美国波士顿动力公司（Boston Dynamics ）近日宣布，其旗舰研究平台 Atlas 实现重大技术升级——通过引入 Large Behavior Model（LBM，大行为模型），让机器人能够从人类演示中学习复杂任务，而非依赖传统的手工编程。这项研发由 该公司与日本丰田研究所（Toyota Research Institute（TRI） 联合推动，被认为是机器人从“被动执行”迈向“主动学习”的关键转折点。

此次升级的核心在于让 Atlas 拥有“全身一体化控制”能力。过去，Atlas 的腿部行走与手臂操作被视为两套独立系统，需要分别编程、调试和平衡。而通过引入大行为模型，这些动作被统一纳入同一个控制框架，机器人可以在保持平衡的同时完成复杂操作任务。例如，在演示中，Atlas 被要求在一个工作场景中连续完成抓取零件、开合抽屉、搬运与分类等动作。当外部条件突变——如物体滑落、箱盖意外关闭时——它能够根据环境变化实时调整动作继续完成任务。这种行为适应能力标志着 Atlas 已具备初步的“策略生成”能力。

据介绍，大行为模型以多模态学习架构为基础，整合了视觉感知、语言提示与自身运动状态等多维度输入。研究团队首先通过人类远程操控采集演示数据，再结合仿真训练对模型进行强化，使其能根据上下文生成完整动作序列。模型以 30Hz 的频率运算，可同时控制机器人 28 个关节，实现腿、手、躯干的协同。不同于传统编程模式，Atlas 不再依赖预定义的动作脚本，而是通过少量示范数据快速掌握任务意图，并在不同环境下灵活迁移。

TRI高级副总裁 Russ Tedrake 表示，大行为模型的引入代表着类人机器人学习模式的根本转变。“我们不再为每一个动作写代码，而是通过人类示范直接教会机器人。随着模型能力的提升，它需要的示范次数将越来越少。”波士顿动力机器人研究副总裁 Scott Kuindersma 也强调，这一模型能够在单一神经网络中整合行走、抓取、移动等多项任务，为通用型机器人提供技术路径。

演示视频显示，Atlas 在执行任务时展现出显著的稳定性与灵活性。当任务中出现物体偏移或障碍时，机器人能主动重新规划路径，甚至出现了“涌现式行为”——在误掉物品后自动弯腰捡起。这一过程并非人为编程，而是模型在理解任务目标未完成的情况下自发生成的动作，体现出较高的情境理解能力。

值得注意的是，大行为模型还具备执行速度调节机制，能够在不修改算法结构的情况下以 1倍、2倍或3倍速完成动作，适用于不同作业场景的效率要求。研究团队表示，该模型框架未来有望推广至更多硬件平台，使不同类型的机器人共享同一智能控制逻辑，从而降低系统集成复杂度。

尽管 Atlas 仍是一款实验性平台而非商业化产品，但此次升级在机器人学界意义重大。它不仅证明了行为模型化在实际物理机器人上的可行性，也为具身智能（Embodied AI）提供了具体路径。通过学习控制取代手动控制，机器人不再依赖固定规则，而能主动适应、规划并完成未知任务。

波士顿动力表示，未来将把该技术成果逐步应用到旗下的四足机器人 Spot 与搬运机器人 Stretch 等产品中，为工业与物流场景的自动化提供新的智能基础。此举标志着机器人从执行器械向智能体的转变：它们不仅能行走、抓取，更能理解任务目标、灵活应对变化。

业内普遍认为，大行为模型的引入将成为类人机器人发展的分水岭。当机器人能够通过学习掌握新技能、通过感知适应环境时，人机协作的边界将被进一步拓宽。正如 Tedrake 所言：“真正的通用机器人，不是执行一套固定指令，而是能在陌生环境中学会解决问题。” 这场由波士顿动力牵头的实验，正让这一未来形态逐渐成真。

波士顿动力是移动机器人的全球领导者，它应对了一些最严峻的机器人挑战。我们将动态控制和平衡原理与复杂的机械设计，尖端的电子设备以及用于配备感知，导航和智能功能的高性能机器人的下一代软件结合在一起。波士顿动力拥有一支由工程师和科学家组成的非凡且快速发展的技术团队，他们将先进的分析思想与大胆的工程技术和泥泞中的实用性无缝地结合在一起。