苹果研究人员发表了一篇颇具冲击力的机器人学论文,其核心论点是:机器人未必需要一个专门构建的"大脑"才能发挥作用。这套名为AMP1(Agentic Manipulation Policies的缩写)的系统,使通用AI模型能够通过编写和执行Python代码来控制机械臂。根据该研究,它在仿真和真实世界测试中的操作任务表现均超越了专用机器人策略。

这篇题为"On Agentic Manipulation Policies"(arXiv:2611.09892)的论文于2026年11月发表。相关代码和仿真数据已公开发布,其他实验室可以直接验证这些结论。

AMP1的工作原理

AMP1以零样本(zero-shot)方式运行。底层模型不会针对特定机器人或任务进行微调,该框架也不需要演示数据库。研究描述了AMP1在多种机器人配置下运行,包括单臂、双臂(双机械臂)和移动式设置。无需重新训练即可支持不同硬件,这正是专用系统通常缺乏的灵活性。

该框架还能实时调整策略,包括根据情况使用工具和执行搜索。

测试结果

在仿真测试中,团队在RoboLab-120基准上评估了AMP1。搭配Gemini 4 Argon模型时,AMP1取得了85.6%的成功率;由Claude Opus 5.5驱动时,达到82.8%。作为对比,NVIDIA的Astranomy模型在同一基准上得分为74.8%。由于AMP1是零样本运行,这些对比实际上是通用推理能力与专为具身任务构建的专用策略之间的较量。

根据该研究,AMP1在其他基准上也取得了顶尖成绩:在LIBERO-PRO上得分95.2%,在robosuite上得分100%。

真实世界性能则在三套Franka机械臂设置上进行了108次测试评估。AMP1完成了其中104次,成功率96.3%,而基线系统分别完成了49次和30次。论文还报告称,与领先的基线模型相比,AMP1将运行故障减少了15至20倍——这一提升主要归功于更好的错误恢复能力。

研究团队与更大背景

该研究的作者包括苹果研究人员Chen Chen和Omid Bagherieh。这项工作紧随苹果用于人形机器人导航的HALO系统之后,后者同样于2026年11月发布——苹果在一个月内发布了两个机器人项目。

AMP1所对比的专用系统类别包括视觉-语言-动作模型(VLA)和世界-动作模型(WAM)。VLA接收机器人看到的画面以及文本指令,并输出物理动作;WAM则增加了一个关于世界运行方式的学习模型。两者都是专为具身任务构建的,通常依赖大量机器人专用训练数据。

AMP1采取了不同的路径。它并非从零开始构建机器人大脑,而是借用大型通用模型的推理能力,并为它们提供通过代码执行动作的方式。这一对比凸显了论文的意义:如果通用模型无需任务专用训练就能匹敌专用策略,那么VLA和WAM背后的大量机器人专用训练数据可能并非实现高水平操作的必要条件。

这意味着什么

这些结果也带有报道中指出的注意事项:AMP1依赖于Gemini 4 Argon和Claude Opus 5.5等第三方模型,因此其表现在一定程度上取决于苹果无法控制的系统。另一方面,代码和仿真数据的公开发布意味着其他研究实验室可以自行验证这些结论——独立复现将是检验论文所报告数据的下一个最明确的测试。

本文最初由CryptoBriefing报道,由Diego Almada Lopez编辑。