编辑：吕鑫燚
出品：具身研习社
家庭，是具身智能行业一个很少有人反对的终点，也是几乎没有人真正踏进的地方。
挡住所有人的是“需求”。家庭场景的需求难以穷举，老人需要陪伴，却不喜欢被监视；孩子的问题需要被接住，又不能因此疏远真实的人际关系；一家人希望身边多一个伙伴，却未必愿意随时被打扰。需求分散、混乱，有时还彼此矛盾。许多需求甚至不会被说出口，只藏在一次迟疑、一个表情和一段沉默里。
所以，当人们讨论家庭具身智能为什么迟迟无法普及时，目光很容易落在技术上，模型还不够聪明，运动控制还不够稳定，导航避障还不够可靠，成本还需要继续下降。这些问题都重要，但它们并不能解释全部。即使机器人明天就能准确理解每一句话、顺利完成每一个动作，它仍然要回答另一个问题，此刻应不应该开口，应该靠近还是离开，应该做到哪一步。
这不是单靠技术演进就能填补的空白，而是一道产品题。家庭具身智能真正稀缺的，可能不是“能做多少”，而是“知道做到什么程度”。
换句话说，是分寸。
这是一组复杂的产品选择。主动不意味着频繁搭话，陪伴不意味着时刻在场，聪明也不意味着每次都要立刻给出完整答案。很多时候，延迟一点、少说一点，甚至在累了的时候回到自己的巢里休息，反而更接近真实的伙伴关系。它们需要理解家庭，也需要与家庭保持边界。
心言机器人对家庭的切入，正是从这里开始。创始人任永亮做了十余年情感陪伴服务，他面对的不是一个可以被统一定义的市场，而是无数各不相同的人。真人的优质陪伴难以规模化，大模型接入手机后，能力的跃升也没有自动转化为用户体验的跃升。这段经历让他形成一个判断：技术决定体验的下限，交互决定体验的上限。
巴布（Bubbo 1）是这套判断的产品化表达。它没有选择强调效率的人形外壳，而是以约65厘米高、可以自主移动的毛绒形态进入家庭；它以“伙伴式交互”参与日常，试图通过持续感知理解环境和家人，却不把“主动”简化为主动说话；它可以回应孩子、陪伴老人、记录家庭生活，也被刻意保留了停顿、边界和一点不那么强大的笨拙感。
这些设计共同指向一个家庭具身智能此前较少被认真对待的问题，在真正学会做事之前，它或许要先学会如何成为一个不令人厌烦的家庭成员。
家庭具身智能能否真正走向大众，仍要接受技术和市场的双重检验。但心言至少把竞争的坐标系往前推了一步。当多数产品还在回答“机器人能为家庭做什么”，它已经开始回答“家庭究竟需要怎样的机器人”。这也是巴布更值得记录的地方，它不只是一个进入家庭的新产品，更是一次对家庭具身智能品类规则的重新定义。
傍晚推门回家，一只毛绒绒的小家伙从房间一角迎过来。你开口说话，它会转头看向你；孩子抛出一个问题，它试着用孩子能理解的方式接住；有时它也只是沉默不语，在一旁静静陪伴你；等到电量不足，或者到了休息时间，它又自己回到墙边的巢里。
这些动作，共同构成了巴布（Bubbo 1）所诠释的“主动陪伴”。不只回答人提出的问题，也要感知家里正在发生什么，再决定是否靠近、如何回应，以及何时退到一旁。
这种融入家庭的日常，背后是一整套工程化的取舍。技术赋予机器行动的能力，而克制这种能力，同样是一种设计。
放在具身智能的产业坐标里，这种难度更加明显。工业机器人可以围绕已知目标优化动作，家庭却很难预先写出一份完整的任务清单。借自动驾驶从L2向L4演进的责任转移作类比，当人不再持续发出指令，机器便需要承担更多对环境和介入时机的判断。
巴布的产品体系由机器人本体、巢和 App 组成。巢不只是一个充电配件，而是巴布在家庭里的固定归处。用户开箱后需要先把它靠墙放好，此后巴布便能自主回充，不必等人发现没电，再把它送去充电。巴布 App 也没有被设计成单纯的遥控器：它既接收机器人记录的家庭画面，也承载远程查看、紧急通知和报告等功能。机器人负责在场，App 则把这种在场延伸到家庭之外。
这与过去人和智能设备的关系不太一样。按下按钮、叫出唤醒词、输入问题，机器才开始工作。看起来只是启动了一次交互，但在开口之前，人已经完成了需求筛选，也替机器决定了介入的时机。一个始终等待指令的设备，或许越来越会聊天，却仍然需要人不断想起它、走向它。
但拿掉唤醒词，并不等于机器就拥有了主动性。真正的主动，需要它先获得足够的环境信息，再理解这些信息与眼前这个人的关系。
不过，主动并不意味着更加频繁地介入。一台机器人如果把每一次情绪变化都变成问候，把每一段沉默都理解成等待回应，很快就会从体贴滑向打扰。因此，巴布在交互中刻意保留了“延迟感、呼吸感和边界感”。回答不必永远即时，表达不必每次都长而完整，到了休息时间，它还可以结束互动，自主回巢。
尤其在儿童场景中，这种设计也承担着防止沉迷的考虑。一个永远顺从、随时响应、竭力延长对话的 AI，未必有利于孩子回到真实世界。一次有分寸的沉默，可能是陪伴的一部分；但它也对系统提出了更高要求，判断准确是克制，判断失误就可能变成冷漠，甚至会被用户理解为功能失灵。
这也解释了这副毛绒身体里为什么装着 13 类、共 26 个传感器。摄像头、激光雷达、3D 结构光和麦克风等设备，分别承担视觉、空间与声音信息的采集；6 个自由度和两块表情屏，则负责把判断结果转成转头、注视、移动和表情。传感器数量的意义不只是“配置更高”，而是让巴布尽可能同时获得人的状态、人的位置以及周围环境的变化。
面对老人，巴布可以进行疑似摔倒检测。异常情况发生后，家人会在 App 上收到紧急通知，还能远程查看现场，控制巴布移动到老人身边，进一步确认情况；面对孩子，巴布不是不停地陪孩子说话，而是把一次偶然的好奇心，延续成下一次探索的线索。
巴布的身体，正是围绕这些交互要求设计的。心言没有让第一代产品走向人形路线，而是选择了约 65 厘米高、轮式移动的毛绒形态。这个高度接近两三岁孩子的视角，既方便它与儿童处在相近的视线里，也为观察家庭和拍摄全家福保留了足够的高度。柔软外壳降低了触碰和靠近的心理门槛，可转动的头部、表情屏与轮式底盘，则让它能够用距离、朝向和动作参与交流，而不只依赖语言。
所以，巴布的“主动”并不是一项单独的功能，而是一套从感知、移动、判断到回应，再到退出交互的产品机制。身体也不只是承载 AI 的外壳，它决定了机器人站在哪里、看见什么，以及以怎样的方式进入一家人的生活。
真正困难的问题也因此不是“它会不会主动开口”，而是在漫长而琐碎的共同生活里，它能否逐渐学会，什么时候应该靠近，什么时候最好保持安静。
机器人越来越擅长识别世界，却未必因此更擅长理解生活。
看见一个人站在门口，知道他是谁，和判断此刻应不应该迎上去，是几种不同的能力。前两者可以依靠视觉识别与身份信息，最后一个判断却涉及情境、记忆，甚至需要理解人的习惯和关系。
这暴露出当前具身智能技术路线中一个容易被低估的问题，当任务已经明确，模型可以规划动作，控制系统可以执行；可当任务尚未出现，究竟由谁决定机器接下来值得做什么？
今天的大模型像一个强大的“前额叶”，擅长知识与推理，却不擅长察觉一间屋子里的气氛。机器真正缺的，是把感知、情感、记忆、空间关系整合起来的“边缘系统”。任永亮常用这个比喻解释心言在做什么，它确实点到了要害，缺了这一层，再聪明的模型也只是悬在物理世界之外。
为了实现这样的理解，心言构建了自研机器人操作系统Bubbo OS。在任永亮的定义中，它是一套面向AI时代的Harness，也是“伙伴式交互”的技术底座。负责组织不同模型、感知与执行能力，将连续的物理信号转化为大模型能够理解的语义信息。
它并不是 Windows、Linux 意义上的操作系统。其更接近一套面向 AI 应用的 Harness。向下连接传感器、移动底盘和执行机构，向上组织大模型、记忆与决策能力，让原本分散的软硬件模块围绕同一个家庭情境协同工作。
如果把这套系统完整展开，一次交互大致要经过这样一条链路：传感器持续采集视觉、听觉、触觉和空间信息；感知层把这些信号组织成机器能够理解的语义事件；系统再结合身份、位置与过往记忆，按需调用模型进行理解和推理；随后，行为决策被拆解为靠近、转头、问候等具体动作，交由实时控制系统执行。动作完成之后，人的回应和现场变化又会重新进入感知层，开始下一轮判断。
在这条链路中，心言用 S3、S2、S1、S0 描述不同层次的分工。
S0 负责实时控制，处理电机驱动、移动和避障等高频任务；S1 接近“快系统”，将交互意图组织成可执行的行为；S2 接近“慢系统”，在需要复杂理解时，调用视觉、语言等模型参与推理。心言在这三层之前加入的 S3，则是一个持续运转的语义感知层。
还是孩子回家的那个傍晚，系统的几层在几秒里顺着同一件事，悄悄闭合。
开门声、脚步声和熟悉的身影进入巴布的感知范围，S3将零散的视觉、听觉信息组织成“孩子回来了”的语义事件，并结合身份与过往记忆提供情境。需要进一步理解孩子的状态时，S2按需调用视觉与语言大模型参与推理，S1协调问候、靠近等行为，S0则负责转头、移动与避障等实时控制。孩子停下来交流，或径直走进房间，S3中新的感知信息又会进入系统，为后续其他层行动的调整提供依据。
这套分工的特别之处，在于Bubbo OS加入的S3语义感知层，让感知走到了任务产生之前，替整个系统读懂眼前发生了什么、值不值得介入。它不直接执行，而是先回答“该不该”。
这样的变化，让长期记忆有了更实际的用途。同样是孩子放学回家，如果机器记得他昨天提过今天有一场考试，一句问候便可能接续昨天的谈话。语义记忆存着偏好和事实，情景记忆留着带时间的相处事件，心元大模型参与情感理解与语言表达，Bubbo OS则将这些能力与现实中的感知和行动衔接起来。
一套系统由此试图解决过去AI交互中常见的断裂，机器可能记得用户说过什么，却未必知道这段记忆什么时候值得被重新提起。
但高感知也带来了新的工程压力。传感器越丰富、系统越主动，就越需要处理误判、延迟与不必要的介入。识别出一次情绪变化，并不等于已经理解它的原因；拥有一段记忆，也不意味着每次都适合提起。衡量这套架构的价值，最终还要看这些事件能否转化为恰当的行动。
另一个绕不开的问题是隐私。与等待唤醒的设备相比，持续感知的机器人更容易触及家庭生活中不愿被记录的部分。端云协同，端侧持续感知、实时控制，不拍照时不上传，画面先在本地处理到无法还原，再把向量送给云端判断主动时机，在持续高感知与家庭隐私之间建立技术边界。
对于一台希望成为家庭伙伴的机器而言，理解生活的能力越强，越需要清楚地知道哪些信息不该留下。这也是伙伴式交互与普通任务型智能之间的一道重要分界。
一句自然的问候背后，是一整套系统在持续运转。而机器能否将这一次恰当的回应，延续成日复一日的理解与陪伴，还需要更长时间的检验。
主动可以成为购买理由，让一个家庭持续接纳它，是另一回事。
智能硬件行业见过太多这样的剧本，进门时万众期待，三个月后吃灰在角落，成为一件昂贵的纪念品。新鲜感终究会消退，共同经历却可能让一件电子产品获得功能之外的意义。
判断一个家庭具身智能体能不能长久，是当惊喜退去以后，还能不能随着一家人的生活，不断找到自己被需要的位置。
心言提出的Family Agent，便是沿着这条思路展开。它不以“一个人”为单位，而以“家”为单位，记住每一位成员，也记住成员之间的关系。
孩子需要好奇心被接住，巴布通过分级对话、双语交流等方式适应不同年龄的需要；老人需要有人倾听，那些反复讲述的往事被慢慢攒成一部家族传记，不再让上一辈的记忆成为下一代的遗憾；独居的成年人需要的是一种不打扰的在场，和一条对得上自己生活节奏的基线。
家庭摄影弥补了另一种细小的遗憾，巴布拥有独立的观察视角，让经常拍照的人也有机会留在全家福里。远程交流则帮助不在场的家人参与日常。
这正是“接纳”的内核，将一次次互动转化成持续陪伴，随着共同生活逐渐显露价值。硬件随使用折旧，理解与共同经历却可能因相处而增厚。当一台机器开始承载家庭成员之间的记忆与联系，家庭智能体的价值便超出单次交互。
这种价值会随着时间发生变化，孩子会长大，老人生活习惯会改变，今天合适的交流方式未必适合明年。长期记忆如果只是把过去的信息不断叠加，甚至可能妨碍机器理解一个正在变化的人。
所谓“持续进化”因此不是愿景，而是三种可以分别验证的能力，能够记住新的经历、适应新的需要，以及后续软件与模型升级带来的体验改善。新的经历能否修正旧有印象，互动反馈能否改变后续交流方式，以及软件与模型升级能否真正改善体验。一次主动被拒绝以后，下一次是否有所调整，用户已经表达过的习惯，是否还需要反复解释。
心言在这件事上的起点，来自于十余年的情感服务积累。测测App累计注册用户超过6600万，AI问答突破6.6亿次，心元大模型也于2024年通过网信办备案。这些经历让心言较早接触到大量个性化的情感需求，为理解不同人的交流方式提供了基础。
但线上经验无法直接搬进客厅。文本对话发生在用户愿意表达的时候，家庭里的情绪、动作与关系却常常没有明确的语言入口。已有的情感服务经验能让心言少走一些理解用户的弯路，真正的竞争壁垒，还需要在具身感知、交互策略和长期家庭反馈之间重新建立。
这里也藏着家庭具身智能的商业难题。
巴布正式进入市场，但与许多个人消费电子不同，它的付款者和使用者可能并非同一个人。子女愿意为老人购买，老人还得愿意每天与它相处；父母看重教育与安全，孩子却可能首先在意它是否有趣、是否愿意继续交流。企业必须同时回应购买者与使用者的期待。两种价值只有在长期使用中逐渐重合，才可能支撑下一次购买和更广泛的市场接受。
更何况，硬件交付并不是服务的终点。持续的云端推理、软件升级、维修与售后，都意味着企业要在产品卖出之后继续投入。对于涉及家庭感知与情感交互的设备，隐私、内容安全和依赖风险，也会长期影响用户是否愿意把它留在身边。
消费者为硬件支付一次费用，企业却需要在此后不断兑现最初关于陪伴的承诺。
任永亮曾用一个比喻解释心言为什么进入具身智能。在他看来，行业里有些公司是“拿着锤子找钉子”，心言则是“拿着钉子找锤子”。情感陪伴的需求已经在手里攥了十余年，具身智能为它提供了新的实现工具。
谈及第一代产品，他没有急于许诺“颠覆”，只希望巴布先在家庭里“立得住”。这三个字或许比许多宏大的技术愿景更接近家庭具身智能眼下所处的阶段。
具身智能连续两年写入政府工作报告，在“十五五”规划中也被纳入未来产业布局。技术、资本与政策正在推动具身智能走向越来越广阔的现实世界，而家庭将继续检验这些能力能否转化为稳定、具体且值得付费的生活价值。
这意味着，具身智能的下一站，也许不只有更强大的手，还有一颗更懂分寸的“心”。当行业不再只比拼“能干”，而是认真回答“该不该主动”，这场关于家庭的技术迁徙，才算真正开始。
而所有技术的尽头，都要回到生活的舒展里，回到那句老话：老有所养，幼有所安。
