还记得上周具身智能圈流传的那个神秘的、长达10分钟的一镜到底视频吗？
视频一出，网友们纷纷表示：不敢相信，仿佛天外来物……
甚至给出了最高评价：这是 AI 生成的吧？！
同行们纷纷打听到底是哪家公司做的，听说还有头部公司专门开会研究……我们的后台也被各路网友问爆了。
看完这段10分钟的一镜到底视频，大家纷纷表示，具身智能的 ChatGPT 时刻可能真的来了。有人说，这是具身智能的重要里程碑；也有人说，这是一次架构创新。因为它让人看到了：
- 机器人具备了一定的认知能力，而不只是概率预测；
- 机器人能够理解人类的行为逻辑，而非简单过拟合；
- 机器人拥有持续自进化的能力，并展现出许多令人惊叹的瞬间。
当然，由于机器人的表现太过“科幻”，也有一些人表示质疑：这是不是遥操作？（虽然团队表示，在这么小的空间里，确实不知道该如何进行遥操作。）
而这个神秘团队回应质疑的方式也很特别：他们又接连发布了几个 Demo，依旧粗糙，依旧一镜到底，仿佛想说：
“智能，不管你信或不信，它真的要来了。”
因为上一篇文章，我们得以联系到这个神秘的模型团队，并表达了疑问：为什么不直接出来认领？
对方给出的回应是：模型也像人一样，让它自己说。
我们了解到，这个神秘模型的内部代号为“MVP”，意思是模型能力像真人一样（Make Veritable People）。团队表示，也可以将其直译为“做个人吧”（doge）。
“做个人吧”大模型。
而这次释出的几个 Demo，从表现来看，机器人“真的做了个人”：它像人类一样思考、自主决策，动作流畅，逻辑自洽。而且据团队透露，他们马上就要让机器人自己上街，在开放环境中直接展示给大家看。
视频1：手眼协调不分离，高超的动力学理解
http://www.qbitai.com/wp-content/uploads/2026/09/飞书20260902-135110.mp4
如果你端着一瓶水，有人戳你的胳膊，你能否瞬间反应，让水不洒？
机器人左手拿着一个装满水的杯子。在人类（无礼的）木棍推搡下，它躲向另一侧，随后又平稳地归位，杯中的水一滴未洒。
如果你端着一瓶水，有人戳你的胳膊，同时又推倒了你身旁的易拉罐，你能否瞬间反应，既让水不洒，又保证易拉罐不倒？
人类又从右侧推向桌上的三个易拉罐，机器人的右手居然同时扶住了易拉罐。
机器人的表现就像一位太极宗师：既会“化劲”，将对手的撞击化解于无形，也懂得把握分寸，将力道拿捏得恰到好处。
而且仔细观察可以发现，易拉罐被推动时，机器人左臂端着水的动作还没有恢复，它又用右手扶住了易拉罐。
这一幕，别说机器人，其实已经超越许多人了。大家可以试试看，能否用两只手同时完成这两个任务。（doge）
主流的 VLA 和 WAM 模型有一个问题：一旦面对遮挡、接触、形变等需要物理推理的任务场景，就容易失效。因为它们只是在模仿动作的外在形式，并不理解背后的物理规律。
而“做个人吧”模型看起来为机器人装上了一个“物理大脑”。正是动力学预测与长期状态的统一，才能让轨迹天然满足动力学可行性。
从动作反应速度和流畅程度来看，机器人的动作不再是靠死记硬背数据“猜”出来的，而是像人一样，依靠对物理规则的理解“学”出来的。
两者的区别，大概就是“照葫芦画瓢”和“知其所以然”。
视频2：对空间和物体属性的理解，以及对人类习惯的总结
第二个视频中，人形机器人正式接管家务。而且，“做个人吧”模型团队表示，这是机器人以 zero-shot 方式完成任务时的视频。（如果是真的，那这种泛化性也太强了！）
他们表示，模型的 zero-shot 成功率已经达到80%。
我把这段视频命名为“强迫症机器人之客厅不能乱”（doge）。
只见机器人先把手里的小玩偶放回玄关置物台，主打一个“从哪儿来，回哪儿去”。接着，它又把装满杂物的收纳篮拖到身边，微微下蹲，从中先后取出黑色帽子和紫色健身环，将它们稳稳挂到衣帽架上。
最后，它从篮子里拿出一只硕大的花朵坐垫。显然，它是可以弯腰的，但这一次，它选择随手一扔，坐垫落到了沙发上。
整个过程下来，机器人的动作虽然不算麻利，但颇有一种尽在掌控之中的感觉。
机器人对空间和物体属性的理解已经非常像人：它知道物体在光滑地面上可以拖拽，环状的帽子和健身环可以悬挂，平整的坐垫会自行展开。
它甚至还会“偷懒”：能直接扔，就绝不再费劲弯腰。（真是懒人驱动科学发展，懒机器人驱动智能进化啊。）
主流模型暂时还达不到像人一样的泛化能力。VLA 靠“大力出奇迹”硬算，一遇到陌生场景就容易崩盘；WAM 则像拼积木一样拼接动作，学得过于死板，稍微变通一下就不灵了。
装载“做个人吧”模型的机器人看起来则非常稳定，将对空间和物体属性的理解与对人类习惯的总结融为一体，顺利完成了一个长程任务。
视频3：拉平床单、抖床单、放床单，机器人组队干活了
小时候，长辈经常会喊我们把刚洗好的床单抖一抖。
这个视频中出现了两台不同型号的机器人。据悉，它们的训练全部通过观看人类视频完成，因此再次上演了“一脑多形”的跨本体协作，并且真的组队干起了活。
只见一条似乎刚从烘干机中取出的床单，一端的两个角被一台身材较高的机器人拽着，另一端的两个角则被另一台身材较矮的机器人牵着。
较矮的机器人跨出一步，再弯下腰，床单便被扯得平整。紧接着，身材较高的机器人用双手轻轻抖动了几下床单。
虽然视频中的机器人姿势仍然有些呆板，但它们的行为逻辑也太像人了！这和我们把刚洗好的衣服甩两下、以免出现褶皱有什么区别？
要知道，主流模型有一个致命缺陷：它们不像人类，无法真正实现自进化。VLA 只能小修小补，无法改变“脑回路”；WAM 干活太过死板，换个环境就适应不了。
而 MVP 模型不同，它看起来将对物理世界的理解和对人类行为逻辑的理解统一了起来。
视频4：能量驱动，最优能量的行为解
当机器人学会思考，懂得一次性把所有东西拿走归置，比来回一趟趟整理更省力时，它会怎么做？
视频中，这台机器人收纳物品的操作仿佛人类一般：东西再多，也尽量不跑第二趟。
它先从篮子里抽出一条黑色围巾，像店小二一样往脖子上一搭。接着，它又拎起紫色圆环，将其绕在小臂上，还知道抬手让圆环滑落到肘关节处，成功把自己改造成一只行走的衣架。
然后是拖鞋、耳机。一番操作下来，机器人身上已经挂满了物品，却依旧淡定地转身离开，留下一个轻盈的背影。
在1分钟的视频里，机器人收纳了4件物品，不仅充分展现了处理长程任务的能力，还展现出对每件物品的理解，并能够为每件物品建立与自身能力相匹配的映射。
要知道，如今的主流模型执行同样的任务，大概率会一件一件地单独搬运，因为模型本质上仍然是基于统计拟合的猜测，缺乏像人类一样对世界的理解，也没有自主意图。
如果视频中的机器人看到这一幕，它心里的 OS 可能是：不是吧，哥们，来都来了，怎么就带这么点东西走啊？多带点不是更省劲吗？
“做个人吧”模型的机器人在做决策时，好像不需要刻意去“想”下一步该做什么，只需要像水往低处流一样，顺着能量下降的方向自然滑动。
在这个“下坡”的过程中，思考、探索和行动一气呵成。
可能这才是真正理解世界、并具备自主意图的智能。
总结
看完这4个 Demo，我终于理解了模型为什么叫“做个人吧”。机器人的一举一动，确实都太像一个人的决策过程：在长程任务、干扰环境和彼此协作中，表现出对物理世界、人类行为逻辑以及自身能力的持续学习和进化。
机器人能够像人一样理解空间和物体属性，做家务时的思维逻辑和操作习惯与人类相近，还能如同人类一般自我驱动、自主学习并持续自进化。
不仅如此，机器人还体现出了以下特质：
- 动作一致性：机器人就像“成熟的人类”——逻辑自洽、动作流畅、懂物理，且具备良好的手眼协调能力。
- 思考持续性：机器人不会“半途而废”，而且“越用越稳”，长时序任务环环相扣。
- 甚至还有个性：装载“做个人吧”大模型的机器人，仿佛每个个体都有自己独特的“做事风格”，好像已经拥有了性格。
其他特点，不一而足。但我现在真的开始相信，具身智能真正能够为人类所用的时刻，已经越来越近了。
智能，可能真的已经涌现，只是发生在我们尚未看到的地方。