当具身智能基础模型接入仓储机器人，最吸引人的卖点往往是“无需为每项任务单独编程”。机器人可以理解自然语言、识别陌生物品，并尝试把复杂指令拆成动作序列。不过，从实验演示到仓库稳定运行，零样本能力与安全认证之间仍有一道明显鸿沟。🤖📦
一、零样本不等于“什么都会”
这里的零样本任务能力，通常指机器人没有针对某个具体任务重新训练，也能利用预训练知识完成指令。例如，系统未专门学习过“把破损纸箱移到异常区”，但可以根据视觉特征、语言描述和空间信息识别目标，并规划搬运步骤。
视觉语言动作模型将图像、文字和机器人动作放到统一框架中，使机器人能够利用通用语义知识。Google DeepMind介绍的RT-2展示了从视觉和语言直接生成动作的思路，并强调模型对新物体、新指令及简单语义推理的泛化能力，相关原理可参考RT-2研究介绍。开源通用机器人策略Octo则支持语言或目标图像指令，并可适配不同传感器和动作空间，详见Octo项目页面。
但仓储现场的“新任务”并不是单纯的视觉问答。反光膜、透明包装、托盘遮挡、标签污损、照明变化和人员穿行，都会影响感知与动作。模型知道“易碎品应轻放”，不代表它准确掌握货物重心、夹具摩擦力和货架承载限制。因此，零样本更适合描述任务理解和初始泛化能力，而不是无条件成功的承诺。
二、基础模型应该放在什么位置
较稳妥的架构不是让基础模型直接控制电机，而是把它放在任务规划层。模型负责理解指令、识别目标、生成步骤和处理异常；运动控制器负责轨迹执行；独立安全控制系统负责急停、限速、人员检测和制动。三者权限必须清晰隔离。🔐
- 高层规划：把“补齐A区缺货货位”拆解为查询库存、定位货物、搬运和回传状态。
- 确定性控制：将模型输出转换为经过验证的动作原语，例如靠近、举升、放置和退出。
- 安全监督：一旦检测到人员、障碍物或状态冲突，不等待模型判断，直接减速或停车。
- 人工接管：当置信度不足、目标不明确或现场条件超出许可范围时，转入远程确认。
这种设计的核心是让基础模型“提出计划”，而不是让它拥有绕过安全逻辑的权力。模型输出还应经过任务白名单、参数边界、地图权限和载荷规则检查，避免合理语言生成不合理动作。
三、现场测试应观察哪些能力
零样本测试不能只统计一次任务是否完成，更应关注系统能否识别自己不会什么。建议建立由易到难的分层测试集，并保留指令、图像、动作、告警和人工接管日志。🧪
- 语义泛化：更换商品名称、包装颜色和指令表达，观察机器人是否选对目标。
- 空间泛化：调整货位、托盘角度和通道障碍，检查路径规划是否仍然有效。
- 物理泛化：测试软包装、偏载货物和不规则外形，但不得超出设备额定能力。
- 异常处理：制造标签缺失、通信中断、目标被遮挡等情况，验证系统是否安全退出。
- 长任务稳定性：连续执行多步骤任务，观察误差是否累积，以及失败后能否恢复。
真正有价值的零样本能力，不只是“第一次就做对”，还包括“不确定时停下来、说清原因并请求帮助”。
四、安全认证不能只看机器人本体
仓储机器人接入基础模型后，原有机械、电气和功能安全要求并不会失效。ISO 3691-4面向无人驾驶工业车辆及其系统，涉及人员检测、操作模式、制动与安全功能验证。2023年更新版进一步明确了主动检测区域、运行停止及其他危险事项，可参考ISO 3691-4更新说明。
现场合规的对象也不只是单台AMR，还包括货架、门禁、充电区、装卸工位、无线网络、调度系统和人员动线。即使车辆出厂时具备安全认证，改变速度、载荷、传感器位置或运行区域后，仍应重新进行风险评估和现场验证。
对于AI部分，认证难点在于输出具有概率性。实践中可以把模型限制在非安全功能层，再通过确定性安全控制器形成独立保护链。同时建立模型版本管理、更新审批、回滚机制和场景回归测试，防止一次在线升级悄悄改变车辆行为。
建议保留的现场证据
- 整车及安全部件证书、风险评估和系统集成说明；
- 不同速度与载荷下的停车距离测试记录；
- 人员检测、急停、通信中断和意外重启测试结果；
- 模型版本、提示配置、权限策略及变更记录；
- 异常事件、人工接管和近失事件的闭环分析。
总结
具身智能基础模型能够提升仓储机器人对新指令、新物体和变化场景的适应能力，但零样本表现仍会受到感知质量、物理差异和任务复杂度限制。更可行的落地路线，是让基础模型负责理解与规划，让确定性控制器执行动作，让独立安全系统掌握最终停车权。✅
企业不应把“模型能做什么”与“系统获准做什么”混为一谈。先限定任务边界，再开展分层测试、风险评估和现场验证，最后通过日志与版本管理形成可追溯证据，才能把令人惊艳的零样本演示，转化为可运营、可审计、可持续改进的仓储生产能力。
