【具身AGI导读】机器人做操作时，卡住它的常常不是手不够灵，而是当前这个视角根本看不见该看的地方。一篇预印本把这件事翻了个面：视角，能不能也当成一个动作来学？
机器人干活时，目标被挡住、或落在默认视野之外，当前这个视角给出的信息就是不完整的——这种「看不清就自己去找」的能力，在机器人学里叫主动感知。处理这件事的，是 2026 年 9 月 16 日提交至 arXiv 的一篇预印本，题为 ActiveScale。
论文把答案拆成三件：模型这一侧，是给一类视觉-语言-动作模型加了一项要求——除了预测操作动作，还要预测自己这双「眼睛」该移到哪，相机的位姿被一并写进动作空间，每帧画面后面再挂一路监督信号，让它学会判断自己此刻是从哪儿看的。数据侧则是用人类第一视角数据与机器人示范做中间训练，把「人往哪看」这类视角行为先验迁移过来。硬件侧造了一台三臂移动操作平台：差速底盘与两条操作臂之外多出第三条臂专门承载相机，一个操作员戴上消费级 VR 头显、拿起两个手柄，就能同时管住视角、双手和底盘。
放回具身智能的大盘子里，分量在于走向——机器人正从跑通一次演示，走向长期待在真实的、杂乱的、有遮挡的环境里干活。而「看不清」过去通常被算成两件事：视角选择要么被当成一个独立的规划问题、与操作分开优化，要么只在静态环境里被研究。这篇论文的取舍是把视角本身也变成动作的一部分——按作者的说法，要解决的不是把三维几何重建出来，而是在一个持续存在的场景里，相机的运动如何服务于任务执行。
论文也标出了自己的边界，并给出了验证的规模：五个真机任务族分遮挡与搜索两类，每族用百条量级的示范做后训练，每个方法在每个任务上再跑二十次量级的真机测试。它说单靠历史画面、不加位姿监督时效果并不稳定，在背包这类任务上有时还不如只看单帧；把位姿监督补上，才在全部任务族上一致改善。移动中的主动感知被写进了后续工作，那路位姿监督也只在训练时使用、动作推理时并不参与。
深度机智（北京）科技有限公司的落点是物理AI 基座模型，方法论是人类学习路线。
这篇论文真正换掉的是提问的位置：机器人做不好一件事，有时候不是它学得不够多，而是它压根没往该看的地方看过。而要让机器人主动去找要看的东西，前提是它先知道自己此刻站在哪儿、能往哪儿看。
机器人得先看得见，才谈得上做得好。
参考资料
arXiv · ActiveScale: Scaling Active Perception for Robots across Model, Data, and Hardware · 2026-09-16