人机交互的当前局限 - 当前智能系统难以理解模糊指令，例如当桌上有多个杯子时，设备无法准确响应“把杯子给我”这样的指令[1] - 人类交流依赖语境与默契，常使用不完整表达如“一会儿提醒我”、“把空调开大点”，而传统自动化系统只能响应明确、结构化的指令[1] 智能体的角色转变 - 智能体正从“被动执行者”向“主动协作者”转变，目标是成为人类在物理世界中的合作伙伴[3] - 与虚拟AI不同，具身智能体需应对现实场景的开放性与不确定性，实现高效、自然、双向的协同作业[3] - 目前大多数视觉-语言-动作模型（VLA）仍以单向模式运行：接收指令后立即执行，缺乏反馈或澄清机制[3] Ask-to-Clarify框架的创新 - 复旦大学研究团队提出“询问澄清”框架，通过多轮对话澄清歧义后，端到端生成低级动作[4] - 该框架运作模式类似人际协作：智能体在接收模糊指令后通过对话明确任务要求，再执行相应动作[4] - 框架由视觉-语言模型（VLM）和扩散模型组成，VLM负责理解场景与指令并生成澄清问题，扩散模型生成连续、流畅的低级动作[5][7] - 通过连接模块集成两个组件，确保智能体的思考与行动保持一致[7] 独特的训练策略 - 采用两阶段“知识隔离”训练策略：第一阶段训练智能体的沟通能力，使其学会识别模糊点并生成澄清问题[8] - 第二阶段专注于动作生成能力培养，同时“冻结”协作组件以保留对话能力，防止遗忘已有技能[10] - 该策略确保智能体先通过多轮对话澄清指令歧义，再以端到端方式生成精确低级动作[10] 框架性能测试结果 - 在8项实际任务测试中，Ask-to-Clarify框架显著优于当前最先进的VLA模型[12] - 具体成功率：放置水果任务达95%，倒水任务达98.3%，堆叠积木任务达90%[12] - 框架在接收模糊指令（需主动澄清）条件下表现卓越，而基线模型直接接收明确指令，凸显其主动协作机制的价值[12] - 在非理想条件下（如低光照或视觉干扰），框架鲁棒性突出：低光照下成功率从90%降至80%，而传统模型性能大幅下降；存在相似物体干扰时成功率维持80%，高于传统模型的65%[13][14] 行业应用前景 - 该框架重新定义了人机协作的可能性，推动具身智能体从单向执行到双向协作的转变[15] - 未来具备协作能力的智能体将在家庭助手、工业机器人、医疗护理、教育培训等领域发挥重要作用[15]