-2)通常采用離散化的Token進行自回歸生成。然而，這種方式在處理連續的人型臂動作時，往往會出現動作不平滑的問題，且推理速度較慢。我們在 System 1 的動作專家中引入了 Flow Matching(流匹配) 生成範式。不同于擴散模型需要繁瑣的去噪步數，Flow Matching 通過學習從高斯噪聲到目标動作分布的向量場，能夠以更少的推理步數生成高質量的連續動作軌迹。
視覺專家：System 1的小尺寸VLM由System 2的大尺寸VLM通過知識蒸餾獲得。
訓練策略：為了使得VLA模型獲得足夠的泛化能力，我們進行了2階段的訓練
(1)Stage 1: 跨具身預訓練。這一階段使用開源具身數據集，包含多種形态機器人的數據。雖然這些數據對應的動作空間不一緻，但能極大提升模型的泛化認知能力。
(2)Stage 2: 單一具身後訓練。這一階段使用目标機型的任務導向數據，針對特定的垂直場景進行微調，進一步強化模型在目标機型上的穩定性和準确性。
三、System 2：具備物理世界能力的邏輯規劃器
System 2是基于璇玑玉衡大模型構建的“大腦皮層”，是一個大尺寸的視覺語言模型(VLM)。它的核心任務是将用戶的自然語言指令以及捕捉的視覺圖像轉化為System 1可執行的原子動作序列。
為了使其具備物理世界能力，我們在通用多模态理解、具身規劃、空間感知等數據集上進行多階段微調。
此外，為了提升“大腦”的思考能力，我們并未直接讓System 2輸出指令，而是強制其進行隐空間模拟。在執行不可逆操作(如“打碎雞蛋”)前，System 2會基于物理常識預測後果。
例如，面對“清理桌面”的指令，System 2 會構建如下思維鍊：
識别物體(水杯, 書) -> 判定物理約束(書在水杯下) -> 預測風險(直接抽書導緻水杯傾倒) -> 生成修正計劃(先移開水杯，再拿書)。
這種具備物理一緻性的推理能力，是目前通用大模型所不具備的。
四、System 3：情感中樞
這是卓世科技架構中最為獨特的一環。在傳統的機器人學中，人機交互通常是基于規則的硬編碼。而我們将其提升到了模型層面。
System 3是一個并行的輕量級多模态模型，負責多模态情感感知，它實時處理視覺(面部微表情、姿态)和音頻(語調、語速)信号。
通過對這些非語義信息的分析，系統能夠計算用戶的情感狀态向量，如[焦慮, 放松, 憤怒, 快樂]。從而影響System 2的推理決策。
此外，System 3還充當了倫理安全過濾器的作用，它擁有比System 2更高的中斷權限。一旦 System 2 的規劃路徑觸犯了預設的倫理邊界(如檢測到路徑上存在生物體且存在碰撞風險)，System 3 會直接在底層熔斷控制信号，确保絕對安全。
五、Benchmark
在具身行業權威基準測試SimplerEnv和LIBERO中，卓世具身大腦Tri-Core均取得了SOTA水平，超過了π0、英偉達GROOT N1.5等前沿模型。
基準測試介紹：SimplerEnv 是一個專為評估機器人真機策略而設計的閉環仿真環境，旨在解決“Sim-to-Real(仿真到真機)”和“Real-to-Sim(真機到仿真)”之間的鴻溝。LIBERO是專為終身學習和知識遷移而設計的基準測試集。
六、結語
卓世科技具身智能大腦的研發初衷，是試圖回答一個核心問題：如何讓AI不僅具備“智能”，更具備“本能”與“人性”。
通過System 1的極緻快思考、System 2的深度慢思考以及System 3的價值對齊，我們正在重新定義智能體與物理世界的交互方式。這不僅僅是算法的創新，更是系統工程的突破。
探索永無止境。未來，卓世科技将進一步加快具身大腦的疊代進程，堅定不移地加大對 VLA 模型與世界模型的研發投入。我們将持續深化模型對複雜物理規律的理解與泛化，引領具身智能邁向更加通用、智能與安全的新紀元。
免責聲明：本文僅代表作者個人觀點，與每日科技網無關。其原創性以及文中陳述文字和内容未經本站證實，對本文以及其中全部或者部分内容、文字的真實性、完整性、及時性本站不作任何保證或承諾，請讀者僅作參考，并請自行核實相關内容。
本網站有部分内容均轉載自其它媒體，轉載目的在于傳遞更多信息，并不代表本網贊同其觀點和對其真實性負責，若因作品内容、知識産權、版權和其他問題，請及時提供相關證明等材料并與我們聯系，本網站将在規定時間内給予删除等相關處理.
