机器人烧烤真正值得看的，不是烤串。 9月16日，乐享科技把搭载以太大模型的机器人拉到上海街头，进行了一场近1小时的户外直播。现场设置3桌、6位顾客，机器人需要完成从点单、任务规划、烧烤到上菜的完整流程。按照乐享科技的说法，全程无遥操、无剪辑、无预设脚本；据其披露，线上围观人数超过550万，现场还有超过30位行业媒体， 一起见证了全球首次机器人完全自主的户外烧烤直播。 如果只看结果，这似乎是一场“机器人又学会了一项新技能”的展示。但真正让这场直播有别于以往 Demo 的，不是机器人最终把串烤了出来，而是整个过程被放进了一个明显不友好的环境里：没有实验室般的恒定条件，没有提前清场，没有为机器人保留一条绝对顺畅的行动路线，甚至现场的顾客也不是来配合演出的，而是来“添乱”的。 顾客可以临时改单、追加需求、挪动物品、打断任务；原定一位顾客未能到场后，现场没有停播，也没有重写流程，而是直接从围观人群中随机请了一位补位。换句话说，乐享没有让机器人演一场“完美烧烤秀”，而是把它扔进了一个更接近真实服务场景的开放环境：人会变卦，物体会移位，流程会被打断，计划会失效。 这也解释了为什么“烧烤”只是一个载体。真正被检验的，是具身智能在真实世界里的几个硬问题：长时序任务能不能持续推进？环境变化后能不能重新判断？被打断后能不能记得回来继续？失败后能不能恢复？没有人工接管时，系统还能不能自己把任务做完？ 一、一场把不确定性变成了演示本身的直播 过去两年，具身智能行业并不缺少惊艳视频。机器人叠衣服、冲咖啡、翻跟头、擦桌子，镜头越来越精致，节奏越来越紧凑，配乐越来越燃。但这类内容也始终伴随着同一种质疑：我们看到的是第几次成功？镜头之外失败了多少次？如果现场突然有人走过去，如果道具被挪动，如果任务中途被打断，机器人还能不能继续？ 演示视频的价值在于证明“做到过”，却很难回答“能不能持续做到”。 这正是乐享这场直播试图改变的叙事方式。它没有把不确定性剪掉，反而把如何解决各种不确定性变成了演示本身。 从直播呈现看，几个片段颇具代表性。服务机器人在点单过程中被顾客临时要求“拿瓶水”，它没有卡在原地，也没有继续机械完成当前流程，而是先完成送水，再回到点单任务。 负责烧烤和负责服务的两台机器人本体不同，却能围绕同一任务自主协作、交接任务。还有一个细节是，机器人在没有人吩咐的情况下，主动为顾客递上纸巾。 这些瞬间之所以重要，是因为它们不再是简单的“指令—执行”。尤其是递纸巾这类动作，并不在任何明确指令里，它更像是机器人基于“人在吃烧烤”这一场景做出的自主推导。工具等待命令，智能则需要理解场景。二者之间的差别，不在于动作是否漂亮，而在于系统能不能从环境、任务和人的状态里推出下一步该做什么。 当然，直播里也并非没有瑕疵。机器人像人一样，第一次操作的时候，需要个了解的过程，没那么流畅，但可贵的是，失误的经验会直接成为下一次成功的执行基底。但恰恰是这些没有被藏起来的过程，让这场直播比一支精修视频更具价值。 对于具身智能来说，真正拉开差距的未必是不犯错，而是犯错或者遇到未知挑战的时候，能不能持续自进化，最终解决掉问题。乐享想证明的，也正是以太大模型在遭遇计划外情况时，能否仍能维持任务状态并继续推进。 二、以太大模型，被放在 VLA、WAM 之外的“第三条路” 支撑这些表现的，是以太大模型背后一套全新的具身大模型的思路。根据乐享提供的资料，以太大模型是全球首个跨本体通用具身大模型，核心不是简单回答“下一步该做什么”，而是试图解决一个更接近真实世界的问题：当环境突然变化、原计划失效时，机器人能否自己发现问题、重新判断、调整策略，通过自主智能、自进化，继续完成任务。 在路线选择上，以太大模型被放在 VLA、WAM 之外的“第三条路”来叙述。VLA 更强调从视觉、语言和状态到动作的映射，回答“看到场景后下一步怎么做”；WAM 或世界模型路线进一步引入对未来变化的预测，回答“动作之后世界会怎样”。 而乐享进一步追问的是：预测出来的动作，最终能不能被一副真实的身体做出来。 因为机器人面对的不是屏幕里的下一帧，而是一个会持续反作用于身体的物理世界。重量、摩擦、碰撞、人的突然介入，都可能让原本合理的动作在执行时失效。 因此，以太大模型采用了以神经元分配为核心的能量驱动架构，把目标完成度、动力学一致性、记忆一致性和物理约束放进同一套连续机制中。更通俗地说，机器人不是机械回放训练过的动作，而是在“感知—判断—行动—反馈”的闭环里持续修正自己。现实世界的每一次反馈，都会重新进入模型，影响它下一步的判断和行动。 乐享给出的关键数据是：200小时人类视频、0小时真机训练数据、4B参数。这组数据的意义不在于证明以太大模型已经到达通用智能，而在于它试图探索一条不完全依赖海量真机数据和参数堆叠的 Physical