Agent终于长出了身体：JiuwenSymbiosis背后的思考与实践
下一代物理世界的智能系统，应该是什么样的？
三年前你要问AI圈的人，未来最强的AI会是什么样？十有八九的回答是：更大的GPT，更多的参数，更长的上下文，更强的推理。然后呢？从GPT-3.5一路卷到GPT-4、Claude、Gemini、DeepSeek、Qwen……直到今天，才突然意识到一个尴尬的问题：AI已经能写代码、做数学题、跟你聊人生哲学了，但它依然不会给自己倒杯水。
这恰恰是当前AI最致命的短板：它没有身体。
今天，openJiuwen社区正式开源了
Jiuwen Symbiosis
Mora vec悖论：最难的不是高数，而是走路
1988年，机器人学家Hans Mora vec提出了一个相当反直觉的观点，后来被称为莫拉维克悖论：
对于计算机来说，下国际象棋很容易，做高等数学也很容易。但那些人类婴儿都能轻松完成的事情——行走、抓取、避障、保持平衡——反而异常困难。
原因很简单。这些能力不是靠逻辑推导出来的，而是经过数百万年进化才沉淀下来的身体智能。这就引出了大模型时代的一个经典困境：
“缸中之脑”
从“缸中之脑”到“身体力行”：智能的进化史
智能对外部机器本体的控制演进，本质上是一场从数字世界到物理现实的迁徙：
1.0 手搓任务（借人力）
靠人的理解，做极为原子化的控制操作。
2.0 虚拟环境演练（Sim2Real）
在Habitat、AI2-THOR这类仿真环境里模拟，开始有了空间概念。同时训练一个或多个模型，让大脑能分析指令、执行任务。
但2.0阶段的问题也随之暴露：
- ——模型训练完成后，技能集合就固化了。要让机器人学会“开抽屉后抓取内部物体”，得重新采集数据、重新训练整个模型。VLA缺乏组合泛化能力，没法把已学的“开抽屉”和“抓取”零样本组合成新任务。
跨本体环境泛化能力缺失
- ——当前模型适合短程原子操作（比如“抓取红色方块”），但遇到“从料架上取Tray盘→绕过设备→放入机台→按压确认→返回原位”这种长程复合任务，单一VLA模型就力不从心了：缺少任务分解、子任务编排、异常回退的能力。它只能在训练分布内“模仿”，没法在运行时“规划”。
长程复合任务能力不足
- ——模型把“视觉→语言理解→物理推理→动作生成”全压进一个Transformer，一旦运行失败（比如抓取偏移、碰撞），根本没法定位根因——是感知误识别、语言歧义、物理推理错误，还是控制轨迹发散？
故障定位困难
- ——端到端基础模型是典型的黑盒结构，直接输出关节位姿等底层动作指令。大模型既要兼顾认知决策，又要管运动控制，整体实现难度极大，稳定性差，任务成功率也低。
成功率低，稳定性差
3.0 共生时代（Jiuwen Symbiosis正在做的事）
模糊虚拟与现实的边界，让Agent真正理解物理法则，并直接输出控制硬件底层拓扑的Action序列。
Agent时代的到来
2023年以后，Agent成了AI领域最火的方向之一。大家发现：大模型已经具备了不错的推理能力，真正缺的是
行动能力
Agent开始获得操作世界的能力，不再只是回答问题。但这里有个关键问题：这些Agent操作的依然是数字世界，不是物理世界。
不过，经过一系列演进，物理Agent的时代其实已经悄然到来。它比前辈们更靠近真实世界。
下一步，是让Agent走进现实世界。简单来说，传统Agent可以简化为这样一个过程：
而physical AI Agent的模式发生了本质变化——Agent面对的不再是文本，而是真实世界，需要与环境实时交互反馈，整体过程可以简化为下面这样：
但这依然远远不够。人类在执行任务时，观察、反馈是一个不间断的实时过程。同时，理论上“传感器→VLM→LLM→Planner→ROS”这套流程看起来很优雅，但实际执行中，很可能会变成JSON的极限堆积。系统越复杂，这个问题越明显，最终导致：Agent到底在想什么、为什么做这个决策、为什么执行失败——全成了糊涂账。
Jiuwen Symbiosis：让Agent拥有透明的态势感知系统
Jiuwen Symbiosis的设计理念非常简单：Agent的思考过程应该是可观察、可调试、可协作的。
团队尝试把Agent的内部状态显式暴露出来，而不是藏在黑盒里。在Jiuwen Symbiosis中，认知层与执行层通过共享Workspace协作，解决复杂任务执行，保障认知正确和快速响应，并极大简化跨本体适配。
实现过程既丰富又严谨，团队把核心骨架称为
态势感知环（Situation Awareness Loop）
多模态感知（Multimodal Perception）
让physical AI Agent主动感知世界，是Agent从数字走向物理的基础。同时，把理解从决策中分离出来，在进行Action之前充分理解场景，输出结构化的世界状态——比如被检测对象、对象位姿、置信度等。
安全规划（Safe Planning）
基于Prompt任务指令和结构化世界状态进行任务规划，对相关Skill中的参数动态赋值，再做物理可行性、安全性和约束校验，拒绝不可执行的方案。
物理执行（Physical Action）
按照Skill的建议，调用相关Action Tool原子能力，最终完成位移、抓取、放置、交互等一系列连续可控的物理运动。
状态观察（Observation）
对物理动作执行后的真实世界状态进行采集与结构化提取，通过视觉等传感器获取执行结果，识别物体位姿、环境变化、交互效果等关键信息，输出结构化的世界观测状态，为后续Feedback偏差计算提供客观依据。
观测反馈（Feedback）
基于观测结果构建闭环修正机制，将执行偏差、异常状态、成功/失败判据回传至推理与规划模块，实现动作参数实时调整、规划序列动态优化、异常场景自主恢复，同时沉淀交互数据用于技能迭代，形成“感知-规划-执行-观测-反馈”的完整闭环，持续提升态势感知规划的鲁棒性。
空间记忆（Spatial Memory）
通过物体级感知，实现对空间的对象化表征（如3D Scene Graph），构建物体级的空间关系；通过变化检测技术发现事件，自动化增量式维护空间关系。同时，通过时间维度压缩、空间层级聚合和情景事件聚类，形成多时空尺度的组织，使能任务驱动的空间上下文构建。
拥有这些能力的physical AI Agent，会带来几个明显的变化：
- Zero跨本体、跨环境自主适应泛化能力；
- 针对复杂任务，具备自主拆解、分步执行能力；
- 减少对训练数据的依赖；
- 本体操作的自我总结与进化能力。
用户视角下的Jiuwen Symbiosis：
从用户视角看，Jiuwen Symbiosis就是一个“能懂人话、看得见物理世界、长了四肢的智能助手”。用户不需要示教，不需要教它怎么抓东西、怎么走路，就像指挥一个经验丰富的工人一样，用自然语言下任务，它就能自己完成感知、理解、规划、执行。
Symbiosis：共生，而非控制
为什么叫Symbiosis？
我们相信，未来的场景不是这样：
而是这样：
这是一种新的持续协作关系。在这个系统中，Agent不只是工具，而是长期合作伙伴——它能理解目标、主动规划、请求帮助、从反馈中学习，从而形成真正的人机共生。
团队的思路是教给机器人“How”，而不是传统的“What”，允许它尝试并及时纠错，沉淀经验，最终达到自我演进的目标。
终极的physical AI不会由某一家企业独立完成——就像Linux不是一家公司建的，ROS也不是一家公司建的。未来的行业生态需要开放协作，因此openJiuwen团队决定
开源Jiuwen Symbiosis
希望它能成为一个透明的Agent for Physics、一个可扩展的physical AI框架、一座连接大模型与机器人世界的桥梁。
“共生”的另一层含义，是
算力生态的亲和共生
Jiuwen Symbiosis与昇腾、鲲鹏
很多physical AI系统还在沿用“大模型+GPU”的思路。但真实机器人场景中，问题往往不是单纯的模型推理，而是如何让
感知、认知、规划和执行
Jiuwen Symbiosis从设计之初就采用了端云协同架构：大规模推理和复杂规划运行在云侧LLM/VLM，端侧则专注于实时感知与执行。这种架构与昇腾、鲲鹏的异构计算能力形成了天然匹配：
- 昇腾提供较高TOPS的AI推理能力，可承担目标检测、视觉理解、多模态感知等高频任务；
- 鲲鹏CPU则负责工具调度、任务编排、状态管理以及机器人控制逻辑，实现低延迟、高可靠的执行链路。
更重要的是，Jiuwen Symbiosis继承了OpenJiuwen在鲲鹏与昇腾生态上的优化成果。在某些场景中，系统能够将规划负载卸载到昇腾NPU，将Agent Runtime、Memory、Workspace、Tool Calling等逻辑运行在鲲鹏CPU上，从而避免传统GPU方案中“所有任务争抢同一计算资源”的瓶颈，最终形成一种更符合机器人运行规律的资源分工。
这种分层架构不仅提升了系统吞吐能力，也显著降低了端侧部署成本和整体功耗，使Jiuwen Symbiosis能够更自然地运行在机器人、机械臂、四足机器人以及边缘智能设备等真实场景中。
未来
今天的Agent已经学会阅读，正在学会思考。下一步，它们将学会行动。而当感知、认知与行动形成闭环时，真正的physical AI时代也许才刚刚开始。
