想象一下，周末的晚上你想在家吃火锅，刚把食材摆上桌，旁边的机器人就主动“搭手”。
先精准地把牛肉和青菜依次放入漏勺，煮好后稳稳提起，全程不用你操心；想喝鸡尾酒时，它还能根据你的口味，在吧台前熟练地倒伏特加、加果汁，甚至会主动问你：“要不要换成柠檬味的？”
这样的场景曾经是只能出现在赛博朋克2077里的科幻童话。
直到谷歌炒菜机器人横空出世与春晚玉树机器人亮相，似乎让机器人养老也不再遥不可及。
但这种“双系统”架构机器人目前仍有普遍存在的共性问题，即“知”与“行”相分离，使多数机器人思考和动手始终存在异步差距。
直到清华大学、复旦大学、上海期智研究院、上海人工智能实验室与千寻智能的研究成果发布，机器人养老不仅有望实现，甚至在本世代我们还有可能多一位真正的机器人宅家搭子。
通过AMiner对该项成果的学术调研，可以窥见OneTwoVLA的研究突破。
来源：全球科技情报服务平台AMiner：
www.aminer.cn/pub/682be5d…
近日，清华大学、复旦大学联合上海人工智能实验室、千寻智能等机构发布的最新研究成果OneTwoVLA，正让这类“机器人搭子”的能力大幅升级。
从“手忙脚乱”到“有条不紊”：机器人的“知行合一”难题
在过去的机器人世界里， “想”和“做” 曾经是两道难以逾越的鸿沟。
传统方法往往将机器人系统拆分成两个独立部分：一个负责“慢思考”的高层推理系统（类似人类的大脑），另一个负责“快行动”的底层执行系统（类似人类的四肢）。
这种“双系统”架构就像让两个语言不通的人合作。高层系统可能规划出“把可乐从冰箱拿出来”的任务，却没考虑到冰箱门的开合角度是否在机械臂的工作范围内；底层系统执行时一旦遇到突发情况，比如可乐罐打滑，高层系统可能因为反应延迟，无法及时给出修正指令。
这种“知行分离”的问题在复杂任务中尤为突出。
比如让机器人制作一杯鸡尾酒，传统双系统可能会出现这样的混乱。高层系统规划了“先加糖浆，再加橙汁，最后倒伏特加”的步骤，却没注意到橙汁瓶的位置被移动过；底层机械臂尝试抓取时打滑，高层系统却因为延迟，直到机械臂已经碰到杯子才发出“调整抓握”的指令，最终导致液体洒出。
更麻烦的是，这种分离架构还会导致机器人“学新东西”的效率极低。
每次遇到新任务，都需要分别对两个系统进行大量训练，就像让一个人同时学两种毫不相干的技能。
科学家们很早就意识到了这个问题。诺贝尔奖得主 丹尼尔·卡尼曼提出的“双系统思维”理论指出， 人类的认知其实是“快思考”（直觉反应）和“慢思考”（逻辑推理）的结合，两者无缝协作才能完成复杂任务。
来源：全球科技情报服务平台AMiner：
www.aminer.cn/profile/548…
但如何让机器人也具备这种“知行合一”的能力？过去的尝试要么让机器人“只会蛮干不会想”，要么陷入“想太多做太少”的低效循环，始终无法在推理能力和执行效率之间找到平衡。
OneTwoVLA：给机器人一个“会思考的巧手”
近期，由清华大学、复旦大学、上海期智研究院、上海人工智能实验室与千寻智能联合研发的OneTwoVLA， 创新性地将传统双系统“熔铸”为集推理与行动于一体的统一模型，目前该项目的代码与数据已全面开源。
来源：全球科技情报服务平台AMiner：
www.aminer.cn/pub/682be5d…
OneTwoVLA的核心突破，在于将传统的“双系统”合二为一，打造出一个能同时「推理」和「行动」的统一模型。
OneTwoVLA运作过程总览
这个模型就像给机器人装上了一个“会思考的巧手”，在执行任务时，它会根据不同阶段的需求，自动切换“慢思考”和“快行动”模式。
具体来说，当机器人遇到关键节点时， 比如完成一个子任务、检测到错误或需要人类指令时，OneTwoVLA会触发 “推理模式” ，即用自然语言生成场景描述、任务计划和下一步指令。
比如在煮火锅时，完成“放入牛肉”的步骤后，它会“想”：“现在漏勺里有牛肉，接下来需要加青菜，青菜在盘子的右边，应该先移动机械臂到盘子上方……”
而在非关键节点， 它则会基于最近的推理结果，直接进入 “行动模式” ，快速生成抓取、移动等具体动作。
这种自适应切换机制，既避免了传统双系统的延迟问题，又不会因为持续“思考”而降低效率。
OneTwoVLA在两种模式下的推理流程
实验显示，OneTwoVLA的推理过程仅占总任务时间的8.7%-10.4%，几乎不影响整体执行速度。
为了让这个统一模型“见多识广”，研究团队还设计了一套独特的训练方法。他们不仅用真实的机器人操作数据进行训练，还通过大语言模型Gemini 2.5 Pro和文本生成图像模型FLUX.1-dev，合成了1.6万组包含“具身推理”的视觉——语言数据。
这些数据就像机器人的“虚拟练习册”，里面有各种场景的描述和任务规划。
通过同时学习真实操作和虚拟推理，OneTwoVLA的“理解能力”大幅提升。即使遇到训练数据中没有的物品（比如没见过的“雪碧”饮料），它也能通过推理正确识别并完成抓取。
左图：机器人推理过程的数据示例；
右图：合成的具身推理导向视觉-语言数据示例
从实验室到生活：机器人搭子的四大“超能力”
OneTwoVLA的实力，在一系列高难度任务中得到了充分验证。
机器人在不同难度操作任务中的表现
在长周期任务规划方面，它能有条不紊地完成“番茄炒蛋”这样的复杂流程： 先倒油，再倒蛋液和番茄，煮好后用勺子盛到盘子里，整个过程成功率达到87%，比传统单系统模型π0高出30%，比双系统模型高出24%。
在长周期任务上的评估结果
更厉害的是，它还能根据人类的抽象需求灵活调整。比如听到“帮我准备一杯能提神的饮料”，就会推理出“制作椰子拿铁”的计划，自动完成加椰奶、倒浓缩咖啡、加冰块等步骤。
在错误检测与恢复方面，OneTwoVLA展现出了类似人类的“应变能力”。煮火锅时，如果机械臂没抓稳漏勺，它会立刻“意识到”错误，推理出“先缩回机械臂，调整角度再重试”的策略；倒油时油瓶滑落，它会“想”到“握紧力度不够”，然后调整抓握姿势重新尝试。
而传统模型要么对错误 “视而不见”，要么因为系统延迟错过最佳修复时机。
机器人在煮火锅中面临人类临时要求时的反应
人机交互能力则让OneTwoVLA更像一个“贴心搭子”。当人类在它煮火锅时突然说“再加点白菜”，它会立刻回应：“好的，你想要白菜、金针菇还是香菇？”
在调鸡尾酒时，如果人类临时要求“不要橙味伏特加，换成柠檬味”，它能迅速调整计划，放下手中的橙味酒，去拿柠檬味伏特加，整个过程自然流畅。
而传统双系统模型常常在交互中“断片”，比如只记得换酒，却忘了继续完成调制步骤。
机器人在视觉理解任务中的表现示例
视觉理解能力更是OneTwoVLA的“杀手锏”。它能准确理解“把盘子前面的勺子递给我”（空间关系）、“给我那个红色的杯子”（物体属性）、“拿一个用来挖土的工具”（语义特征）等不同类型的指令。
在“开放世界”测试中，面对训练数据里没有的物品（如GoPro相机、美国队长模型）， 它仍能通过推理正确识别，成功率达到73%，而传统模型几乎无法完成这类任务。
机器人搭子，离我们还有多远？
OneTwoVLA的诞生，标志着机器人迈向“通用化”的关键一跃——从实验室里调酒、煮火锅的灵巧助手，到未来家庭中真正的全能“生活搭子”。这项研究不仅实现了技术突破，更开创了一种全新的机器人学习范式：融合统一模型与具身推理数据，让机器人“手脑协同”，达成真正的“知行合一”。
当然，要把这位搭子带回千万家，还有几重难关要克服：提升模型在复杂动态环境下的鲁棒性、优化对人类模糊指令的自然理解能力，以及大幅降低硬件成本。但正如研究所展现的，当机器人能像人类般“思考-行动-反馈”，并在煮火锅、调鸡尾酒等日常协作中展现默契，我们有理由期待：那个能与你“边做饭边聊天”的伙伴，到来之日或许比想象中更近。
未来的周末夜晚，我们或许只需窝在沙发里，而机器人搭子娴熟地处理好食材，摇晃着酒杯问道：“今天想尝尝新口味鸡尾酒吗？” 这并非科幻场景，而是正在发生的技术图景。OneTwoVLA开启的，正是人机协作新纪元的序章。
这里是AMiner数据平台——全球领先的学术数据挖掘与分析平台，您身边的科研助手，有关学术趋势洞察、学者网络分析问题都可以与我们探讨！
网站链接：www.aminer.cn/?f=fwh_am_…
或直接关注【AMiner Research】公众号，获取最新的AI前沿研究、行业动态和学者信息！
