家庭场景中，机器人如何真正“融入”生活？这一问题正成为具身智能领域的关键突破口。不同于工业场景对效率的单一追求，家庭环境对机器人的容错率近乎严苛——一次动作失误或意图理解偏差，便可能让设备被退货或闲置。这种特殊性，正推动行业探索新的技术路径：部分企业选择深耕物理智能，力求让机器人精准理解物理世界；另一派则转向“理解人”的研究，试图通过构建用户认知模型，让机器人成为更贴心的家庭伙伴。
星炽动力选择后者作为核心方向。其CTO李达在访谈中指出，家庭场景中，人始终是交互的中心。若机器人仅能识别桌子、杯子等物体，却无法感知人的状态，便只能沦为被动执行指令的工具。为此，团队提出“双轨世界模型”，将物理环境感知与用户状态推演并行运行，通过特征层面的交叉验证，输出更贴合实际需求的决策。例如，当老人因行动不便无法明确发出指令时，机器人需通过长期交互积累的习惯数据，主动判断其潜在需求。
这一架构的核心在于“心智理论”的应用。李达团队将用户认知拆解为意图、信念、偏好三个维度：意图指向用户行为与语言的直接表达；信念涉及对用户认知偏差的捕捉，例如当男主人误以为牛奶仍在微波炉中时，机器人需识别这一错误前提并主动提醒；偏好则通过持续交互积累，涵盖用户的习惯、边界与隐私需求。这些数据被编码为隐空间特征向量，以类似语言模型中“token”的形式参与计算，确保用户状态与物理环境在模型中享有同等优先级。
技术落地上，星炽动力采用端云协同策略。云端负责全局模型迭代，端侧则通过“测试时适应”机制实现快速调优。当机器人遇到新场景数据时，无需等待云端反馈，可直接在本地完成模型微调。这种设计既降低了数据传输的隐私风险，也使机器人能更快适应不同家庭的个性化需求。李达强调，家庭场景的复杂性决定了通用物理智能的短期不可行，而先聚焦单一家庭内的用户理解，是提升可用性的更务实路径。
为支撑这一目标，团队构建了三层记忆架构：结构化规则层处理确定性任务，如快速定位物品；RAG语义层通过检索历史交互数据，解析模糊指令的潜在意图；参数化模型层则应对长尾场景，通过大模型推理实现深层价值挖掘。例如，当用户说“倒杯水”时，机器人需结合物理环境感知（如室内温度）与用户状态感知（如汗液分泌、心率变化），判断是否需递上电解质饮料，并联动空调调节室温。这种“室内态势协同感知”能力，使机器人能完成从单一任务执行到场景化服务的跨越。
数据策略上，团队尤为重视“纠偏数据”的价值。李达指出，用户即时反馈的错误指令或微表情变化，是优化模型的关键燃料。例如，当机器人因不确定性主动询问“是否需要帮忙”时，用户的点头或摇头会被转化为正负奖励信号，持续优化偏好对齐模型。为避免“灾难性遗忘”问题，团队还在探索参数隔离机制，确保新技能学习不会覆盖基础物理常识。
隐私保护被原生嵌入技术架构。星炽动力通过“端侧计算”与“模态解耦”切断数据泄露风险：视觉流在本地被转化为骨架点信息，剥离衣着、背景等冗余特征；人脸微表情与生理信号直接在前端处理，仅向云端传输“高兴”“疲惫”等结构化标签；环境数据则以语义拓扑图形式上传，避免原始图像泄露。这种设计使机器人能在保护用户隐私的同时，完成核心功能运行。
“家庭机器人的终极目标不是成为万能工具，而是成为懂察言观色的伙伴。”李达总结道。星炽动力的实践表明，当具身智能从“追求通用能力”转向“深耕单一场景”，技术落地的路径将更加清晰。通过将用户认知模型嵌入世界动作框架，机器人正逐步从“执行者”进化为“共情者”，为家庭场景的智能化提供新的可能。
