GPT-6之后，具身智能走向何方？诺因报告给出机器人“一教就会”的答案

　　一直以来，要让机器人学会一项新任务，往往需要重新采集数据、编写固定流程，或进行针对性训练。这类方式可以解决确定性较高的任务，却难以覆盖真实场景中不断变化的物品、环境和需求。

　　近期，新一代通用大模型GPT-6Astra的发布，引发行业对具身智能技术路线的广泛讨论与重新思考。不少观点认为，通用大模型正在展现操控机器人的能力，可能对既有具身智能路线形成冲击；与此同时，行业也逐步形成共识：自回归架构正成为模型架构的收敛方向，具身智能的竞争核心将转向数据与学习方式。

　　9月24日，诺因（Knowin）发布面向通用具身智能的生成式学习架构GLOW技术报告，完整介绍了GLOW全新升级的整体技术架构，呈现了一条将通用认知能力转化为可靠物理行动的可行路径，其核心突破正在于实现了机器人“一教就会”的任务学习能力，为行业路线之争给出了具象化答案。

　　报告提出，GLOW将从根本上改变机器人学习新任务的方式：不再孤立地识别与复刻人类的动作画面，而是把人的一次完整操作、当前环境信息、机器人自身状态与任务执行历史放在同一条链路中统一理解，让机器人同步捕捉操作对象、空间关系、动作顺序和物体状态变化。

　　这种学习范式的升级，让机器人对任务的认知从“看过动作”进一步走向“学会逻辑”，真正拥有跨物体、跨环境、跨任务复用的通用能力，而非为每项任务单独学习一套固定策略。

　　“一教就会”的背后，源于GLOW全新升级的全链路技术路径。架构打破了传统“视觉模块+动作模块”的拼接式设计，将原有的Brain与Act能力统一到多模态自回归模型KnowinGLOW中，同时搭配三大支撑模块协同运转，形成从经验学习、任务理解到行动反馈的完整闭环。

　　据介绍，KnowinGLOW作为整套架构的核心中枢，采用原生统一的自回归设计，将视觉理解、语义解析、空间推理、任务规划与动作生成整合在同一模型内完成。理解与动作共享同一套表征体系，从根源上避免了模块拼接带来的信息损耗与衔接延迟，为机器人实现“一次演示、举一反三”奠定了架构基础。

　　其中，KnowinDream负责生成规模化物理交互经验，以“Home×Event×Future”的逻辑组织训练条件，通过变量化调整光照、材质、纹理与背景，生成多样化的家庭场景与交互数据，让机器人在训练阶段就充分感知真实世界的复杂性。

　　KnowinWorld作为物理规律推演单元，可基于当前状态推演不同候选动作的碰撞风险、接触稳定性与路径可达性，训练阶段替代真机试错以降低成本，运行阶段预判风险以提升执行效率

　　KnowinAgent则围绕任务记忆、工具调用、反馈和重新规划组织执行，全程管理任务进度，出现偏差时就地修正，精细操作时自动微调，保障长程任务连贯稳定。

　　同时，报告还披露了GLOW的多项评测结果，从物理任务执行到具身场景理解，诺因已经连续拿下三项第一，印证了其自回归技术路线的前瞻性。

　　以规模化物理经验训练模型，以统一架构协同认知与行动，以闭环执行适应环境变化，GLOW的技术实践正在为具身智能的发展提供新的参照。随着学习范式的持续革新，机器人正逐步摆脱固定脚本的限制，以完整的具身能力走向开放的物理世界。（柯岩）