機器人領域的“快慢雙系統”設計思路，正受到越來越多企業(yè)的重視。美國著名心理學家Daniel Kahneman將人類解決問題的兩種思維模式描述為“系統1”（“System 1”）和“系統2”（“System 2”）。這種理論框架通常源于人類認知的“雙過程理論”，系統1是直覺、本能且自動的；系統2則是深思熟慮和有意識的。兩者協同形成一種高效決策機制，旨在讓機器人既能快速響應環(huán)境變化，又能進行深思熟慮的復雜決策?？炻到y解耦，使得可以獨立升級慢系統的AI算法，而無需改動底層穩(wěn)定的控制框架，降低了系統開發(fā)的復雜性。

試想一下你的手不小心碰到一個很燙的杯子，快系統（反射系統）會讓你的手會“嗖”地一下縮回來，幾乎不經過大腦思考，只為了完成躲避這個動作。慢系統（認知系統）會在你縮回手之后，開始思考：“啊，好燙！這個杯子是誰的？我得擦一下灑出來的水。下次要小心點。”這意味著快系統的信號往往只在脊髓層面就完成了處理，保證了你的安全。而慢系統主要在大腦皮層進行邏輯分析、記憶檢索和規(guī)劃，速度慢，但決策更智能、更全面。

機器人采用快慢雙系統，有望解決通用性和實用性的平衡問題，讓模型既具備通用性特征，實現快速的視覺運動策略，并且經過端到端的訓練快速通信從而交互響應。以機器人抓取積木這類機器人展商時常演示的場景為例，假設任務是指令一個機械臂“抓取桌子上的紅色積木”，慢系統會進感知、規(guī)劃、指令下發(fā)等決策工作，快系統實時計算每個關節(jié)需要輸出的扭矩，驅動機械臂平滑、準確地沿著軌跡運動。在執(zhí)行過程中，如果突然有人碰了一下機械臂，快系統會立即檢測到異常，并觸發(fā)反射，要么緊急停止，要么輕微調整力矩以抵消干擾，然后繼續(xù)執(zhí)行任務。如果干擾很大，比如積木被拿走了，快系統可能會上報一個“任務失敗”的信號給慢系統，慢系統則會重新開始“感知-規(guī)劃”的循環(huán)。

本文簡述了全球10家企業(yè)“快慢雙系統”的情況，發(fā)現盡管各家的命名和實現技術路徑略有不同，但所有這些架構都共享一個最根本的共性與設計靈感：借鑒人類認知的“雙系統理論”（System 1/System 2）。所有架構都旨在解決機器人領域的一個核心矛盾：高頻、精準、安全、高速的底層控制與復雜、抽象、需要推理的高層任務規(guī)劃難以在單一系統中完美兼顧?？炻蛛x是應對這一挑戰(zhàn)的必然選擇，這將原本的長鏈條端到端模型VLA模型拆開，分成VLM和動作執(zhí)行兩個模型，相當于把機器人的動作規(guī)劃和動作執(zhí)行分開，從而實現功能解耦，以及達成“真異步”并行，實現長時序任務的流暢執(zhí)行，避免機器人因“思考”而“卡頓”。

整體來看，智平方GOVLA和星海圖G0等都強調對機器人全身（移動底盤+軀干+雙臂）的端到端控制，適用于開放環(huán)境下的復雜任務。而Figure AI Helix和PI、星動紀元的早期演示更側重于上半身的精細操作。但PI的架構特別強調慢系統生成“可解讀的中間指令”（類似自言自語），注重決策過程的透明化，便于調試和信任，其他家更多是端到端的內部特征傳遞。

在數據策略與訓練方法上，魔法原子、擎朗以及節(jié)卡、微億智造等，都非常強調在真實場景中采集的海量數據，以減少仿真到現實的GAP。而PI等則大量采用合成數據來高效訓練模型的泛化能力。同時，節(jié)卡、微億智造這類企業(yè)的路徑更偏向基于專家示教的輕量模仿學習，追求在工業(yè)場景下的快速遷移、可靠部署，而許多研究機構則探索強化學習等讓機器人自主摸索優(yōu)化的方法。

總而言之，機器人快慢雙系統架構或許已成為實現高級別機器人智能的主流范式。然而，在具體實現上，正呈現出百花齊放的局面：有的從通用大模型出發(fā)，追求終極的泛化能力；有的深耕特定場景，追求極致的可靠性與效率；有的則致力于軟硬件協同創(chuàng)新，打造一體化的最優(yōu)解。這些不同的技術路徑最終將在真實世界的應用中得到檢驗和融合。

以下是具體的快慢系統介紹。

（1）Figure AI：Helix

2025年2月20日，Figure發(fā)布自研通用視覺-語言-動作（VLA）大模型Helix。Helix采用雙系統架構，系統1（S1-快思考）+系統2（S2-慢思考）是第一個能夠高頻率、連續(xù)地控制機器人整個上半身的VLA模型，包括手腕、軀干、頭部，甚至獨立的每根手指，兩個系統在機器人內置的雙低功耗GPU上異步并行運行。S2作為后臺進程持續(xù)更新任務意圖，S1作為實時進程以200Hz的頻率執(zhí)行閉環(huán)控制，標志著端到端的視覺-語言-動作模型在高自由度人形機器人上的成功落地。

其中，S1系統是一個8000萬參數的Transformer模型，依賴一個完全卷積的多尺度視覺骨干網絡進行視覺處理。該網絡完全在模擬環(huán)境中進行預訓練初始化。來自S2的潛在向量被投影到S1的標記空間中，并與S1視覺骨干網絡提取的視覺特征沿序列維度連接，提供任務條件。最后，S1以200Hz的頻率輸出完整的上半身人形控制，包括期望的手腕姿態(tài)、手指屈曲和外展控制，以及軀干和頭部方向目標。

S2系統是一個70億參數的預訓練VLM模型，用于處理單目機器人圖像和機器人狀態(tài)信息（包括手腕姿態(tài)和手指位置），并將它們投影到視覺語言嵌入空間中。結合指定期望行為的自然語言指令，S2將所有語義任務相關信息提煉為一個連續(xù)的潛在向量，以7-9 Hz的頻率傳遞給S1，為機器人的行為決策提供高層次的指導。

（2）PI：Hi Robot

2025年2月27日，PI團隊發(fā)布他們的快慢系統方案：分層交互式機器人學習系統（hierarchical interactive robot learning system，簡稱Hi Robot），該系統是PI“π系列”模型中的重要一環(huán)，其本質是搭載了“高級決策大腦”的π?模型，其同樣并非來自單個系統，而是源于“慢思考”與“快思考”的緊密協作。后續(xù)的π?.5模型進一步發(fā)展了這一思想，它采用協同訓練技術，將來自多種機器人、網絡數據源的知識融合到單一模型中，讓這個模型既能進行高層語義規(guī)劃，也能輸出底層動作，在全新的家庭環(huán)境中執(zhí)行像整理整個廚房這樣的長時序任務。

Hi Robot系統能在機器人接收到指令輸入后，不僅進行抽象的“思考”（高層推理），還能指導具體的“行動”（低層任務執(zhí)行），其中上層的VLM會理解這個復雜指令的全局意圖，接著將任務分解成一系列清晰的子步驟，并生成相應的中間指令，同時將這些簡單的中間指令傳遞給下層的快系統，下層的VLA（視覺-語言-動作模型，如π?）直接控制機器人的機械臂和夾爪，完成抓取、移動等精準的物理動作。

該框架可以使機器人處理比以往的端到端指令跟隨系統更復雜的提示，并且能在任務執(zhí)行期間整合反饋（feedback），同時先前的VLA工作和合成數據生成（synthetic data generation）方案組合是主要創(chuàng)新點。因為慢系統背后的VLM技術，得益于海量網絡數據的訓練，就像人類從書本、網絡、影視劇中汲取知識，Hi Robot也因此擁有了更豐富的知識儲備，能夠更好地理解指令，做出更明智的判斷，展現出更強的學習遷移能力。其還在星塵智能等機器人（單臂、雙臂和雙臂移動機器人）進行了評估，展示了處理清潔凌亂的桌子、制作三明治和雜貨店購物等任務的能力。比API-based的VLM（直接調用API）和無分層架構（flat）的VLA policy效果更好。

（3）智平方：GOVLA

2025年4月17日，智平方推出自主研發(fā)的GOVLA大模型，該模型采用雙系統架構，由空間交互基礎模型、慢系統和快系統三部分組成。慢系統基于大規(guī)模參數的視覺語言模型（VLM），負責高層次語義理解、上下文推理及任務相關視覺觀察和語言指令的解析，輸出中間Latent特征作為系統的條件輸入?？煜到y聚焦實時生成可執(zhí)行動作，依賴慢系統周期性更新的高層推理結果，結合最新觀察動態(tài)調整動作，類似“直覺與反應”機制。

其工作流程可以概括為“規(guī)劃與執(zhí)行的解耦與協作”，當機器人接收到復雜指令后，慢系統首先被激活，它綜合空間交互基礎模型提供的360度環(huán)境感知信息，理解全局意圖，并將宏大的任務拆解為一系列可執(zhí)行的子步驟，這些簡單的子步驟指令被傳遞給快系統，使其將這些抽象指令直接轉化為機器人的關節(jié)運動指令，控制其全身自由度，完成行走、抓取、操作等一系列流暢的物理動作。在整個過程中，快系統負責底層的平衡和穩(wěn)定控制，同時將執(zhí)行狀態(tài)實時反饋給慢系統。慢系統則能根據這些反饋進行動態(tài)重規(guī)劃，調整任務策略或生成求助信息，從而實現閉環(huán)控制。

傳統VLA模型通常只能控制機械臂在固定桌面完成簡單操作，GOVLA通過快慢系統分工，首次實現了對機器人全身協同控制和移動軌跡的端到端輸出，使其能從桌面走向開放環(huán)境，同時智平方將DeepSeek語言大模型的技術融入慢系統，顯著提升了GOVLA在理解和分析多步驟、開放式任務方面的推理能力，從而具備更強的零樣本任務泛化能力。該架構成功打破了機器人“操控效率”與“推理能力”難以兼得的困局，快系統保障了對物理世界的即時響應能力，而慢系統則賦予了處理長程、復雜任務的深度思考能力。

（4）星海圖：G0

2025年8月11日，星海圖推出端到端雙系統全身智能VLA模型G0，助力具身智能突破，該模型構建全球首個開放場景高質量真機數據集，涵蓋500小時時長、150個任務、50個場景，附帶語言注釋，同時創(chuàng)新快慢雙系統架構，System-2負責語言交互與任務規(guī)劃，后臺持續(xù)分析環(huán)境、更新規(guī)劃，System-1在前臺以高頻持續(xù)執(zhí)行最新指令，實現實時運動控制，從而構建了一個規(guī)劃與執(zhí)行分離、高低頻異步協同的智能架構。該架構旨在解決機器人在復雜開放世界中處理長時序任務時，對環(huán)境深度理解和全身動作實時控制的雙重挑戰(zhàn)。

G0模型卓越能力的背后，是星海圖在高質量數據和創(chuàng)新性訓練策略上的深厚積累，這種在真實非結構化環(huán)境中采集的數據，極大地減少了模型部署時的“現實差距”（real-to-real gap），為模型提供了至關重要的泛化能力基礎，G0模型的訓練并非一蹴而就，而是采用了漸進式的課程學習，其三階段訓練策略能讓模型基于獲得通用的視覺與語言理解先驗知識，在單本體精調的過程中，讓模型深度適配特定機器人的動力學特性，最終僅需不到100條特定任務的演示數據，即可讓模型快速掌握如整理床鋪等復雜新技能，展現了強大的遷移學習能力，最終成功地將深層的語義推理與高頻的全身運動控制融為一體，顯著提升了機器人在開放環(huán)境中的任務泛化能力、執(zhí)行流暢度和長程規(guī)劃智能。

（5）擎朗：KOM2.0

近期，隨著今年具身人形XMAN系列的發(fā)布，擎朗智能正式升級并發(fā)布全球首個針對服務行業(yè)的VLA模型：KOM2.0（KEENON Operator Model2.0）。擎朗KOM2.0模型采用了快-慢雙系統架構，慢系統（K-Mind）基于VLM多模態(tài)大模型，通過擎朗構建的崗位服務場景數據集K-Infinity（KEENON Infinity Dataset）實現對服務場景的環(huán)境感知、任務理解與規(guī)劃，快系統（K-Act）采用Action Expert（動作專家模型），利用大量真機數據進行訓練，用于精細的動作生成。擎朗KOM2.0模型，已成為新一代擎朗機器人更具通用性的底座模型。

值得注意的是，在KOM模型之上，擎朗開創(chuàng)性地提出并實踐“崗位化”理念，傾力打造了崗位化垂域模型KEENON ProS，該模型是面向具體服務崗位的深度專業(yè)化垂直領域模型，可有效提升通用具身大模型在特定垂直領域中的適用性和效率，使得擎朗具身服務機器人掌握餐飲、酒店、商超等場景中具體崗位的技能，實現“崗位化”的快速落地。

擎朗KOM模型的卓越性能根植于公司積累的數億級場景數據資產，這些數據來源于在真實服務場景中運行的擎朗機器人在此基礎上結合部分真機數據，擎朗構建了服務場景數據集K-Infinity（KEENON Infinity Dataset），該數據集具備極強的真實性、多樣性和業(yè)務相關性，為模型魯棒性與泛化能力提供堅實基礎。

（6）星動紀元：ERA-42

星動紀元的快慢系統架構主要體現在其端到端原生機器人大模型?ERA-42?中，采用?高層次規(guī)劃與低層次控制的雙系統架構，強化了執(zhí)行層面的能力?。兩個系統通過latent變量進行通信連接，滿足了規(guī)劃與控制的協同，實現了高頻執(zhí)行與深度思考能力的無縫融合。星動紀元的創(chuàng)新之處在于，它并非讓“快”與“慢”兩個系統輪流工作，而是通過端到端的架構讓它們并行協同運作，類似慢思考的世界模型使用70億參數的Instructblip視覺語言模型，負責理解任務和生成動作序列，會對任務進行“預演”，生成未來幾秒的動作預測，這使得使用4000萬參數的Transformer模型，類似快思考高頻執(zhí)行系統在動作開始時，就已經有了一個優(yōu)化的參考軌跡。當遇到突發(fā)干擾時，高頻執(zhí)行系統會優(yōu)先進行快速局部調整，同時世界模型會快速重新預測后續(xù)動作序列，確保任務能在干擾后繼續(xù)順利執(zhí)行，這賦予了機器人強大的抗干擾能力。

星動紀元的ERA-42技術架構可以理解為一種“模型大腦引領，高性能本體執(zhí)行”的深度集成模式，它通過端到端VLA模型追求通用智能的上限，同時通過全棧自研的高性能硬件本體確保復雜任務執(zhí)行的下限，二者通過數據飛輪形成閉環(huán)，共同推動機器人向通用具身智能的目標演進。

（7）節(jié)卡：JAKA EVO

節(jié)卡機器人的快慢腦架構，主要體現在其JAKA EVO工業(yè)具身智能平臺的設計中。該架構的慢系統能實現快速任務解析與規(guī)劃，當下達一個指令后，它利用視覺大模型和多模態(tài)感知系統“看懂”環(huán)境，精準識別工件，接著將復雜的指令分解為一系列有序的子任務，然后規(guī)劃好的子任務被傳遞給一個輕量化的決策網絡（可視為快慢系統間的橋梁），它負責將每個子任務拆解為具體的、可執(zhí)行的動作序列。最終，這些動作指令抵達快系統，它通過高性能的伺服驅動模塊，以極高的頻率和極低的延遲控制機器人各關節(jié)電機，完成精準的抓取、移動等操作。

在整個過程中，力覺、視覺等傳感器數據會實時反饋?？煜到y負責毫秒級的微調，而慢系統則能處理更復雜的意外情況，并動態(tài)調整全局任務計劃，慢系統與快系統通過標準化接口實現毫秒級數據交互，但運算過程是并行的，同時，借助輕量模仿學習機制，JAKA EVO平臺在交付后能通過少量示教快速遷移適配新場景，打破了傳統機器人需要數周調試的困境，極適合小批量、多品種的柔性生產需求。

目前，基于該架構，節(jié)卡能使它能作為“大腦”同時調度機械臂、移動平臺（如S3機器人）乃至人形機器人（如K1系列）協同作業(yè)，實現如“機器人自主組裝機器人”這樣的復雜流程，并且通過分層處理，巧妙地平衡工業(yè)復雜任務的智能決策需求與高精度實時控制要求。

（8）微億智造

微億智造的“快慢思考”通過一個無縫集成的“云、邊、端”三層技術架構實現，并通過其內部沉淀的感知、學習、決策、執(zhí)行四大通用技術模塊落地，旨在形成一套可在復雜工業(yè)場景中規(guī)?；瘧玫耐ㄓ眉夹g范式，保證了全棧式技術可以根據具體的應用場景靈活組合。得益于快慢雙系統，微億智造的工業(yè)具身智能機器人能在人類幫助下快速理解并執(zhí)行任務，大幅簡化部署流程，顯著降低部署成本和時間，真正實現“開箱即用”。

其中“快思考”是一套工業(yè)具身智能機器人實時直覺系統，專為即時行動與適應而設計破解了機器人無數據難啟動的悖論，其建立在云端的人機協作交互機制與設備端的安全與反射機制上實現?！奥伎肌眲t是微億智造構建深度智能、實現長期自主能力并積累核心技術資產的戰(zhàn)略性系統，基于業(yè)內規(guī)模最大的由真實工業(yè)場景產生的精標數據庫而來，該數據庫的數據量已超過15TB，包含超過10億條精標數據點，而且基于端側、邊側共同為工業(yè)具身智能機器人提供高速實時的感知、決策與執(zhí)行能力能實現持續(xù)迭代、生成新模型。

（9）魔法原子：原子萬象

魔法原子為其人形機器人設計的“原子萬象大模型”核心創(chuàng)新在于其仿生認知的“快慢雙腦”協同架構。該架構旨在模擬人類的直覺反應與深度思考模式，以解決機器人在復雜動態(tài)環(huán)境中實時響應與長周期任務規(guī)劃難以兼顧的根本挑戰(zhàn)。

具體而言，其“快系統”扮演動作專家的角色，基于高效的動作專家模型運行。它專責處理毫秒級的實時控制任務，確保了機器人動作的連貫性、精準性與本質安全。與之協同工作的“慢系統”則如同一個策略規(guī)劃中心，由參數規(guī)模更大的多模態(tài)大模型驅動。它的職責是進行深度的環(huán)境感知與語義理解，并規(guī)劃復雜的長期任務序列。雙系統的協同并非簡單串聯，而是通過端到端的向量化特征進行高效閉環(huán)。慢系統輸出的高層任務規(guī)劃被轉化為特征向量，直接傳遞給快系統進行解碼與執(zhí)行，從而實現了從認知到動作的無縫銜接。這一設計使得機器人能在“慢系統”持續(xù)進行后臺規(guī)劃的同時，“快系統”不間斷地執(zhí)行動作，實現了真正的異步并行處理，大幅提升了任務效率。

該架構的能力源于對真實世界數據的深度依賴。魔法原子通過與追覓科技等戰(zhàn)略伙伴合作，在真實工廠、商場等環(huán)境中采集了數百萬條高價值數據樣本用于模型訓練。這使得快慢雙腦能夠深刻理解真實的物理交互規(guī)律，而非局限于互聯網視頻或仿真數據的失真環(huán)境，從而具備更強的落地特性。

（10）靈初智能：Psi-R1

2025年4月27日，靈初智能正式推出分層端到端VLA+強化學習算法模型Psi-R1。Psi R1模型采取了“快慢腦”的分層架構，其中快腦S1專注操作，慢腦S2專注推理。Psi R1模型的上層Planner應用自回歸的Causal VLM架構，負責場景抽象理解、任務規(guī)劃決策，經過Action Tokenizer，實現上層視覺—語言—動作三大模態(tài)的信息連接和穿透；下層Controller則專注精確控制執(zhí)行，配合真機強化學習，在大多數靈巧操作任務上表現出人類水平的任意泛化與長程靈巧操作能力。

靈初智能的Psi R1模型的慢腦S2在做環(huán)境感知的時候，不只輸入了VLM模型中常見的視覺和語言信息，而是連同動作信息（Action Tokenizer）也一同輸入。這其中，Action模態(tài)的輸入內容包含歷史動作序列、實時動作反饋、物理交互數據等。而Action Tokenizer模塊則強化了多模態(tài)融合能力：將動作數據（時序、空間維度）與視覺、語言信息深度融合，構建更完整的物理世界表征，同時快慢腦通過Action Tokenizer隱式連接，端到端訓練，協同完成長程任務的靈巧操作。