双机器人协作新突破：3秒延迟下仍默契配合

一项双机器人协作测试中，研究人员故意让其中一台机器人晚了3秒。另一台机器人没有收到额外提示，也无法读取伙伴内部状态，却主动慢下来等待、维持接触并重新调整时序。结果显示，这3秒延迟几乎没有影响任务成功率。

这项测试来自芝诺机器人发布的Zeno-1，一个拥有30亿参数、面向协作物理智能的基础模型，旨在解决多机器人协作问题。机器人基础模型过去主要提升单体能力，但当伙伴进入同一任务，其移动和错误会改变另一台机器人面对的物理世界，机器人需在完成动作的同时判断伙伴状态和同步性。

多机器人协作并非新概念，但仓储机器人多在调度层面协作，而共同搬运、物品交接等任务要求机器人在接触瞬间协调。Zeno-1关注操作过程中的协调：同一模型运行在每台机器人上，无中央控制器，每台机器人仅凭视觉、本体状态和交互历史行动，物理世界本身成为协作界面。

Zeno-1可连续运行超10分钟，完成多个协作子任务，中途不重置。长任务要求机器人记住此前交互，误差会随时间累积。为解决协作数据稀缺，Zeno-1加入闭环伙伴交互训练（CPI）：先让机器人从示范中获得基本操作能力，再让模型进入真实伙伴交互，将暴露的延迟和偏差作为新训练数据。

芝诺机器人联合创始人植伟铭表示，个体能力是协作起点，但不会自然变成协作能力。机器人学会抓取、搬运后，还需学习等待、让步和适应伙伴。芝诺定位为全栈Physical AI公司，最终目标是建立物理AI基础模型，让机器人可靠部署于真实场景。

植伟铭认为，当机器人能力提升，瓶颈会从单体动作转向多机协作。现实任务常为协作式，两个机器人即使各有能力，仍可能因时序或接触关系不兼容而失败。与DeepFleet等调度系统不同，Zeno-1不做显式规划，而是从数据中学习协作物理行为，解决部分可观测性、接触动力学、伙伴不可预测性和误差累积等挑战。

植伟铭指出，多机共同操作仍处早期阶段，耦合强、难度高。Figure和Google DeepMind虽提及协作关键词，但Zeno-1集中展示了更多种类、更高物理交互难度的协作任务。