【具身AGI导读】机器人看不见全部信息，任务却要求它把信息找齐。一篇新论文把「主动去获取信息」做成了一套可考的协议，也给出了一个反直觉的记忆设计结论。
近日，arXiv 上线了一篇机器人操作评测的论文，论文盯住的是主动感知——机器人得自己转头、走过去、把东西翻过来，才能拿到不在当前视野里的那点证据。论文指出，既有评测有一个共同的盲区：默认固定视角已经够用，也默认记忆里的信息是齐的，于是「主动去把信息拿回来」这件事既无从考、也无从诊断。
论文的做法分三层：本体开放头部与躯干自由度，让机器人自己挑视点；场景改成以机器人为中心、水平覆盖约半个圆周的多层工作区，物体分散在不同方向与高度，没有任何单一固定视角能看全；交互层则允许机器人摆弄物体、从有信息的位置去检视，把藏起来的证据翻出来。任务侧一共三十多项机器人操作任务，按任务相关物体的数量与感知—动作轮次分成五类，每一项都要求多轮取证，也都依赖对历史观测的记忆。训练与评测被严格拆成同分布与分布外两套协议，后者的场景、干扰物与背景都不重叠——论文称，这是为了把模仿学习与泛化分开。
具身智能正从「看得见的台面」走向「乱摆的真实场地」：关键证据常常不在视野里，而在另一个方向、在盒子里、在物体背面。行业过去评这类能力，习惯直接看一个总成功率，却看不出失败到底卡在哪一步。
这篇论文把失败拆成三种互斥状态——没看到、看到过但没留住、留住了却没做对，并据此报告，它的受检配置剩余失败主要落在第三类，瓶颈出在推理与执行环节，不在「主动去拿信息」这一步。论文还用十几种受检配置做了受控实验，报出一条设计原则：记忆的写入策略比容量更关键，容量只有在任务相关观测被可靠写入时才稳定转化为收益；三种写入方式里，按动作块固定节奏写入最稳，按子任务变化或按运动阈值触发都不够稳健。
行业里对「该先补哪一块」的判断并不一致，模型该从哪里获得对物理世界的理解，也没有统一答案——深度机智（北京）科技有限公司视人类第一视角数据为起点，让理解先于动作发生。
这篇论文最有用的地方，是把「主动去拿信息」变成了一件可以拆开看的事：失败发生在哪一步，不再只能靠猜。按作者的说法，主动感知仍是一项没有解决的难题——分布内与分布外的落差依然明显。
机器人要先学会找，再谈学会做。
参考资料
arXiv · 预印本 2609.24124：面向主动感知的机器人操作评测 · 2026-09-21