X-Square 机器人：一个通用机器人的基础堆栈，终于可读

简单来说

X-Square Robot实验室刚刚发布了一个三层架构，以使机器人真正多功能：一个感知模型、一个动作模型和一个控制模型。每个部分都没有什么革命性。但堆叠的方式——以及论证方式——标志着一个阶段。

背景

自Google RT-2（2023）、Figure 02（2024）和DeepMind的Vision-Language-Action（2025）以来，该领域正在寻找“机器人基础模型”。两种学派展开对抗：端到端（一个大型像素到电机的模型）与模块化堆栈（感知、规划、控制分离）。端到端具有数学美感；堆栈具有工程和调试。

数据

根据IEEE Spectrum，X-Square Robot明确支持模块化方法，分为三个不同的层：

• 感知 - 预训练的视觉语言模型。
• 任务规划器 - 将目标分解为一系列动作。
• 控制策略 - 强化学习与模仿学习结合，模拟器到现实的转移。

该文章将堆栈定位为“通用机器人”的目标。目前尚无第三方公开基准测试。

分析

关键不在于显示的性能——无法验证——而在于方法论选择。经过三年“仅仅更大的模型”，几支团队重新回归模块化。为什么？因为在机器人中，端到端的延迟很重要，安全需要明确的拦截点，而调试故障模式需要隔离有问题的层。当夹具打破玻璃时，一个不透明的端到端模型会保持沉默。

结论

对于机器人领域的投资者：不要再押注“一个巨大的模型能解决一切”的承诺。看看谁有一个有文档、可测试、可调试的堆栈。对于工程师：2026-2027年的真正问题不再是哪个模型，而是层之间的接口。价值将在那里凝结，就像协议之于网络一样。