Natus AGE-0具身本能模型：為機器人賦予原生 “操作本能”

2026-08-10 14:15:31來源：“橡木果AcornRobot”微信公眾號關鍵詞：具身本能模型橡木果機器人閱讀量：8586

導讀：橡木果機器人正式推出「Natus AGE-0 具身本能模型」——一個“即插即用”的底層操作基座模型。它是橡木果“本能驅動”技術路線下的核心落地成果，旨在為機器人打造最底層的“操作本能系統”。

　　今年6月，橡木果機器人首次完整地向行業介紹了橡木果“本能驅動”這一技術路線。對于整個行業而言，這無疑是一條極為新穎、甚至反共識的路徑。然而，隨著公司技術成果的不斷驗證，我們更加確信，“本能驅動”是通往通用操作智能的一條更快、更優雅、且擁有更高上限的路徑。

　　今天，橡木果機器人正式推出「Natus AGE-0 具身本能模型」——一個“即插即用”的底層操作基座模型。它是橡木果“本能驅動”技術路線下的核心落地成果，旨在為機器人打造最底層的“操作本能系統”。

　　Natus，在拉丁語中意為“與生俱來的、天生的”；AGE-0象征著Natus將持續進化，不斷生長出新的能力。它為機器人構建了一種“本能反射”，使其無需任何數據預訓練，即可實現毫秒級的自適應操作。在我們看來，這是機器人實現通用、可靠、類人自主操作的基礎，也是我們通往“具身智能涌現”的第一步。

　　01 人類操作的真相：智能，從來不是“全程思考”

　　人類，是地球現存已知智能水平最高的生命體。人屬演化譜系已延續約280 萬年，在接近 95% 的漫長時光中，我們的祖先僅依靠感知、應激與生存本能存續。

　　自然界耗費數億年，持續打磨生物趨利避害、動態物理交互的底層本能，直至演化后期，靈長類才逐步孕育高級認知。語言、抽象推理這類上層智能，僅僅是演化晚期誕生的衍生能力。生物不是先擁有思考能力，才學會站穩、避險、完成與物理世界的交互。

　　由此可見，本能是一切高級智能的底座。大量感知信號無需高階大腦參與，便可直接觸發行為。

　　這正是 Rodney Brooks 在《無表征的智能》(Intelligence without Representation，1991)中提出的核心思想：智能來自漸進演化。底層生存應激本能先行，后天學習能力與高級認知而后形成。構建人工智能系統，理應遵循這一同源的演化路徑。

　　在Brooks的架構中，內部層級并行運轉：高層行為層能夠調控低層，但低層持續獨立運行。高層只下發長期任務目標，并不指定精細的運動軌跡；局部的“感知-運動”閉環可自主應對環境實時擾動，無需上層持續管控。

　　當前的主流具身技術路線，全力復刻人類后天習得的高階認知能力——圖像理解、語言解析、語義推理，卻長期忽略了生物智能最核心的底層邏輯：生命體與生俱來、無需后天學習的原生交互本能。

　　神經科學領域長達數十年的研究同樣證實：高層認知中樞定義任務目標與執行標準；底層脊髓、外周感知反射環路負責毫秒級接觸調控，無需意識介入即可自主完成力位調控。該通路實現外界刺激直接映射動作輸出，大多繞開大腦高級認知皮層，不依賴環境表征與復雜推理規劃，僅通過近端感知閉環完成響應。

　　人類之所以能夠在瞬息萬變、充滿隨機擾動的物理環境中，實現極強的操作泛化能力，核心依托的是分層雙軌、并行協同的生物操作機制：

　　第一層：大腦任務規劃——知識數據驅動

　　依托視覺、語言與先驗經驗，完成任務意圖理解、目標對象識別、作業標準定義與執行流程規劃。該層級依托海量場景學習與經驗積累，核心解決“要做什么、做到什么標準、按何種步驟執行”的認知問題。上層規劃只定義任務目標與宏觀約束，不介入手部精細姿態、接觸力度、物體形變、實時擾動等底層交互細節，不綁定具體本體結構，因此具備極強的通用規劃能力。

　　第二層：本體本能執行——物理交互驅動

　　神經科學研究明確證實：接觸層面的反射調控響應速度，顯著快于視覺信號傳輸至大腦皮層完成認知決策的速度。高頻的實時物理交互，根本沒有時間進行高階思考與推演計算，必須依靠感知本能自主調節、實時動態收斂。

　　由此可見，人類實現精細操作與動態自適應發力，依靠的是觸覺與本體感知所觸發的本能反射，而非后天習得的認知推理。映射至機器人系統，決定操作成敗、接觸穩定性與環境適配能力的核心，同樣應當依托一套底層反射調控機制，而非高階認知。

　　02 Natus AGE-0：以“不變”應萬變

　　過去三年，全球具身智能行業形成高度趨同的發展路線：以數據規模擴張驅動模型能力提升，信奉 “數據即一切”。行業持續加大數據采集、模型參數與算力投入，實驗室長時序演示效果持續優化，但具身機器人始終難以規模化落地工業產線，無法實現穩定、通用的物理操作。行業陷入典型的閉環困境：不成熟的模型無法進入真實工況采集高質量交互數據，缺少真實場景數據又進一步限制模型迭代成熟。

　　我們認為，造成這一局面的本質原因在于預訓練模型的結構性缺陷：視覺與語言擅長語義理解、場景推理與流程規劃，卻無法細膩表征連續、動態、細微的觸覺交互與物理接觸特性。強行將毫秒級的實時接觸調控納入大模型低頻推理鏈路，不僅無法適配物理規律，還會極大加重模型負擔，從根源上限制機器人的操作穩定性與泛化能力。

　　生物演化規律早已印證：生物操作的泛化能力是神經系統聚焦達成目標結果，而非機械記憶與復刻固定的肢體運動軌跡。人類操作智能并非數據擬合的產物，機器人物理交互智能，同樣不可能依靠無限數據堆疊實現通用。智能的根基，從不在于海量樣本的記憶，而是在瞬息萬變的環境里，把握穩定不變的交互規律。

　　這正是 Natus 具身本能模型的使命。

　　作為行業首個以觸覺感知為核心、復刻人類操作機理的通用操作基座模型，Natus AGE-0 徹底摒棄了行業主流數據預訓練范式，不依賴海量場景標注、不綁定具體機器人本體、不局限特定物料工況，而是從觸覺感知、接觸力學出發，建立操作底層規律，讓機器人擁有與生俱來的物理交互本能，實現跨本體、跨物料、跨工況的零樣本泛化。

　　它復刻了人類操作底層邏輯：以不變的物理交互本能，應對萬變的物理場景。通過“信息感知”的刺激直接構建出“本能”，即：感知的期望，繼而驅動機器人自主探索、收斂于該期望，最終自發涌現出操作行為。

　　機器人不需要任何針對“特定物體、特定工況、特定場景”的預訓練數據，不需要先“看”1萬張杯子的圖片，才能學會“抓杯子”，它天生就知道“當感覺到物體要滑落時，應該增加抓力”這個規則。

　　例如，在抓取一個從未見過的物體時，本能會通過觸覺感知物體“要掉不掉”的滑移感，自動調節施加一個“剛剛好的力”，使物體穩定地被握住，而無需事先知道物體的重量、材質或摩擦系數。

　　這與自然界生物演化底層邏輯一脈相承：在同等生存收益下，消耗更少能量的個體，擁有更大的生存優勢。自然法則留存了以最小代價、最低能耗完成生存任務的本能機制——這正是 Natus 的設計內核。

　　Natus 不依賴任何離線的、預采集的數據集，但不意味著它不接觸任何“數據”，然而此數據與預訓練模型的數據完全不同。VLA等預訓練模型收集的是“樣本數據”，這些數據是脫離物理交互的、靜態的、被所人類定義的，與真實物理世界存在“Sim-to-Real”的鴻溝，且無法包含交互過程中豐富的、時變的力學信息。

　　而Natus是在工作中實時處理“交互感知信息”，其包含了大量豐富的力學語義，如物體重量、質心、摩擦系數、表面軟硬、滑移狀態等。這些信息是在真實物理世界“探索-交互”的過程中，實時在線產生的，是100%真實、100%與硬件適配的，因為它就是機器人自己“摸”出來的。

　　03 從本能反射到肌肉記憶，端側響應閉環

　　Natus AGE?0 的技術鏈路復刻人類行為機理，形成本能反射?行為涌現?經驗強化的自適應、自學習操作能力。觸覺與本體感知作為反射刺激的信號源，經由行為組織機制，使機器人在不同硬件、復雜工況下，涌現出主動對環境開展探索與交互的行為。基于用進廢退的生物規律，交互產生的行為數據持續篩選、沉淀可復用的有效操作經驗。

　　本能反射：與生俱來的自主探索能力

　　本能是貫穿全部物理交互的恒定底層機制，無需海量訓練、樣本復刻與場景預演。機器人依托感知直接建立任務期望狀態，觸發接觸交互之后，自主輸出穩定、快速、可控的本體收斂動作，構成最高效直接的物理交互求解路徑。

　　該能力區別于樣本訓練的習得能力，由感知直接觸發，圍繞任務目標構建穩定的期望收斂狀態，不受機器人本體結構、物體形態、工況環境差異的制約，天然具備通用性、魯棒性與實時性。

　　在本能期望驅動下，機器人依據實時接觸狀態自主生成手臂、靈巧手的適配動作，無需人工示教、無需場景預訓練，依靠端側自主交互即時建立“目標期望 — 動作收斂”映射關系。

　　作為自下而上涌現物理智能的核心底座，本能反射保障機器人在未知場景、陌生物料、動態擾動條件下的操作成功率與運行穩定性，為高階操作能力的迭代進化筑牢底層支撐。

　　肌肉記憶：持續沉淀的熟練操作能力

　　在本能反射的基礎上，機器人通過持續端側自主探索與實時觸覺反饋迭代，將零散的瞬時收斂動作沉淀為標準化、高效化的固定操作鏈路，形成機器“肌肉記憶”。肌肉記憶將原本依賴高頻決策的交互轉化為熟練執行，大幅提升作業效率。

　　肌肉記憶是本能反射的進階迭代能力，并非硬件固有屬性，是機器人經過持續試錯交互、感知經驗沉淀形成的自動化執行范式。它將“有意識推演執行”升級為“無意識自適應完成”，大幅降低算力消耗。

　　本能反射與肌肉記憶形成雙向協同關系：本能反射壓低試錯成本、夯實動作收斂基礎；肌肉記憶進一步動態優化本能的響應強度與適配邏輯，讓原生交互能力更好匹配工業具體任務。

　　Natus 借助這套機制，讓機器人先動起來，再通過“在線強化”將探索經驗沉淀下來，從而實現了從 “零數據冷啟動” 到 “高效熟練操作” 的自主進化。

　　04 破解“雞蛋悖論”，冷啟動構建正向飛輪

　　針對具身智能當前“雞生蛋、蛋生雞”的數據與落地困境，我們認為，具身智能應當依照自動駕駛商業落地的發展路徑，先讓機器人在真實世界中“跑起來”，再通過真實交互產生的數據反哺模型，從而形成商業與技術的正向飛輪。

　　Natus AGE-0 賦予機器人“零數據”即可冷啟動的本能，使其能以最低的初始成本進入工業現場，立刻開始工作，直接解決了當前行業面臨的三重矛盾：

　　數據稀缺：Natus 實現零數據冷啟動，無需海量預訓練數據，從零開始即可工作，跳出了“先有數據還是先有模型”的死循環。

　　場景失效：Natus 具備強大的自適應與泛化能力，不依賴預設場景模型，在真實環境中能自主探索、自適應，面對來料公差、物料差異等動態擾動時，魯棒性遠超預訓練模型方案。

　　實時性不足：Natus 基于毫秒級的本能反射，而非慢速的模型推理，實現了真正的“實時響應”，能夠滿足工業場景對節拍和穩定性的要求。

　　正如 Rodney Brooks 所言：“The world is its own best model. The trick is to sense it appropriately and often enough.”

　　真實世界本身就是它自己最好的模型。關鍵在于恰當且足夠頻繁地感知它。

　　Natus 具身本能模型跳出數據內卷與擬合陷阱，回歸物理交互本質，以 “端側反射、自主收斂” 的全新技術路線，破解數據驅動路線泛化差、實時弱、可靠性低等落地難題，推動具身智能邁入「本能驅動的通用操作時代」。

　　【文獻】

　　1. Bernstein, N. A. (1967). The Coordination and Regulation of Movements.

　　2. Rodney A. Brooks(1991). Intelligence without representation.

　　3. Kawato, M. (1999). Internal models for motor control and trajectory planning.

　　4. Schieber, M. H., et al. (2026). Autogenic spinal excitatory circuit ensures skilled hand movements in primates.

　　5. McDougle, S. D., et al. (2016). Implications of plan-based generalization in sensorimotor adaptation.

　　6. Holt, K. G., Saltzman, E., & Kugler, P. N. (1995). Existence of the minimum?energy trajectory in human gait.

　　7. Brooks, R. A. (1990). Elephants don’t play chess.

上一篇：帕西尼全球首個足底多維觸覺傳感器PX-FOOTRIX重磅發布

下一篇：抬掌即開門！海康威視門禁新品，不止認人臉，更認“掌“中靜脈

我要評論

昵稱

匿名

文明上網，理性發言。（您還可以輸入200個字符)

表情

所有評論僅代表網友意見，與本站立場無關。

版權與免責聲明：

凡本站注明“來源：智能制造網”的所有作品，均為浙江興旺寶明通網絡有限公司-智能制造網合法擁有版權或有權使用的作品，未經本站授權不得轉載、摘編或利用其它方式使用上述作品。已經本網授權使用作品的，應在授權范圍內使用，并注明“來源：智能制造網”。違反上述聲明者，本站將追究其相關法律責任。

本站轉載并注明自其它來源（非智能制造網）的作品，目的在于傳遞更多信息，并不代表本站贊同其觀點或和對其真實性負責，不承擔此類作品侵權行為的直接責任及連帶責任。如其他媒體、平臺或個人從本站轉載時，必須保留本站注明的作品第一來源，并自負版權等法律責任。如擅自篡改為“稿件來源：智能制造網”，本站將依法追究責任。

鑒于本站稿件來源廣泛、數量較多，如涉及作品內容、版權等問題，請與本站聯系并提供相關證明材料：聯系電話：0571-89719789；郵箱：1271141964@qq.com。