机器人能完成“托马斯全旋”，并不等于它已经理解了动作为什么成立。
北京通用人工智能研究院（BIGAI，通研院）与宇树提出的 OmniXtreme，侧重通用运动控制；通通 3.0 则把“因果—价值”放到核心位置。一个关心身体怎么动，一个追问为什么这样动。到了真实环境，难点不只是把演示再做一遍，而是条件变化后，系统还能否重新判断，再把决定交给身体执行。
中国信通院《具身智能发展报告》把机器人称为具身智能最“热门”的载体，智能运载装备是落地“最快”的载体，新型智能产品则属于“前沿”探索方向。载体越来越多，单项动作演示也越来越不够用。机器人必须把看见环境、估计后果和执行动作接起来。
会做动作，不等于知道后果
模仿学习可以从示范中复现轨迹，却不自动等于理解动作成立的条件。拿起一个物体，手臂怎么走只是一部分；重量、材质、支撑关系和碰撞风险，同样会改变动作选择。位置或约束一变，原来的轨迹未必还能照搬。
轨迹可以模仿，条件不能靠照抄。
在2026通用人工智能论坛上，通研院公布通通 3.0，并以“因果—价值”概括其驱动方式。公开材料还提到“数据-大脑-小脑-本体”的协同路径，以及“思考—行动—再学习”的闭环。从这些表述看，通研院想把感知、决策、控制和实体反馈放进同一条链路。
不过，论坛摘要没有披露模块接口、训练方法和性能指标。仅凭这些表述，还无法判断这条链路在真实设备上跑到了哪一步。
四块拼图摆出来了，还没看到整机验证
SceneVerse++处理的是机器人眼前的世界。BIGAI官网称，它可以从海量视频中提炼真实 3D 场景；科研部门页面也把深度场景理解、具身视觉、主动视觉、视觉与认知列为通用视觉方向的重点。机器人先要辨认空间和物体关系，后面的规划才有依据。
训练需要一个可以反复试错的地方。TongSIM被官网称为 AI“全能物理空间训练场”，并已开源；论坛材料还使用了“全场景、多任务、高保真”的表述。公开摘要没有给出训练次数、数据规模和现实迁移结果，因此不能把仿真范围直接等同于泛化能力。
通通 3.0更靠近判断，OmniXtreme更靠近控制。后者由BIGAI与宇树共同提出，项目展示包含“托马斯全旋”等高难度动作，也说明运动控制这一侧正在推进。
把SceneVerse++、TongSIM、通通 3.0和OmniXtreme放在一起，可以看到3D场景、仿真训练、认知决策与运动控制四个位置。但官网和论坛摘要还没有说明，它们是否已经在同一套系统里完成端到端验证。
四块拼图有了，不等于整机已经跑通。
“无标签”要先说清省掉了什么
把这条路线直接称作“无标签环境下的常识推理突破”，目前证据不够。“无标签”至少有两种意思：机器人进入新场景后不再逐项补动作标签，或者训练数据从头到尾都没有人工标注。两者不是一回事。
BIGAI现有公开材料说明了因果—价值驱动和协同架构，却没有披露数据构成、人工标注比例、对照方法与泛化指标。现有证据只够支持一个更窄的判断：通研院正在尝试减少对逐场景示范和预设规则的依赖；“完全无需人工标注”以及“已经具备未见场景常识推理能力”，仍要等论文和评测结果。
真正值得看的不是单次演示，而是条件变化后的表现：
- 换物体、换位置或改变约束后，判断是否仍然合理；
- 因果条件变化时，动作选择是否跟着调整；
- 仿真中的规划交给真实本体后，能否执行，并在失败时进入安全状态。
这些问题更接近机器人进入工厂、仓储等现实环境时会遇到的考验。
比“最后一公里”更准确的是“补链路”
2026年3月19日《光明日报》的相关讨论把具身智能概括为：给人工智能实体载体，使其能够在现实世界中感知、行动与自主学习。按照这个定义，BIGAI公开的项目已经触及场景理解、仿真训练、认知决策和运动控制。
但“覆盖”与“打通”之间，还有一段距离。
现阶段把BIGAI的进展写成“补链路”，比“打通最后一公里”更准确。它已经把评价重点从动作是否完成，推向因果关系、任务价值和执行反馈；要证明这些能力能在陌生场景中稳定成立，还需要更完整的基准、实体部署结果和失败案例。
机器人要学会的，不只是怎么动，还要知道为什么这样动，以及动完会发生什么。BIGAI已经把问题提到这里，答案仍要靠公开评测来给。
