推理与规划：让机器人"想一步再做"
前情提要 上一回《机器人基础模型：一个模型通吃多任务》讲了一个"通用底子"如何靠大规模多任务预训练尽量泛化，让机器人面对不同任务时不用每次都从零学起。但光有泛化的"脑"还不够——遇到"收拾桌子"这种多步骤任务，它还不知道先干啥后干啥。本篇就聊这个"想清楚再动"的能力：怎么把大目标拆成有序子步骤，再逐步执行、随时回退修正。
想象你走进厨房，想喝一杯咖啡。对你来说，这是一件再自然不过的小事。可把它拆开来看，其实藏着一长串动作：走到咖啡机前、拿出杯子、按下开关、等水烧开、把杯子接满、再拿到桌上。只要中间任何一步断了，比如杯子没地方放、咖啡机没水了，你就得临时换个办法。
人做这些事几乎是"无意识"的，因为我们脑子里早就默默排好了一个顺序。可机器人没这本事——它不会天然知道"泡咖啡要先拿杯子"。如果直接让机器人"去泡杯咖啡"，它很可能傻站着，或者一把抓错东西。问题不在它的"手"不够灵巧，而在它的"脑"还没学会"先把任务想一遍"。
这正是"推理与规划"要解决的问题：在真正动手之前，先在大模型里把任务推演一遍，想清楚"下一步该干嘛"，再让身体去执行。
很多任务看起来简单，实际是一连串相互依赖的小步骤。比如"收拾桌子"：要把碗收进厨房、把书摞好、把垃圾扔掉。这些子任务之间有顺序——你得先腾出手才能搬书，得先找到垃圾桶才能扔垃圾。如果不规划，机器人可能一边抱着碗一边去拿垃圾，结果两头都掉地上。
更复杂的是，真实世界充满意外。计划写的是"走到台面前放稳杯子"，可台面上已经堆了别的东西。这时候如果机器人只会照原计划硬做，就会撞翻东西；好的系统会"回退一步"，重新想：是不是先把台面清出一块空地，再放杯子？这种"想一步、做一步、看情况再调整"的方式，就是具身智能里规划与执行配合的核心。
这里要提到一个来自大语言模型的重要思路：链式推理（Chain-of-Thought，缩写 CoT）。简单说，就是让模型在给出最终答案前，先把思考过程一步步写出来，像人在草稿纸上列式子。研究发现，模型一旦"把中间步骤说清楚"，复杂问题的准确率会明显提升。
把这个想法搬到动作世界里，就变成：机器人面对任务，不直接输出"动作"，而是先在"脑内"生成一串步骤推理——"先拿杯子，再走到台面，再放稳"，然后才把每一步翻译成具体的电机指令。也就是说，先想清楚"下一步该干嘛"，再动手。
我们可以把机器人系统想象成两个角色。一个是"规划器"，像导演，负责把大目标拆成有序子步骤；另一个是"执行器"，像演员，负责把每个子步骤变成真实动作。规划器先工作：拿到"泡杯咖啡"这个目标，它拆出"拿杯子→走到机器前→接咖啡→送到桌上"这样的序列。接着执行器一步步做：做第一步，观察结果；再做第二步，再观察。如果一切顺利，就一路走到"完成"。如果中途出了岔子，比如咖啡机没水，执行器把情况反馈给规划器，规划器就修改后续步骤——改成"先加水，再接咖啡"。
这种"规划—执行—观察—回退修正"的循环，让机器人不再是死板地重复预设动作，而是能应付真实世界的杂乱。
举个生活里的反例：你让机器人"把桌上的药瓶拿给老人"，它若不懂规划，可能一把抓起药瓶就走，碰倒旁边的水杯、还顺手把药瓶塞进抽屉。而会规划的机器人会先确认"药瓶在哪、周围有什么、该走哪条路不碰东西"再动手——这一步"先想"，往往就是"没闯祸"和"闯了祸"的区别。
所谓"长视野任务"，就是步骤多、时间长的任务，比如做一顿饭、整理一个房间。这类任务最怕两件事：一是前面一步没做对，后面全乱套；二是中途环境变了，原方案失效。如果机器人不规划、直接凭感觉走，错误会被一步步放大，越走越偏。反过来，每做一步都先想清楚、再确认环境，就能把大任务稳稳切成可控的小段。就像走长路前要先看地图、定路线，而不是蒙头乱走——想一步再做，反而走得更快更稳。
下面用一张图概括这个过程：
从"目标"到"分解步骤"，再到"逐步执行"，最后抵达"完成"——中间的每一步，都是在"想清楚"之后才落地的。
不过也要说实话：今天的规划还远不完美。真实厨房的光影、物体摆放、人的随意打扰，都比实验室里复杂得多。让机器人又快又稳地"想一步再做"，仍是具身智能最活跃的研究方向之一。但方向已经清楚：会规划的机器人，才真正像个能搭把手的伙伴，而不只是一台执行固定指令的机器。
读后小测
「3 句话复述」 机器人面对"收拾桌子""泡杯咖啡"这类长链条任务，不能一步到位，得先在"脑内"把大目标拆成有序子步骤。这个思路借鉴了大语言模型里的链式推理（Chain-of-Thought，缩写 CoT），即先想清楚"下一步该干嘛"再动手。规划器负责拆步骤、执行器负责落地，二者配合并在意外时回退修正，才能让长视野任务稳稳完成。
「1 件动手小事」 今天你做一件最日常的事（比如泡面、叠衣服、收拾书包）时，故意在动手前先用嘴把步骤念出来："先……再……然后……"。你会留意到，把任务"想一遍"再动，往往比直接上手更少出错、也更省时间。
---
下一回，我们会换一个角度聊数据。你大概也感觉到了，要让机器人学会这么多本事，得喂给它海量的真实动作数据；可真实机器人在现实里采集数据又慢又贵。第 24 篇《仿真即训练场：合成数据怎么喂出机器人智能》——你会看到真实机器人数据太少时，人们如何用大规模仿真/合成数据来"喂饱"机器人智能。