在机器人技术快速发展的当下，如何让多个机器人像人类一样高效协作，成为科研人员探索的新方向。近期，芝诺机器人发布的Zeno-1模型，为这一领域带来了突破性进展。该模型拥有30亿参数，旨在解决多机器人协作中的核心难题——如何让机器人学会共同完成任务，而非仅依赖单台机器人的能力。
传统机器人研究多聚焦于提升单台机器人的感知、操作和泛化能力，例如识别环境、抓取物体或使用工具。然而，现实世界中的任务往往需要多台机器人共同完成，如搬运大型物体、共同装配或交接物品。这些任务不仅要求机器人具备单体能力，还需在时序、运动和接触关系上保持高度协调，否则即使单台机器人能力再强，也可能因协作失误导致任务失败。
芝诺机器人的研究团队通过一项双机器人协作测试验证了这一观点。测试中，研究人员故意让其中一台机器人延迟3秒启动，另一台机器人未收到额外提示，也无法读取伙伴的内部状态。按常理，后者应按既定节奏继续移动，但它却主动减速、等待伙伴，并根据对方的动作重新调整时序。结果显示，这段延迟几乎未影响任务成功率，证明了机器人具备协作调整的能力。
Zeno-1的核心创新在于“物理世界即协作界面”的理念。该模型不依赖中央控制器或伙伴的内部状态，而是通过每台机器人自身的视觉观察、本体状态和交互历史来行动。伙伴的移动、抓取状态及共享物体的变化，均成为机器人间的协作信号。例如，当一台机器人发现伙伴尚未完成抓取时，会减速等待；伙伴重新建立接触后，再恢复动作。这种协作方式更接近人类的本能反应，如共同铺床单时，一方会因对方未抓稳而自然停顿。
为实现这一目标，研究团队引入了闭环伙伴交互训练（CPI）。机器人首先通过视频和真机示范学习基本操作能力，随后进入真实的伙伴交互环境。自主策略在运行中暴露的延迟、偏差和协作薄弱环节，会被收集为新的训练数据，用于优化模型。这一方法解决了协作数据稀缺的问题，因为人类操作者的默契演示难以复现机器人实际运行中的迟疑和误差。
Zeno-1的评估不仅限于短暂的双机配合。在完整测试中，同一策略可连续运行超10分钟，完成共享物体搬运、工具使用和柔性物体操作等多个子任务，中途无需重置环境或切换策略。这对机器人的记忆能力提出了更高要求——需记住此前交互阶段的信息，避免因延迟或接触偏差累积导致任务失败。
与仓储物流领域已大规模应用的多机器人调度系统相比，Zeno-1的协作更具深度。传统调度系统如亚马逊的DeepFleet，主要解决路径规划和任务分配问题，机器人间耦合较弱；而Zeno-1聚焦于机器人直接操作物体时的实时协作，如共同搬运、交接或操作柔性物体。此时，一个机器人的动作会直接改变另一个机器人的可行动作空间，需通过CPI学习等待、让步或调整动作的时机。
芝诺机器人联合创始人兼首席科学家植伟铭表示，个体能力是协作的起点，但不会自然转化为协作能力。机器人学会抓取、搬运和使用工具后，还需重新学习等待、让步和适应伙伴。Zeno-1的训练分为两个阶段：先通过大规模预训练和单机器人数据建立物理行为先验，再通过CPI和定向纠偏训练解决协作问题。这种设计使协作能力成为模型的核心能力，而非单纯依赖模型规模涌现。
目前，Zeno-1已展现出对伙伴延迟和动作偏差的自主调整能力。当搭档出现延迟或抓取失败时，它会减速、等待、保持接触或重新调整时序，而非机械执行原轨迹。研究团队希望进一步优化这一能力，使机器人在失误发生前就能预测并调整动作，维持协作的连续性。
Zeno-1的发布标志着机器人协作研究从实验室走向实际应用的重要一步。随着机器人逐渐进入工厂、仓库和家庭，协作能力将成为其规模化部署的关键。未来，不同形态、不同能力的机器人，甚至人与机器人之间，有望形成互补协作关系，动态分工、交接和重新组织，共同完成复杂任务。
