# 斯坦福给宇树 G1 装上空间记忆，让它在陌生厨房里自己收拾东西、找药

> 原标题：HomeBody: A humanoid that explores, remembers, and acts on its own

- 来源：Hacker News 首页
- 发布时间：2026-09-26T18:42:10.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/59148
- 原文：https://tml.stanford.edu/homebody/

## 摘要

斯坦福 TML 的 HomeBody 系统让 GPT Astra 直接调用导航、抓取、开抽屉这些技能库，跳过了中间那层需要训练的动作模型。一台宇树 G1 人形机器人先在一个没见过的厨房里自己逛一圈，用 iPhone 和激光雷达数据搭出一个数字孪生环境，然后靠持续的空间记忆去完成长链条任务：把咖啡包归拢到中岛、扔掉过期的牛奶和果汁盒，还能从被挡住的抽屉里...

## 推荐理由

斯坦福 TML 把 GPT Astra 装到宇树 G1 上，没训中间那层动作模型，直接靠技能库调用完成长链条家务，还带持续空间记忆。论文、代码、视频都齐了，不是空口宣传。分数定在 78 是因为目前只是一篇论文驱动的 demo，正文没披露在更多户型或任务上的泛化数据，实际稳定性和失败率还不清楚，所以先不打更高分。

## 锐评

这条新闻最值得看的是架构上的取舍。HomeBody 把传统三层架构里的中间那层“动作模型”直接砍掉了，让 GPT Astra 像调用函数一样去调用导航、抓取、开抽屉这些写好的技能。这相当于让大模型从“教练”变成了直接下场的“玩家”，省去了训练一个专用动作模型的时间和样本成本。

演示里，宇树 G1 机器人先在一个没见过的厨房自己逛一圈，用 iPhone 和激光雷达搭了个数字孪生环境，然后靠这个空间记忆去完成“把咖啡包归拢、扔掉过期牛奶”这种长链条任务。能处理被挡住的抽屉、用不同手执行不同动作，说明技能库的编排和空间记忆的持久性跑通了。

但正文没披露任何成功率和耗时数据。在一个没训练过的厨房里，这种长链条任务失败一次可能就要人工复位，实际可用性要打很大折扣。另外，技能库是预先写好的，机器人能做什么完全取决于库里有什么，遇到没写过的动作就抓瞎。如果后续能给出连续运行几十次的成功率，这个架构的价值会更清楚。