华为诺亚夺冠BEHAVIOR-1K：不靠堆算力，靠结构化知识
冠军背后的反直觉路径
2026年11月，在韩国举行的机器人顶级会议 CoRL 上，BEHAVIOR-1K Challenge 的结果公布。华为诺亚方舟实验室的具身智能团队 The North Star 拿到了冠军。
这个成绩有点意思。在全球57支参赛队伍里，他们不仅在隐藏测试的100项家庭任务中拿到了约0.683的Q-score，更关键的是，完整任务成功率达到了48.2%。要知道，去年第一届比赛时，最佳完整成功率只有12%。今年虽然参赛人数从96人涨到265人，任务难度也翻倍（从50项增至100项，场景从3个增至7个），但头部选手的表现却翻了四倍。
斯坦福大学李飞飞团队开发的 BEHAVIOR-1K 基准，被认为是具身智能领域的“T0级”试金石。它不像简单的抓取测试那样只看瞬间动作，而是要求机器人在几分钟内，连续完成整理、清洁等长时序任务。这需要高层推理、跨房间导航和双臂精细操作的紧密配合。
李飞飞在社交媒体上也提到了这次比赛的进展，邀请更多研究者关注。但比起单纯的排名，华为团队提交的技术报告《Scaling by Structure: What Forms Can Scaling Take in Embodied AI?》提出了一个更值得琢磨的问题：当大模型已经能写代码、用工具时，具身智能的能力增长，是否只能靠堆算力和数据？
另一种 Scaling：把经验写成代码
过去几年，AI 的主流叙事是 Scaling Law：更大的模型、更多的数据、更强的算力。这在语言和多模态领域很奏效，但在机器人控制上，光靠端到端的神经网络往往显得“不可控”。
华为团队尝试了另一条路：积累知识、规则和操作流程。他们提出的 HiPhys-RSI（分层物理递归自我改进）框架，核心思想是把“可执行程序”作为能力积累的载体。
简单来说，系统不再仅仅依赖黑盒式的神经网络输出动作，而是让一个参数冻结的编程智能体（Programming Agent）去构建、检验和改进机器人执行的流水线。这个智能体基于视觉语言模型（VLM），但它不直接控制电机，而是写代码。
这个过程分三步走：
第一，读取与体验。智能体阅读任务说明，参考示范视频，并通过工具调用获得初步的交互经验。比如，它需要知道哪些操作是有效的，步骤之间有什么依赖关系，什么样的视觉反馈意味着任务推进了一步。
第二，构建程序。这些经验被组织成明确的代码逻辑。感知输出如何转化为规划指令？控制器何时执行动作？失败后如何恢复？这些都通过条件逻辑连接起来。生成的流水线可以自主执行，并根据自身的检查分支逻辑处理异常。
第三，分析与迭代。执行结束后，智能体会分析日志和视频。日志告诉它调用了什么函数，视频告诉它物理世界实际发生了什么。比如，抓取指令返回了“成功”，但视频显示物体还留在桌面上。这种不一致就是改进的信号。智能体会定位问题模块，修改工具实现或调整步骤顺序，然后再次验证。
在这个过程中，编程智能体和 VLM 的参数是冻结的，不需要重新训练。所有的改进都存储在可执行程序和结构化知识中。有效的改进被保留下来，成为后续任务可以调用的组件。
这就好比一个老工匠，每做完一个活，都会复盘哪里做得不好，然后把心得记在小本子上。下次遇到类似情况，直接翻看本子，或者在此基础上微调。随着任务增多，这个小本子越来越厚，解决问题的能力也就越来越强。
100项任务的实战表现
为了验证这套思路，团队在 BEHAVIOR-1K 的仿真环境中进行了全面测试。评测覆盖100项任务，分为移动取物、摆放分类、精细操作、工具使用、倾倒、设备操作和物体加工等八类。
团队设置了三组对照实验，都是基于2025年冠军方案的 VLA 设置：
- Meta-1-Epoch：在全部100项任务的示范数据上联合训练一个 epoch。
- Per-Task Post-Training：从上述检查点出发，对每项任务进行独立的后训练，并引入深度信息等三维输入。
- Meta-2-Epochs：在全任务示范数据上联合训练两个 epoch。
结果显示，HiPhys-RSI 最终混合系统在几乎所有任务上都优于这三组纯 VLA 方案。特别是在一些需要复杂逻辑的任务上，优势更明显。
有趣的是，额外增加训练轮次（从1个epoch到2个）带来的增益相对有限。逐任务后训练虽然提高了一些特定任务的表现，但整体能力分布没有本质变化。这说明，单纯靠数据喂养模型，边际效应在递减。而结构化系统通过显式分工——感知模块负责看，程序模块负责想，控制模块负责做——能够更灵活地应对新任务。
从“拼凑能力”到“发现策略”
结构化知识的增长并非线性。报告中的曲线显示，改进过程分为三个阶段：
早期是快速提升期。这时候，系统主要在做“能力组合”。很多任务之所以失败，不是因为不会做某个动作，而是因为步骤顺序错了，或者工具选错了。通过修正这些配置，系统迅速覆盖了大量基础任务。
中期进入平台期。容易解决的问题都解决了，剩下的都是硬骨头。这时候，继续调整原有方案的参数，收益很小。
后期则是策略探索期。系统开始发现一些参考示范中没有的新解法。比如，在处理某些难以抓取的物体时，系统学会了先改变物体姿态，或者利用环境支撑来降低操作难度。
举几个具体的例子：
- 锅柄难抓：当锅柄被挡住或角度刁钻时，机器人不再死磕锅柄，而是抓住近侧的锅沿，保持锅体水平，再将其搬到炉灶上。
- 独轮车搬运：把手被阻挡时，机器人从车轮一侧接近，双手抓住前部车斗边缘完成搬运。
- 喷壶启动：直立状态下的喷壶很难按压，系统学会先把它放倒，从侧面操作。
- 外卖打包：为了防止纸袋塌陷，机器人先将空纸袋立在盒子里，利用盒子作为支撑，再放入汉堡。
这些策略不是预先写死的，而是智能体在试错中“悟”出来的。它们被写进程序后，就成了系统的永久知识。
暴露出的问题与局限
当然，这套方法也不是万能的。在隐藏评测中，多数任务的 Q-score 有所下降，大部分降幅在0.2以内。这说明系统具备一定的跨实例迁移能力，但仍有瓶颈。
最大的痛点在于搜索与导航。当目标物体藏在不可见位置，或者操作空间狭窄时，反复搜索和规划会消耗大量时间，导致超时。在失败模式分析中，HiPhys-RSI 的主要失败类型是“抓取”和“超时”，而纯 VLA 基线则更多败在“放置”和“关节物体操作”上。
此外，结构化方法也暴露了评测体系的一些漏洞。比如在“堆木头”任务中，系统将木头两两配对接触，满足了评分规则中的“接触”条件，但并没有形成预期的“堆叠”结构。另一个案例是在冰箱内切食物，系统获得了部分分数，但没有完成后续的转移目标。这些行为虽然在技术上“得分”了，但显然不符合人类的意图。
这提醒我们，成功的定义需要更准确。系统能否自行判断任务阶段和完成状态，也是一个值得独立评估的能力。
结构与模型的双向奔赴
HiPhys-RSI 的一个亮点是，它没有抛弃大模型，而是让结构化经验与模型训练形成了闭环。
程序改进产生的执行轨迹（观察-动作序列），被混合到基准示范数据中，用于 VLA 的逐任务后训练。这意味着，智能体探索出的高效操作方式，变成了模型学习的新数据。训练得到的更强策略，又可以反过来辅助流水线的构建和执行。
这种“结构+模型”的双向协同，可能是具身智能未来的一个重要方向。模型提供泛化能力和感知理解，结构提供逻辑约束和可解释性。两者结合，既避免了纯端到端模型的不可控，又克服了传统符号AI难以扩展的缺陷。
华为团队的这次夺冠，不仅仅是一个排名的胜利，更是对具身智能发展路径的一次有力探索。它证明，在算力之外，知识的结构化积累同样是一条通往通用机器人的可行之路。正如报告标题所言：Scaling by Structure。通过持续积累和改进结构化、可执行的知识，具身系统的能力边界，正在被重新定义。