机器人接管酒店洗衣！双脑协同+RSI，顶级Astra驾驶员来了
内容提要
大晓机器人提出“双脑协同+具身RSI”方案，实现酒店洗衣全流程自动化。其Mundo世界模型构建可物理交互的孪生酒店用于训练，云端Astra负责规划，本地执行脑调用固化技能，将任务耗时从30多分钟缩短至18.6秒。机器人还能从真实失败中自主迭代，使烘干机取衣残留率从48%降至32%。该方案有望推广至即时零售等场景。
延伸解读
双脑解耦：实时性与通用性的平衡术
文章揭示了一个关键矛盾：纯靠云端大模型实时决策，完成洗衣全流程耗时超过30分钟，无法满足物理世界的高频要求。大晓的解法是将“思考”与“执行”解耦——云端Astra负责宏观规划与技能生成，本地执行脑调用固化Skill完成高精度动作，使耗时降至18.6秒。这种分工既保留了通用模型的推理红利，又通过技能固化规避了云端延迟，为具身智能落地提供了可复用的架构思路。
物理世界模型：从“可看”到“可动”的跨越
传统三维重建只能提供静态几何外观，机器人无法感知物体质量、摩擦力等物理属性，导致训练与真实操作脱节。Mundo世界模型通过输入酒店照片复刻可物理交互的孪生环境，让机器人在“驾校”中提前积累动作轨迹、接触状态等数据，从而压缩现场调试时间。这一思路的核心在于将物理参数纳入仿真，使数字世界的试错能有效迁移到真实场景，减少冷启动成本。
具身RSI：真实失败驱动的自主进化
文章用烘干机取衣的案例展示了RSI的运作机制：机器人记录失败视频与传感器数据，Astra分析根因并生成改进Skill，再通过自主复位实现7×24小时闭环迭代。57小时内完成165轮实验，牛仔裤残留率从48%降至32%。同时，独立模型副本充当“质检员”防止误差累积，效果不佳时可回滚。这种将真实失败转化为可复用认知资产的机制，是机器人获取新能力边际成本降低的关键。
场景拓展的共性与边界
大晓已开始探索即时零售等场景，其与酒店洗衣的共性在于：都需要理解复杂环境、完成多步骤任务、与业务系统协同，且任务频次高、结果可量化，能持续产生数据反馈。但文章也指出，优先在B端验证场景形成商业闭环、保证自我造血，才能逐步向更困难场景进军。这意味着酒店洗衣的验证价值在于提炼可迁移的技术能力，而非直接复制到所有场景。
Q&A
大晓机器人的双脑协同架构具体是怎么分工的？
云端通用脑（GPT-Astra）负责任务拆解、逻辑推理和生成策略等宏观思考工作；本地执行脑负责调用已固化的Skill，依托本体摄像头和机械臂快速完成高精度物理动作。
为什么机器人完成酒店洗衣任务的时间能从30多分钟缩短到18.6秒？
因为采用了双脑解耦架构：云端Astra先在Mundo世界模型中探索并沉淀出Skill，本地执行脑直接调用这些固化技能，避免了每一步都等待云端大模型实时决策，从而将耗时缩减超过98%。
Mundo世界模型在机器人训练中起什么作用？
Mundo能根据酒店照片复刻一个包含物体质量、摩擦力等物理参数的可交互孪生酒店，作为机器人的“驾校”。机器人在其中尝试产生的动作轨迹、接触状态等数据可用于优化动作策略，极大压缩现场部署的调试时间。
具身RSI是如何让机器人从失败中自我进化的？
Astra先生成初代Skill让机器人执行，机器人用多路摄像头和传感器记录全过程。若任务失败，Astra分析录像和数据定位根因并生成改进方案（如切换相机视角、调整抓取轨迹），再下发新Skill。同时机器人学会自主复位，实现7×24小时不间断闭环进化。
烘干机取衣任务经过RSI迭代后效果如何？
在57小时内连续完成165轮真机实验，输出37条改进方案和约80个迭代版本。单轮用时稳定在170到210秒，牛仔裤筒内残留率从平均48%降至32%，最优一次达到19%。
除了酒店洗衣，大晓机器人还计划拓展哪些场景？
大晓董事长王晓刚透露，即时零售是非常值得进一步拓展的方向。该场景与酒店洗衣有共性：都需要机器人理解复杂环境、完成多步骤任务，并与真实业务系统和运营流程协同，且任务频次高、结果可量化，能持续产生数据反馈推动迭代。
