Xspark AI一篇长达37页的具身系统综述和分级，全面盘点可信赖的具身智能

机器人叠衣服、拧螺丝、端咖啡的demo已经刷屏一年多了。

但一个尴尬的问题始终没人正面回答——这些机器人，到底能不能放到真实环境里干活？

demo里95%的成功率，换个光照、换个场地、换个操作员，还剩多少？剩下那5%的失败，是"没夹起来"，还是"把杯子扫到地上砸了人的脚"？

在刚刚落幕的2026世界人工智能大会（WAIC）上，"人工智能应当成为人类的可信工具"成为行业共识。大会《主席声明》明确提出，"要筑牢安全底线、防范滥用恶用，确保人工智能始终处于人类控制之下"。随着人工智能技术由数字虚拟空间向实体物理场景延伸落地，行业亟需立足技术迭代趋势、产业实际应用需求与全产业链发展现状，对具身智能"可信"的核心内涵进行系统性、科学化的重新界定。

现在，一份37页的系统性综述给出了答案框架。

Xspark AI（无界智航）研究实验室SparkLab，联合清华大学、港大MMLab、北京大学、港科广的研究团队，提出了具身智能领域的第一套可信度分级体系 T0–T5，以及支撑它的四层系统框架。

一句话概括核心观点：

• 论文主页：https://xsparkai.com/sparklab/towards-trustworthy-eai 

• 联系方式：sparklab@xsparkai.com

先说清楚这篇论文最反直觉的一个判断。

在数字世界里，模型出错的代价是"答案不对"。在物理世界里，模型出错的代价是碰撞、损坏、伤人，而且不可逆。

更麻烦的是，任务成功率这个指标，会把两种完全不同的结果混在一起算：

• 安全地成功：机器人规规矩矩把任务做完

• 不安全地成功：机器人一路撞着、蹭着、超力矩地把任务做完了

在排行榜上，这两种都记一分。

论文因此提出了一个新的目标定义——持续安全成功（Sustained Safe Success）：

注意这里有两个不可互相替代的属性：

任务能力（能干活）和安全性（不闯祸）。

高平均成功率可能掩盖罕见但严重的失败；而一味拒绝执行虽然绝对安全，却毫无用处。两者缺一不可。

而且论文还点出了一个容易被忽略的事实：具身智能不存在通用的安全动作。

自动驾驶还能靠"靠边停车"兜底，但试想一下，如果一个机器人正在负重、保持平衡或是与人接触，急停可能不仅无法止损，还会带来更危险的后果。

论文把可信性的支撑机制拆成了四个相互依赖的层。

• 模型层（PROPOSE）：生成任务动作提案，同时给出校准过的不确定性和显式的安全偏好。VLA、世界模型、规划器都在这一层。

• 系统层（EXECUTE）：通过传感、计算、控制、执行、硬件防护、故障隔离和回退机制，把被授权的动作可靠地变成物理行为。

• 证据层（SUBSTANTIATE）：用形式化、统计、实证和运行数据，证明某个有边界的可信声明是成立的。

• 部署层（GOVERN）：通过运行时监控、权限管理、人工介入、事故响应和受控更新，保证这个声明在使用过程中持续有效。

关键在于，没有任何一层能单独建立端到端的可信性：

• 感知再鲁棒，也不保证规划安全

• 控制器再稳定，也可能忠实地执行一个不安全的目标

• 冗余部件可能共享同一套软件、通信、标定或供电依赖

• 形式化保证只在它自己假设成立的前提下有效

论文把跨层失效归纳成三个反复出现的问题，每一个都相当扎心：

语义-物理鸿沟：高层指令里根本没有几何、动力学和接触约束的信息。

动作-后果鸿沟：同一条指令在不同状态下产生的物理后果完全不同，光看指令判断不了它安不安全。

跨层不可组合性：每个部件单独看都可靠、都验证过，组合起来却不可信——因为它们的假设和接口互相矛盾。

前面回答了"可信靠什么支撑"，接下来的问题在于——可信应该到什么程度，能不能被量化？

毕竟，在工厂里拧螺丝钉的机器人，和在手术台前做缝合的机器人，对"可信"的要求显然不在一个量级。

参照自动驾驶SAE L0–L5，论文提出了具身智能的TEI T0–T5：

分级的判定不看模型有多强，而是看五个维度：任务能力、安全性、系统保障、证据充分性、部署治理。

并且有一条硬规则：

这条规则直接推出了两个非常反直觉的结论：

结论一：一个用着最强通用大模型的机器人，如果监控、回退、证据、变更管理不到位，它就只能停在T1或T2。

结论二：一个能力很窄的工业机器人，如果在严格约束、充分验证的场景里，它完全可以支撑T4级别的可信声明。

还有一点：TEI等级是可以被降级的。

当证据过期、监控失效、事故未闭环、配置或运行域发生变化时，等级就要往下掉。它描述的是"当前被证实的可信强度"，而不是一次性拿到的资质。

论文特意强调，T0–T5 不是认证体系，落地需要各领域自己定义阈值和profile——包括任务边界、量化指标、强制安全机制、评测场景、监控与事故报告义务，以及重新评估和吊销的条件。

一篇讲"可信"的综述，为什么由一家创业公司的实验室牵头？

SparkLab 是 Xspark AI（无界智航）旗下的前沿研究实验室。公司核心定位凝练为六个字：可信物理智能。创始团队融合学术研究与产业实践双重优势，对技术发展趋势具备超前判断力。早在 WAIC 发布可信 AI 顶层治理导向之前，团队便率先形成清晰判断：搭建完整可信体系，是具身智能实现大规模落地的核心前置基础。

• CEO 熊祺，前蔚来自动驾驶核心高管，带领团队完成业内首个百万量级世界模型的规模化量产交付。自动驾驶行业"不审慎交付算法可能危及生命"的铁律，让他对可靠交付近乎执念。他带来自动驾驶的部署治理和量产验证经验，也正是论文里"工程类比"理念的源头；

• 首席科学家 丁文伯，清华大学长聘副教授、博导，国家重点研发计划（青年）首席科学家，国内机器触觉领域领军学者，魔搭社区EAI-100具身智能年度先锋人物，在Nature、Science、Cell子刊等顶刊发表论文80余篇，引用超万次。他的研究方向是多光谱触觉感知与物理接触安全，为可信分级体系接触安全与物理感知维度提供有力支撑。

• CTO 陈天行，港大MMLab博士生，RoboTwin与RoboDojo第一作者，开源社区Lumina创始人，曾参与字节跳动Seed团队模型训练与评测，开源项目累计近两万GitHub Stars。从RoboTwin 1.0走到RoboDojo，他的研究贯穿了具身模型从模仿学习到VLA再到WAM的完整演进，对评测体系和证据层有着丰富的洞察。

三位创始人联手攻克了论文四层框架中最难啃的三个环节：量产交付对应部署治理，触觉研究对应物理安全，评测体系对应证据验证。

技术路线上，Xspark AI 把前沿触觉感知、自研AIGC数据生成模型和具身智能评测infra能力体系结合起来，构建了 "慢脑VLM—快脑WAM—脊髓VTA" 的创新协同算法架构，目标是打通从数据采集与增广、模型训练、评测到真机部署的完整高效率迭代闭环。

换句话说，顶级评测团队来写可信性，世界模型量产交付老兵来写部署治理——这大概是这篇综述最有说服力的地方。

论文的结论其实挺克制的。

它明确说：可信不意味着万能，也不意味着不会失败。它要求的是能力、物理权限、证据和运营责任在整个生命周期里持续对齐。

一个可信的机器人，是一个"能力有边界、有证据支撑、被持续监控、并随配置和环境变化而被修订"的系统。

具身智能卷了三年模型能力。

现在，可能是时候补上另外三层了。