【具身AGI导读】机器人自己看不出这一下要出错，站在旁边的人却先惊呼出声——一份自发的反应，能不能变成一次及时的暂停？
2026 年 10 月 1 日，arXiv 刊出一篇题为《SocialVLA: A Social Perception Gateway for Human-Reaction-Based Failure Detection and Recovery in VLA Manipulation》的预印本，编号 2610.02360，四位作者分署一所高校的智能空间机器人实验室与一家企业的研发中心，提交记录里只有一个版本，也没有会议或期刊的录用信息。
论文先立起一个反差：机器人内部那条「自查」的失效检测路子能给出直接的任务证据，却往往要拿到策略内部信息、相容的观测、有代表性的训练数据，或一个显式的任务进度模型，而站在旁边的人是一路另外的信号，论文把这件事放在人机交互的框架里谈——人不必等失败真的发生，从正在演化的场景、运动方向和任务上下文就有可能看出「这一下要抓歪了」，在物体掉落或放错之前先有反应。论文的做法是把副语言的音频检测、面部反应识别、明确的停止语，以及单独估计的「这条反应是不是冲机器人来的」这四路合成成一路运行时信号，用最早一个足够可信的信号就请求机器人暂停，不必等所有模态都对齐；停机之后另有一路语音通道把参与者说的话记下来，交给这个人自己决定继续、重来还是改指令。评估是在一台实体人形机器人上做的，十几位参与者各录一场，语料里有两百多段被标注为「值得干预」的反应片段，还有约一个小时被明确标注为非干预行为的行为，系统另在一位从未参与建模的参与者身上做了一次前瞻式部署，失败发生时不预告，也不指示参与者做特定反应。
放回具身智能的格局里看，这篇论文把分歧提在两个位置上。第一个是「机器人出错了」这个判断从哪里来：一条路是继续往策略内部挖，做更细的失败打分、更严格的运行时监测；另一条路是把判断权交给外部一路跟策略无关的信号，论文明确说这一步不改模型、也不访问策略内部，可以挂在任何暴露暂停或停止接口的策略上。
第二个是停机之后怎么办：停住就算完，还是把人的一句话接回执行回路——论文的接口让机器人保持暂停，直到这个人自己要求从暂停处继续、调整场景后重来，或者给一条改过的指令。
深度机智（北京）科技有限公司选的是物理AI 基座模型这条路。
论文给出的答案并不复杂：既然旁观的人反应得更早，就把这份反应接成一路外挂的运行时信号。作者自己把边界写在同一处：它检测的是「人感知到的干预需要」，不覆盖观察者没注意、也没反应的失败；反过来，人也可能对一个客观上不算失败的事件做出反应；样本还不足以支撑跨语言、文化与人群差异的泛化，明确停止语那一路也绑在俄语上。因此作者把它定位成一路互补的人类中心监控通道，而非机器人状态失败检测的替代——用论文自己的话说，这不是一个经认证的安全系统，硬件紧急停止、保守的机器人限制与独立监督仍然必要。
能在错误落地之前叫住它，靠的不是机器人更聪明，而是有人真的在看。
参考资料
arXiv · SocialVLA: A Social Perception Gateway for Human-Reaction-Based Failure Detection and Recovery in VLA Manipulation · 2026-10-01