不需要 VLA：Stanford HomeBody 讓 GPT Astra 直接透過技能庫操控人形機器人

過去兩年，人形機器人自主操作的標準藍圖一直是三層架構：System 2 的視覺-語言模型（VLM）負責理解「該做什麼」，System 1 的視覺-語言-動作（VLA）學習策略負責把感知轉成指令，System 0 的全身控制器負責真正驅動硬體。Stanford 運動實驗室（The Movement Lab, TML）與一位 Caltech 合作者現在發表了一個系統，直接提出一個尖銳的問題：當前沿 VLM 已經夠強，中間那層到底還需不需要存在？

他們的答案是 HomeBody——一套把 GPT Astra（OpenAI 的前沿多模態模型）透過五個可組合的運動技能庫直接接入 Unitree G1 的人形機器人系統，完全繞過了需要訓練的 VLA 策略層。在一間機器人從未見過的廚房裡，G1 能夠來回多次整理房間，還能根據使用者模糊的描述找回一件先前看過的物品——全程不需要任何針對該環境的訓練資料，也不需要額外的策略學習。

HomeBody 實際做了什麼

展示任務聽起來很日常，而這正是重點。第一個任務中，機器人收到的指令是：「把所有咖啡包收拾好放到中間，過期的牛奶和果汁紙盒全部丟掉。」這需要判斷哪些該留、哪些該丟，繞著中島走動，抓取不同大小的物品，並協調多次來回——一個真正長時程、導航與操作交錯的任務序列。

第二個任務的難度藏得更深。「我忘記帶藥了，可以幫我拿一下嗎？順便把壞掉的紙盒丟掉。」藥品一開始根本不在視野內。HomeBody 必須記得探索時看過某個抽屜，走過去，用右手拉開抽屜、取出藥瓶交給主人，再用左手丟掉壞掉的紙盒。在兩隻手臂之間切換，讓機器人能夠觸及身體兩側的目標——這種全身協調能力，過去被視為學習式 VLA 架構的專利。

由機器人自己建立持久空間記憶

關鍵使能者是一套三階段部署流程。第一階段是探索：告訴人形機器人「你是廚房機器人，請探索這個空間！」然後放它自由行動。在這個階段它收集 0.5 倍速的 iPhone 影片、Intel RealSense D435i 相機觀測、經 SLAM 處理的 LiDAR 掃描、關節姿態，以及由 Astra 自己選擇的路徑點。關鍵在於，探索是從機器人自己的視角捕捉房間——空間脈絡奠基於機器真正看得到、構得到的東西，而不是人類錄製的導覽影片。

第二階段是 Real2Sim：Astra 擔任重建代理人，用機器人自己收集的資料在 NVIDIA Isaac Sim 中建立房間的數位孿生。專案 FAQ 對此異常坦白——人類錄製的影片提供了豐富的視覺細節，但機器人還需要精確的幾何資訊才能導航、定位、伸手取物。HomeBody 在相機觀測之外還餵給重建代理人實測的 SLAM 幾何，產生一個在幾何與語意上都準確的孿生。部署時，G1 用 Super Odometry 在這個共享座標系中定位，SLAM 地圖透過迭代最近點（ICP）配準對齊到重建場景。自我視角相機的觀測連同描述性內容存在同一座標系裡，所以即使物品離開視野，機器人仍能回到記錄過的位置。

第三階段才是任務本身：Astra 接收指令，自行決定去哪裡、對什麼採取行動——沒有任何動作層級的腳本。

架構：用工具呼叫取代動作 token

在底層，HomeBody 用一個即插即用的介面取代了學習式動作管線，長得非常像當代的 agent 工具呼叫。VLM 根據當前自我視角畫面、地圖脈絡、夾爪狀態、回憶起的觀測和上一次執行結果，選擇一個技能和一個空間目標——然後透過結構化工具呼叫傳遞出去。技能負責規劃並執行動作；VLM 永遠不需要知道技能的底層實作。

五個技能——取物（pick）、放置（place）、開抽屜、從抽屜取物、導航——共用統一的目標與執行結果介面，這正是 VLM 能在部署時自由組合它們的原因。每個技能底下都藏著相當扎實的傳統機器人技術：一次取物呼叫指定一個影像座標點（正規化到 0–1000）和使用哪隻手；這個點驅動 SAM 2.1 分割（搭配 SAMURAI 記憶選擇），Fast-FoundationStereo 從立體影像估計深度，相機標定把遮罩後的幾何投影到 3D，抓取姿態則用解析方法預測。手臂運動採用最小急動度（minimum-jerk）樣條參考軌跡，沿路徑解逆運動學並做掃掠碰撞檢查。

錯誤恢復刻意分層。若目標在接近過程中於畫面裡移動，基於追蹤輸出的視覺伺服會直接修正對齊，不必打擾 VLM。若一次抓取撲了空，取物技能會換下一個候選或調整站姿——有界的局部重試。只有當重試額度耗盡，技能才把失敗原因回報給 VLM，由它重新定位、換目標，或乾脆改變計畫。行走與操作則透過預訓練的 AMO 上半身感知下半身控制來協調，手臂與手部指令跑在 250 Hz，AMO 策略每五個控制週期更新一次（50 Hz）。

最引人注目的工程事實或許是：整套本地堆疊——技能、感知、運動規劃——跑在一台搭載 RTX 4090 的 Razer Blade 筆電上。Astra 在遠端執行，把技能請求傳下來、接收執行結果傳回去。

為什麼跳過 VLA 層很重要

「VLA 可有可無」這個主張值得推敲而非吹捧。學習式 VLA 策略（π0、RT-2、RDT 這個譜系）擅長低階靈巧操作與富接觸任務，那是五個參數化技能庫覆蓋不了的範圍——HomeBody 自己的限制章節也從另一個方向承認了這點。HomeBody 真正展示的是：對一類具體且經濟上重要的任務——由中等粒度原語構成、長時程、多物件、全屋的家務——一個具備持久空間記憶、精確定位和設計良好技能介面的前沿 VLM，今天就能在零訓練的前提下勝任。

取捨是真實的：Real2Sim 重建會增加每個環境的設置時間與 API 成本；任務長度受限於硬體續航（論文明確提到長時間操作時手指伺服器會過熱）；Astra 的推理延遲也會在技能之間造成停頓。技能本身同樣是固定的——不過願景是：新技能無論是學習式策略還是傳統演算法，都能透過共用介面加入，並立即被 VLM 組合運用。

話雖如此，時機才是這件事超越學術展示的原因。這篇論文發表的一週，正好是新聞版面被 agent 框架、結構化工具呼叫與 agent 濫用事件洗版的一週——而 HomeBody 把同一套軟體範式直接搬到實體硬體上。如果前沿 VLM 繼續以目前的速度進步，學習式策略這個「中間層」最終可能被壓縮到堆疊底部需要高靈巧度的那一小段，而規劃、記憶與錯誤恢復則全部上移到任何人都 能按 token 租用的模型上。

程式碼已在 GitHub 開源，廚房場地由 Stanford 機器人中心提供。對一個花了兩年時間訓練越來越大動作模型的領域來說，一台筆電、一個機器人、一個被好好提示的前沿 VLM，是一份挑釁意味十足的精簡反提案。