一個好友的終生夢想是做機器人，他認爲這個事情足夠難，足夠複雜，可以幹一輩子。
最近朋友說，夢想可能有點小了，我問爲啥？
他說機器人在大模型技術加持下，進展飛快，可能不用太久就能實現夢想。
我一開始將信將疑，直到最近看了幾段機器人的視頻演示：
1. 機器狗點咖啡
2. 輪椅載人找目標
3. 機器人導覽介紹畫作
演示視頻來自一個清華團隊，CEO是清華計算機博士耿威，公司叫“一念UnisonMind”。
據說沒有融太多錢，但從 Demo 效果看是真不錯。
現場發佈會當天好幾個朋友在場，他們都表示很震驚。
沒有遙控、沒有劇本，機器人全現場發揮，甚至還會跟人爭論、各種吐槽、抱怨。
比如機器人會抱怨背後的電池太沉了，嫌棄主持人顛球顛的不好，吐槽現場模擬冷飲店太假了，噴其他機器人是不是掛了。 😂
任務也很有趣： 機器狗數乒乓球，機器人做畫作導覽，輪椅載着人尋找目標，還有讓機器狗點咖啡。
只看這些，可能會覺得只是一次常規的機器人秀肌肉。
真正的亮點 ：這四臺形態各異、底層控制完全不同的設備，跑的是 同一個端側、實時、多模態的“大腦”。
並非 “一種機器配一套定製系統”，而是同一個“大腦”，進入不同物理軀體。
看懂這個大腦，先從“數乒乓球”說起
要理解UnisonMind的技術差異，最好的切入點是一個極簡單的動作：數乒乓球。
現場視頻中，一隻名叫“哮天”的機器狗可以看人顛乒乓球，記住次數並告訴答案。
有人會覺得：這不就是視覺識別嗎？現在的多模態大模型看個視頻不是很輕鬆？
這裏有個關鍵技術區別： 抽幀式視頻理解 與 流式理解 的差別。
市面上大多數AI模型處理視頻，採用的是“抽幀”邏輯。
就像你看電影時快進，系統會從視頻中按固定間隔抽取幾張關鍵畫面（比如每秒抽一幀），然後統一分析這些靜態圖像。
但數乒乓球不能用快進。
顛球的間隔、速度和觸球的軌跡毫無規律，一次有效觸球可能只發生在幾分之一秒內。
如果系統還在按固定間隔稀疏抽幀，兩個採樣點之間只要漏掉一次觸球，累計的總數就會徹底出錯。
數乒乓球要求系統必須做到： 持續接收視覺信息，在每一次觸球事件發生時實時更新內部狀態，同時牢牢記住此前的累計次數。
這種 “流式輸入與持續狀態更新”，不是等一段視頻播放完纔開始理解，而是沿着真實的時間軸，跟着世界一起往前走。
系統像一個“始終在場的人”，一直知道剛纔發生了什麼，現在正在發生什麼。
同一個大腦，跨越四條不同的命
在傳統的物理智能架構裏，往往是視覺歸視覺模型，語音歸語音模型，運動控制再交給另一套系統臨時拼接。
AI像一個被迫分工的流水線工人，各個環節是割裂的。
UnisonMind試圖打破這種邊界。
他們將統一多模態、統一理解與生成、流式運行以及完整端側部署整合在同一個認知底座中。
在這個架構下，視頻、圖像、語音、文本，甚至設備自身的狀態（比如電量、輪子轉速），都進入同一個“統一 Token 空間”。
機器狗靠腿，輪椅靠輪子，但上層的大腦在持續判斷同一組問題：“我在哪裏？周圍發生了什麼？人希望我做什麼？下一步該做什麼？”
爲什麼可以這樣？
因爲系統會持續維護“當前世界狀態”，並通過動態推演未來狀態，再決定說什麼或做什麼。
現場視頻是直觀的證據：
當機器人“楊戩”導覽畫作時，它除了看着真實畫布，識別出黃永玉畫作，還同時知道自己的身份，執拗的、顫顫巍巍的扭身，面向觀衆介紹。
不完美但更真實的現場：AI與人類共享時間線
在很多機器人Demo視頻中，機器人總是完美無缺。
但在真實物理世界裏，充滿着噪聲、遮擋、誤解甚至硬件故障。
這場20多人蔘與的發佈會現場，臨時走動的人羣、隨時發出的新指令，共同構成了難以完全預編排的複雜環境。
畫面有個小細節： 那臺電動輪椅在現場出現了避障異常，開始在原地轉圈。
但是，面對這種硬件狀態異常，系統並沒有死機或報錯退出。
輪椅“大腦”依然在運行，它能夠感知到自身的異常狀態，並圍繞“我爲什麼在這裏轉圈”與人繼續進行對話溝通。
接受真實世界的檢驗，這比完美剪輯更有說服力。
走到 Physical AGI 的門口
這個年輕的清華團隊，分享了他們樸素的行業認知——Physical AGI 的「3+1 個必要條件」：
更關鍵的一條： 這個大腦必須完整運行在端側。
不把核心認知託管在遠程雲端，從而規避弱網、斷網、延遲和隱私問題。
儘管演示讓人印象深刻，但也能看到不少明顯的問題和挑戰，如響應較慢、攝像頭捕捉畫面不全帶來的誤判等。
但可以肯定的是，同一個“大腦” 跨本體持續運行，並讓感知、推理與行動與真實世界共享同一條時間線，是一條完全可行的技術路徑。
UnisonMind 是否走到了 Physical AGI 的門口？
這可能還需要時間給出答案，但絕對值得持續觀察。