当你让机器人从厨房台面上拿一杯水递给客人时，期待的是它能避开杂乱的餐具、准确握住杯子、平稳走到你面前------而不是杯子歪了、水洒了，或者中途"迷路"。"听懂并准确做对"的朴素需求，正是真实场景对具身智能的核心考验。在过去很长一段时间里，具身智能始终在接近这个目标，却始终隔着一层难以逾越的壁垒。
机器人能听懂"把杯子拿过来"，也能精准识别杯子的位置，在理想化的仿真环境中，它的路径规划几乎不会出错，可一旦走进真实的物理空间，各种意外便接踵而至：反光的厨房台面会让它的末端出现明显偏差，杂乱的物品摆放常导致它抓握空落；若是遇到"热牛奶+递杯子"这类多步骤长任务，细微的误差会不断累积，最终让整个任务功亏一篑。规划越是完美，执行越是容易脱节；任务越长，稳定性越难保障，这就是具身智能在真实场景中面临的尴尬现状。
这并不是个例，而是整个行业共同面对的现实困境。机器人的高层语义推理不断变强，底层控制算法持续优化，但二者之间始终存在一条看不见的鸿沟：理解足够聪明，执行却不够扎实；规划足够合理，落地却不够稳定。
核心困境：语义与运动之间的无形鸿沟
传统VLA模型把感知、推理、动作挤压在同一套表征体系里，模型既要理解场景语义，又要输出毫米级别的动作指令，最终顾此失彼。要知道，语义是离散、符号化的，而动作是连续、低维、高精度的，用同一套表征强行兼顾，正是问题的根源。更关键的是，执行模块为了响应实时性，往往绕过高层规划，直接依赖瞬时观测生成控制量，长时域任务的一致性几乎无法保证。
这就是"Semantic-Actuation Gap"------机器人脑子里能"理解任务"（比如知道要拿哪个杯子），但手上的动作却"做不到位"（比如抓不准、走不稳），就像人想写工整字却手抖一样，这也是具身智能走向真实世界必须跨过的核心门槛。
GO-2的破局之道：重构"思考-执行-进化"逻辑
在这样的背景下，智元新一代具身基座模型 Genie Operator-2（GO-2）正式亮相。它不是一次简单的模型迭代，不是在原有架构上增大数据、加深网络，而是从推理空间、执行架构、落地闭环三个根源层面，重构了机器人"思考---执行---进化"的完整逻辑。
GO-2的突破在于三个核心创新，精准破解行业痛点：①动作空间推理：提前模拟多种执行路径（比如绕开障碍物的3种方式），避免临时决策失误，从源头减少执行偏差；②异步粗精执行：先规划"大致路线"（粗执行），再通过实时传感器反馈微调细节（精执行），彻底解决轨迹漂移、姿态晃动的问题；③全生命周期智能体闭环：每次执行后自动记录误差（如抓握力度不足、位置偏差），下次执行时直接优化调整，让机器人在反复实践中持续提升稳定性。
这套创新设计，让GO-2首次在统一架构内，实现了动作空间推理、异步粗精执行、全生命周期智能体闭环的深度融合，真正实现从"理解任务"到"稳定完成任务"的跨越，让具身智能的核心目标------"知行合一"不再是口号。
从GO-1到GO-2：从"能做"到"稳定做"的跨越
回望智元在具身智能领域的技术路径，从 GO-1 到 GO-2 的演进，清晰而坚定。GO-1 凭借 ViLLA 架构首次实现视觉-语言-动作的统一表征建模，把机器人从专用策略带入通用基座模型时代。它让机器人具备了跨场景感知、泛化指令理解、基础动作执行的能力，在真实环境中完成了规模化落地验证，实现了"能做"的突破------比如单次拿杯子成功率可达70%。
但当任务进入长时域、多扰动、多物体交互的场景时，GO-1规划与执行断裂的问题被无限放大：像"取快递+拆包装+放桌上"这样的长任务，其成功率仅45%，一旦遇到有人碰了桌子、物品位置轻微移动等扰动，就很容易任务失败。而GO-2的诞生，正是为了补上这最后一块短板，它将长任务成功率提升至82%，且在多扰动场景下，机器人的恢复能力提升3倍，真正实现了从"能做"到"稳定做"的跨越。
一、回归动作本质：把推理空间从语言与视觉，拉回到动作本身
传统VLA模型的推理过程，始终局限在感知空间而非动作执行空间。一类方法在语言空间拆分子任务，将复杂行为转化为文本化步骤；另一类在视觉空间预测目标图像或未来状态，用视觉表征间接引导动作生成。两种路径都无法回避一道核心障碍 ------语义 - 运动学鸿沟：必须把抽象的语义或视觉表示，强行映射为连续、精准、时序一致的物理动作。
这套间接推理模式在实验室可控环境中尚能取得不错效果，但一旦进入光照变化、相机位移、物体布局扰动、纹理改变的真实场景，信息损耗、分布偏移与执行偏差几乎不可避免，机器人行为会变得脆弱、敏感、难以稳定复现。大量实验反复验证：中间推理表示越抽象，向动作空间传递的细粒度信息越弱；推理与实际执行的距离越远，长时域任务越容易累积误差而崩溃。 由此引发出新的思考判断：机器人最可靠的推理，不应发生在语言或视觉空间，而应直接发生在动作空间。
这正是 ACoT-VLA 的底层创新逻辑。模型不再先生成文本或图像类中间量，而是直接输出结构化、运动学合理、可直接指导执行的粗粒度动作意图序列，即动作思维链（Action Chain-of-Thought）。这条思维链并非对任务的自然语言描述，而是机器人内部的运动预演，是执行层可直接理解的意图轨迹。它从根源上消除了感知到动作的跨空间异构映射偏差，让规划输出本身就具备物理落地性。
为让动作空间推理具备强鲁棒性与泛化性，ACoT-VLA 构建了显式 + 隐式双路径互补推理机制：
-
显式动作推理器（EAR）：生成粗粒度参考动作轨迹，为机器人提供清晰的运动骨架，明确运动路径、姿态变化与时序结构；
-
隐式动作推理器（IAR）：从VLM的内部表征中提取潜在线索，捕捉场景可供性、接触意图、空间约束、运动趋势等难以用显式轨迹完整描述的先验信息。
双路径融合后，机器人从 "边感知边反应" 的被动策略，升级为先形成可执行运动方案、再精准落地动作的主动具身智能体。
在真实桌面操作任务中，这一范式革新带来直观的体验提升：抓取不再空夹、移动不再飘移、放置不再偏移。在 LIBERO 仿真基准上，动作原生推理带来稳定且显著的性能提升，平均成功率达到 98.5%，尤其在需要严格误差控制的长时域操作任务上，提升幅度远优于传统语言 / 视觉思维链方法。核心原因在于：动作思维链天然为长序列动作提供结构化约束，让误差不再无限制扩散。
对真实机器人部署而言，这一突破的价值远不止指标提升。它让机器人首次具备接近人类的决策模式：先在运动层面形成完整意图，再分步稳健执行，而非依赖瞬时视觉刺激做被动反应。
这种动作中心化的推理模式，使机器人在复杂场景、强干扰场景、长序列任务中保持高度行为一致性，实现了传统 VLA 模型难以达到的部署稳定性与泛化能力，是通用机器人从 "感知理解" 走向 "物理落地" 的关键一步。
二、解开执行矛盾：用异步分层双系统，让规划稳定落地
动作推理的问题解决后，下一个工程瓶颈自然浮现：即使推理完全正确，机器人依然难以做到高频、精准、低延迟的稳定执行。
只要深入机器人的行为结构就会发现，复杂操作天然具备两层逻辑：宏观上，机器人需要知道"往哪里去、整体结构是什么、长时域目标是什么"，这部分是低频、离散、全局的；微观上，机器人需要处理"毫米级对位、接触调整、姿态修正、力度控制"，这部分是高频、连续、局部的。传统架构把两层目标压在同一个网络、同一个频率中学习，结果必然是顾此失彼。宏观规划被细节噪声带偏，精细控制被全局意图扰动，最终表现为动作响应性不足，稍微遇到扰动就失控。
GO-2 采用了一套彻底解耦却又高度协同的异步双系统架构，把规划与执行分到两套节奏、两套目标、两套模块中运行。低频慢系统（语义规划器）专注于宏观意图，基于预训练VLM主干，通过并行解码输出离散的粗粒度动作token，以交叉熵损失训练，以更低的频率更新，输出稳定、长时域、结构化的动作约束，形成持续引导执行的意图流，填充先进先出（FIFO）意图缓冲区；高频快系统（动作细化器）专注于实时观测与局部修正，采用DiT搭配独立视觉编码器，以MSE损失训练，以高频率响应环境变化，在慢系统给出的约束内完成精准对位、姿态调整、误差修正，逐段消费缓冲区中的意图并进行精修。
两套系统之间通过意图缓存实现异步流转。慢系统一次性输出一段未来的动作意图（时域扩展因子M决定输出长度），快系统逐段消费、逐段精修。这种结构带来两个关键收益：一是延迟显著降低，在RTX 4090平台上，相较于基准架构可实现44.5%以上的延迟降低，机器人的响应更流畅、更灵敏；二是鲁棒性大幅提升，在一定范围的观测噪声、物体位置偏移下，快系统可将动作拉回正确轨道，这得益于粗粒度动作约束的空间容错性。
更重要的是，这套架构遵循学习均衡的规律。我们在大量消融实验中观察到清晰的规律：动作分解的粒度（分箱数量N）与性能呈现倒U型关系。太粗（N≤2），精度不足，系统退化为纯扩散模型；太细（N≥50），规划复杂度爆炸，系统退化为自回归模型。只有在宏观与微观的学习难度达到均衡点（实验验证最优分箱数量N=10）时，成功率、泛化性、延迟同时达到最优。GO-2 正是在这个均衡点上工作，这也是它在零样本泛化、分布偏移、仿真到真实迁移中保持稳定的核心原因------粗粒度规划提供充足的宏观引导，细粒度精修保证精准执行，两者学习难度均衡，避免单一系统负担过重。
在真实场景测试中，异步双系统的价值尤为明显：桌面高度不一致、物体轻微滑动、光照突然变化等场景下，机器人可在线调整动作，减少误差累积，但仍存在一定局限性------当分箱粒度偏离均衡点、时域扩展因子M过大（M≥5）时，成功率会出现轻微下降（平均成功率从97.2%降至95.3%）。长时域任务中，误差得到有效控制，机器人可稳定完成多步骤、多阶段的复杂操作。对于需要连续接触、精细调整、姿态保持的任务，比如擦拭、倒水、插入、装配，这种结构带来的稳定性提升尤为关键，在AgiBot G1机器人平台的真实测试中，GO-2完成此类任务的平均成功率达到69.4%，显著优于同类模型。
这也让 GO-2 在真实硬件上的表现显著区别于前代模型。机器人的运动更加平滑、姿态更加可控、末端更加稳定，在低成本执行器、视觉噪声较大的平台上，仍能保持较高的任务成功率。这让具身智能模型进一步具备了跨硬件、跨场景、跨扰动的可靠性，为工业级落地奠定了基础，但目前尚未完全实现成熟的工业级应用，仍需在极端场景适配、多硬件兼容等方面进一步优化。
三、打通落地闭环：让机器人脱离人工看护，实现自主进化
动作精准、执行稳定，仅是机器人技术的基础能力，距离真实世界规模化部署仍存在核心瓶颈：机器人必须具备自主闭环数据采集、自主执行长时序任务、自主故障恢复、自主策略迭代的全链路能力，才能脱离人工依赖。
传统机器人系统的最大落地障碍，源于全流程高度人工介入 与架构割裂。数据采集依赖人工示教、环境重置依赖人工操作、任务执行依赖人工监控、故障处理依赖人工干预，任务复杂度越高，人力成本呈指数级上升，规模化部署完全无法实现。仅优化单步操作策略，无法解决长时序任务误差级联、训练与部署语义/分布不匹配、系统扩展性差的根因问题。
GO-2将系统架构提升至全生命周期智能体闭环 层级，以统一VLM元控制器、全生命周期一致上下文语义、同一套决策逻辑，深度融合数据采集、策略学习、任务执行、故障恢复与持续进化。
在数据采集阶段，机器人基于纠缠动作对（EAP） 机制，将前向操作策略与逆向恢复策略深度耦合，构建自重置循环。完成单次操作后，机器人可自主将环境恢复至可复用的初始状态，无需人工介入即可实现连续在线rollout与策略迭代。真实场景实验数据验证，该模式可降低53.7%的人工时间投入，人工干预频率降低8.04倍，让低成本、规模化数据采集成为现实。
在部署阶段，机器人摒弃静态技能序列与固定脚本执行模式，依托结构化记忆与上下文推理，自主完成任务拆解、技能动态调度与子任务执行状态实时校验。针对抓取空抓、位姿偏移、物体倾倒等异常，机器人可自主区分非退化故障与退化故障，完成重试、环境恢复、重规划等操作，实现无人工持续看守的稳定运行。
更核心的是，真实执行轨迹可直接回流至训练pipeline，让策略在真实环境扰动、真实故障场景中持续迭代优化，真正实现每一次执行都是一次学习，每一次迭代都提升鲁棒性与泛化能力，长时序任务成功率相较基线方法**提升25%**。
这并非传统意义上的单步动作策略，而是一套具备自主感知、自主推理、自主执行、自主修复、自主迭代能力的具身智能体。它不再局限于解决单一动作精度问题，而是打通机器人从实验室走向产业现场的全链路，攻克长时序任务执行脆弱、人工依赖过重、无法规模化扩展的行业难题。
对于企业级部署与规模化落地而言，这套全生命周期闭环的价值具备决定性意义。机器人无需大量现场工程师持续调试、维护与干预，可实现长时间、少人看护条件下的稳定运行；数据不再依赖高成本人工采集，可在部署过程中自主生成、自主迭代；模型不再是交付后固定不变的软件包，而是能够持续进化、持续适配场景、持续提升性能的智能系统。
这让GO-2从单一高性能操作模型，真正升级为可规模化落地、自主闭环进化的产业级生产力系统。
四、三位一体的统一架构：GO-2 真正的范式价值
把三层技术逻辑放在一起，一条完整、自洽、层层递进的技术路线彻底清晰： 第一层，把推理放回动作空间，从根源消除语义-运动鸿沟； 第二层，用异步分层双系统，让宏观意图与微观控制各司其职，达到学习与执行的均衡； 第三层，用全生命周期智能体闭环，让机器人脱离人工看护，实现自主数据、自主执行、自主进化。
GO-2 不是三个独立模块的拼接，而是把三者熔铸成一个端到端、同语义、同闭环的统一基座模型。它的内部数据流简洁而强大：多模态输入进入模型后，先在动作空间完成推理，形成结构化意图；意图进入异步双系统，完成低频规划与高频精修；动作输出由智能体闭环调度、监控、校验、自愈；执行轨迹回流训练，持续优化整个系统。
这种融合带来的不是简单的指标提升，而是机器人行为范式的改变。在 LIBERO 基准上，98.5% 的平均成功率，代表机器人在严格控制的长时域操作中达到了前所未有的稳定；在 LIBERO-Plus 零样本迁移中，86.6% 的成功率，体现出对相机、光照、背景、布局等分布偏移的强鲁棒性；在 VLABench 纹理泛化任务中，大幅领先的成绩来自动作空间特征的域不变性；在 Genie Sim 3.0 仿真到真实迁移中，82.9% 的成功率，证明动作约束在跨域时保持高度一致。
这些成绩不是靠更大的模型、更多的数据堆出来的，而是靠更贴近物理世界的架构设计带来的。
对于行业而言，GO-2 的出现标志着一个重要转向：具身智能正式从"追求理解能力"进入"追求执行可靠性"的新阶段。过去几年，行业的重心放在如何让机器人听懂、看懂、理解任务；从 GO-2 开始，行业的重心将转向如何让机器人稳定做到、可靠完成、长期运行。这是具身智能从实验室走向现实世界的关键一步。
五、从模型到生产力：GO-2 的产业级闭环体系
GO-2 的价值不止于技术创新，更在于它构建了一套可工业化、可规模化、可持续进化的产业体系。依托 Genie Studio 一站式具身开发平台，GO-2 形成了从预训练、在线后训练、多机协同数据采集到持续迭代的完整链路。它不再是一个静态模型文件，而是一套可以在真实世界中持续学习、持续变强的生产力系统。
云端与多机器人协同采集真实交互数据，在线后训练持续优化策略，每一次部署、每一次执行、每一次恢复，都在为模型提供新的经验。机器人不再是交付后就停止进化的设备，而是可以伴随场景持续成长的智能体。对于家庭、商用、工业等各类真实场景而言，这意味着更低的部署成本、更高的稳定性、更强的场景适应能力。
在实际落地案例中，这套体系已经展现出清晰的价值。在桌面整理、仓储分拣、商用服务、家庭辅助等场景中，GO-2 能够在较少人工干预的条件下快速适配新场景、新物体、新任务。模型不需要从零开始训练，只需要少量真实交互数据，就能快速迭代、快速收敛、快速落地。这大大降低了具身智能的使用门槛，让VLA基座模型真正走进产业现实。
从技术研发到产业落地，GO-2 搭建了一座完整的桥梁。它不再是实验室里只能演示的模型，而是能够在真实环境中创造价值、提升效率、降低成本的生产力工具。这也是智元在具身智能领域一贯坚持的方向：让技术真正落地，让机器人真正可用。
六、迈向具身智能的下一个时代：记忆、行动与闭环智能
在 GO-2 稳定动作能力的基础上，智元正在推进更完整的具身智能架构。当机器人可以稳定可靠地执行动作后，下一个核心能力自然浮现：记忆与经验复用。OpenClaw 记忆系统让机器人可以记录历史交互、积累操作技能、复用已有知识，在新任务中快速迁移、快速适应。
当动作空间推理、异步分层执行、长期记忆、智能体闭环结合在一起，机器人就进入了真正的具身智能体时代：感知、推理、行动、记忆、自愈、进化，形成完整闭环。这也是 GO-2 为行业打开的新方向：具身智能不再是感知与动作的简单拼接，而是推理、执行、记忆、进化的统一体系。
未来的具身智能，将不再只是执行指令的机器，而是能够理解任务、自主规划、稳定执行、记住经验、持续进化的真正智能体。它能够在复杂环境中长期运行、自主维护、自主优化、自主成长。它能够从每一次任务、每一次交互、每一次恢复中学习，变得越来越可靠、越来越聪明、越来越贴合人类需求。
这正是 GO-2 所开启的未来。
结语
从 GO-1 到 GO-2，是具身智能从"理解世界"到"稳定作用于世界"的范式跃迁。 GO-2 没有停留在增强感知、扩大模型、增加数据的传统路径，而是回到机器人最本质的需求：如何稳定地在物理世界中完成任务。它以动作空间推理重构机器人的思考方式，以异步分层双系统保证执行的稳定与流畅，以全生命周期智能体闭环打通真实落地的最后一公里。
它回答了具身智能长期以来的三个核心问题： 机器人该在哪里思考？------在动作空间。 机器人该如何稳定执行？------异步分层，学习均衡。 机器人如何走向真实世界？------自主闭环，持续进化。
GO-2 不仅是一个新一代具身基座模型，更是具身智能走向"知行合一"的里程碑。它让机器人不再只是能理解、能规划、能演示的实验室系统，而是能稳定、可靠、自主地在真实世界中完成任务的生产力智能体。这，正是具身智能走向现实的真正方向。