具身智能的研究，长期围绕一个朴素假设展开：只要把单个端到端模型做得足够大、数据足够多，机器人就能应对一切。但真实的长程任务给出了相反的反馈——当同一个模型既要处理高频的底层感知、又要做高层的规划推理、还要输出细粒度的动作时，逻辑容易混乱，误差会逐步累积。清华团队给出的答案是：不要让一个模型包办一切。
一组值得停留的数字
据公开信息，清华大学深圳国际研究生院智能计算实验室的硕士生方智睿、于清池、陈子扬等，在李秀教授指导下，联合南京理工大学、西安交通大学、西安电子科技大学、哈尔滨工业大学、北京大学与南洋理工大学，推出多智能体异步并发框架 EMERGE-Policy，相关论文于 9 月 10 日更新至 arXiv。
在 Standard LIBERO 基准上，把世界模型作为「想象」技能用于轨迹预演与动作选择后，EMERGE-Policy 取得 99.2% 的平均成功率；换用另一套执行技能后为 98.8%。更关键的是扰动测试：在 LIBERO-Plus 的光照变化、相机位姿突变等场景下，带世界模型的配置达到 93.9% 的完成率，相比单一基础模型提升约 11.7 个百分点。在考察视觉记忆与长程规划的 RoboDojo-Sim 上，其记忆维度得分与成功率同样明显高于同类方案。
把「模型」变成「工具」：统一技能库
据公开说明，这套框架的核心设计是一个统一技能库，它不再把各类主流模型视为相互竞争的替代方案，而是按用途分成三类技能，统一封装成标准接口：操作技能包括 VLA（视觉-语言-动作模型，用于高频精确的末端轨迹与物理控制）、运动原语（负责粗粒度、大范围的运动规划）与 WAM；想象与预测技能引入世界模型，让系统在真正执行动作之前，先把它当作仿真器预演未来的状态；评估与校验技能集成验证器，在动作执行前校验前提条件、执行后校验目标完成度，并在预演阶段为多条候选路径打分筛选。
这个分工的意义在于，它把「谁负责什么」写清楚了。VLA 擅长把看到的画面变成动作，但不擅长长程规划；世界模型擅长预测「这么做会发生什么」，但预测不等于判断对错；验证器擅长判断「做到没有」，但不能生成动作。把它们解耦成工具再统一调度，等于让每种模型只做自己最擅长的那一段，而不是强迫一个模型同时兼顾三种时间尺度。
图结构调度：一个主智能体，三个专职子智能体
据公开说明，系统采用图结构的智能体编排：主智能体是决策与调度中枢，维持全局任务状态，把复杂长程任务拆解为子目标，并通过分层上下文工程屏蔽冗余的低级感知数据，只以结构化接口调用子智能体与工具库。子智能体则运行在相互隔离的上下文环境中，各自处理高密度的专有数据：感知子智能体负责场景的三维边界框与空间语义；验证子智能体实时调用验证器检查目标完成度；监控子智能体则盯住执行过程中的物理异常。
「上下文隔离」这一点值得单独留意。多智能体系统里最常见的失败模式，是让所有子智能体共享一段越来越长的上下文——结果是每个子智能体都被无关信息淹没，成本上升、准确率下降。把每个专职单元放进独立上下文，等于让它们各自只看到与自己相关的那部分信息，这既是效率考虑，也是可靠性考虑。
三层文件记忆：让长程任务「不失忆」
据公开说明，为保证长程任务不丢失状态，系统引入了三层文件级记忆：PLAN.md 记录任务图与当前进度；HISTORY.md 追加存储历史观测与工具调用摘要；MEMORY.md 动态修正并更新环境事实。当上下文达到上限时，系统会自动触发记忆整合，压缩历史，以维持超长时序下的稳定运行。
这套设计与近期软件智能体领域的记忆工程思路高度一致。无论是把外部状态拆成信念、进度、经验三类，还是坚持「用文件承载记忆、用编辑规则保证正确」，指向的都是同一个判断：长程任务的瓶颈往往不在模型的推理能力，而在它能否把「已经发生过什么」准确地保存下来，并在需要时可靠地取回。EMERGE-Policy 把这一点做成了文件级、可检查、可压缩的机制，而不是埋在模型权重里的隐性记忆。
真机实验：一次「被打断」的叠纸杯
据公开说明，团队在真实机械臂上部署了一个高难度任务——多层纸杯叠放。机器人需要把桌面上的纸杯依次倒扣、定位，并精准堆成三层金字塔。在 100 次标准真机实验中，系统展现出很高的完成度；而在人为破坏（把叠好的纸杯拆毁）、纸杯尺寸变化 5% 至 15%、颜色变化以及相机视角变动等干扰下，凭借分支栈恢复与工具库的在线重规划，成功率仍保持在 85% 至 94%。
这组抗干扰数据，比干净环境下的成功率更能说明问题。真实世界里，「任务做到一半被破坏」是常态而非例外；一个只能从头再来或直接失败的系统，很难承担实际工作。EMERGE-Policy 的做法是保留中间状态、在工具层重新规划，这与长时程软件智能体强调的「留证—验证—修正」是同一种工程直觉。
放进「系统级智能」这条线看
据公开信息，近期围绕智能体架构的讨论，正在从「单点能力」转向「系统编排」。有研究把编排层套在编码智能体外层以提升长时程表现；有企业方案把 Harness 做成统一控制平面；也有团队把记忆管理训练成可学习的能力。EMERGE-Policy 的价值在于，它把这套「系统大于组件」的思路，从数字世界搬到了物理世界，并给出了可复现的开源实现与真机结果。
值得注意的是，论文团队把这项工作总结为对「我们需要怎样的具身智能系统架构」的回答——而不是「我们需要多强的机器人模型」。这个提问方式的转变本身就有信号意义：当单模型的边际收益开始递减，系统架构就会成为下一个竞争焦点。
中立思辨
需要辩证看待这项研究。其一，论文所报成绩均为团队自报，测试条件、基线配置与评测口径需要对照原文与开源代码判断，不宜直接外推为「已可全面替代端到端方案」，目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。其二，多智能体异步并发的代价是复杂度：主智能体、三个子智能体、三类技能工具、三层记忆叠加在一起，系统的调试、监控与故障定位难度远高于单模型方案，工程落地门槛不低。其三，世界模型作为「仿真器」的预演质量，直接决定了「想好了再做」是否可靠——若预演与实际偏差较大，打分筛选反而可能把系统引向错误路径。其四，真机实验的 100 次测试与 85% 至 94% 的抗干扰成功率，是在特定任务与特定硬件上取得的，不同机器人构型与任务分布下的表现仍需验证。其五，三层文件记忆在单任务场景下表现良好，但在多任务并行、多机器人协作时，文件级状态的并发写入与一致性如何保证，是尚未充分讨论的问题。其六，把 VLA、世界模型、验证器统一封装为工具，需要为每类模型设计标准化接口，这类接口一旦频繁变动，维护成本会显著上升。
趋势研判
短期，「多智能体 + 工具库」会成为具身智能系统设计的主流范式之一，因为它绕开了单模型难以兼顾多时间尺度的结构性难题；中期，世界模型、验证器与记忆机制可能像今天的感知模块一样，被标准化为可替换的组件，形成具身智能的「中间件层」；长期，决定具身系统上限的，或许不再是某一类模型的能力，而是系统能否把不同能力的组件可靠地组织起来——当「编排」比「单点」更重要时，具身智能的竞争焦点也会随之转移。
对做具身智能的团队的务实建议是：在急着换更大的端到端模型之前，先审视系统的分工设计——感知、规划、执行、验证是否被明确拆开，每类模型是否只做自己最擅长的那一段，中间状态是否被可靠地保存下来。这项研究用一组真机数据说明，这些看似架构层面的细节，可能比模型规模更直接地决定机器人能否把任务做完。