4 月 9 日，智元发布了新一代 VLA 基座模型 Genie Operator-2（GO-2），引入「动作思维链」和「异步双系统」架构的同时，试图为机器人领域长期存在的知行不一问题，给出一套新的解法。
近一年来，围绕机器人落地干活的讨论越来越多，其中，VLA 模型被很多人认为是相对直接的技术路径，它通过统一建模，把感知、理解和执行压缩进一个模型中，具备一定的泛化能力。
不过在行业逐渐将其推向实际部署的过程中，一些问题也开始变得具体：如果单把语义理解与推理、运动表现拿出来，能力看起来都没什么问题，可只要走进具体任务，理解意图和稳定完成之间，往往就存在着巨大落差。
就好比机器人在收到拿水杯的任务指令后，能在脑海中推出一条完美路径，但只要一上手，动作就容易偏离规划，导致任务失败，这就是机器人领域非常典型的语义 ‑ 运动鸿沟。
在这样的落差下，行业开始重新思考，机器人到底该边想边做，还是应该先想清楚再动手。
围绕这些问题，GO-2 更强调机器人要想清楚再做，并提升执行任务时的稳定性。
而这其中的关键，就在于其新引入的动作思维链和异步双系统架构。
从链路割裂到动作思维链
在传统范式下，机器人通常遵循一条相对割裂的路径，高层模型完成语义理解与推理，输出抽象指令；再由中间模块进行任务拆解；最后交给控制系统生成具体动作。
这条链路看起来比较流畅，但问题也出在这里，每一层之间都存在明显的信息压缩和表达变化，从语言到符号，再到控制信号，语义逐渐被「离散化」，而动作需求却是连续高精度的。
尤其是在实际部署中，为了提升响应速度，很多系统会在执行阶段弱化甚至绕过规划过程，转而依赖感知到动作的即时映射。这种方式在短链路任务中表现尚可，但一旦进入多步骤、长时序任务，就容易暴露出明显问题：
- 每一步都在做局部最优决策，缺乏全局一致性。
- 小误差无法被及时纠正，从而不断累积。
- 动作逐渐偏离初始目标，最终导致任务失败。
在这些问题上，如何生成「可执行」的动作规划，并在真实环境中「稳定执行」该规划，就成了技术关键。
所以，智元 GO-2 其中一个关键设计就是引入了「动作思维链」，不在语言或视觉空间中进行推理，而后将结果转换为动作，反而是直接在动作空间中完成这一过程。实际上就是把「中间决策过程」给显式化。
具体来看，模型在接收到任务后，并不会立即输出底层控制信号，会先生成一段高层动作序列。这段序列不是简单的指令集合，是对整个任务执行路径的结构化表达，包含了行为的顺序、阶段划分以及整体方向。
这意味着，模型的思考过程本身就是一条尚未执行的动作路径。
在这种设计下，复杂任务不需要通过额外模块进行拆解，会被自然展开为一系列有序的动作步骤。执行系统所接收到的不是临时生成的控制信号，是已经具备结构的行动方案。
由此带来的变化是，机器人从「边看边做」的即时反应模式，转向「先形成路径、再逐步执行」。执行过程始终围绕这条动作序列展开，小范围偏差可以被局部修正，而整体目标不会轻易漂移。
也就是说，规划本身就已经是一种可执行表示，不是需要再次转换的中间结果。
异步双系统把想和做拆开
在 GO-2 的设计中，动作思维链的主要发力点还是推理该如何进行、放在哪里推理的问题。但对于机器人来说，如何把想好的东西，在真实世界中稳定执行出来同样是一个不可忽视的问题。
在很多机器人系统中，规划往往是一次性的，模型先给出一个完整方案，然后执行模块按步骤展开。但现实环境是持续变化的，这种先想完再执行的方式，很容易在中途失效，只要某一步出现偏差，后续动作就会逐渐脱离原本路径。
在这个问题上，GO-2 的做法是在系统层面引入一种「异步双系统」架构，将「规划」和「执行」拆分为两个不同节奏的模块：
- 慢系统：包含动作思维链，这一部分不会频繁更新，会持续给出一个相对稳定的动作方向。它不是一次性生成完整计划，会不断向前推进，逐步展开动作路径，让整体行为始终围绕一个清晰的结构运行。
- 快系统：这一部分直接面对真实环境，以更高频率生成控制信号，对每一个细节进行调整，比如位置误差、接触变化或者外部扰动。
关键在于，这两部分的关系并不是规划到执行的一次性传递，更像是一种持续约束，执行并不是在复现规划，关键在于不断对齐它。
也就是说，每一个具体动作，既要响应当前环境，又不能偏离整体路径。局部可以调整，但方向不能丢。
为了让这种对齐在现实中成立，GO-2 在训练阶段引入了带噪声的强制教学机制，在训练执行模块时，使用真实的高层动作序列作为条件输入，同时人为加入扰动，模拟规划本身的不完美。
这一步的作用在于，让系统习惯于现实世界的状态。规划不完美、环境在变化，但执行依然可以稳定进行，而不是一旦出现偏差就迅速失控。
落地深度也是模型系统的一环
如果把前面的变化理解为系统内部被重新组织，那么在结果层面，GO-2 至少给出了一个相对明确的反馈，这套结构正在发挥作用。
在多个主流具身智能基准测试中，GO-2 也取得了一定的成绩，比如在 LIBERO Benchmark 中：GO-2 模型在 Spatial、Object、Goal 与 Long 四类任务上平均成功率达到了 98.5%。
不过，比这些数字更值得关注的，是它背后所对应的一种能力转变，模型开始具备在真实环境中长期运行的条件。
GO-2 在这一点上的思路，其实很直接，不把模型当成一次性训练完成的产物，而是把它放进一个持续运转的系统里。
一方面通过预训练建立起通用能力，另一方面在真实任务中持续学习。系统用得越多，反馈越多，模型也随之不断提升。
更重要的是，部署过程本身也逐渐成为了能力训练的一部分，从这个角度看，未来衡量模型能力的标准，可能还要加上关键的实际落地深度。