從倉庫里的物流機器人到科幻電影中的「賈維斯」，我們對智能機器人的想象從未停止。學(xué)術(shù)界在模擬器里實現(xiàn)了越來越復(fù)雜的協(xié)作任務(wù)，工業(yè)界也讓機器人學(xué)會了韋伯斯特空翻。

然而，一個殘酷的現(xiàn)實是：當下的機器「人」更像是提線木偶，而非真正自主的智能體。

想象一下，機器人每做一個動作都要延遲十幾秒，完成同樣的任務(wù)比人類慢上十倍，這樣的效率如何走入我們的生活？這個從虛擬到現(xiàn)實的「最后一公里」，其瓶頸常常被忽視：高昂的時間延遲和低下的協(xié)作效率。它像一道無形的墻，將真正的具身智能困在了實驗室里。

為了打破這一僵局，來自佐治亞理工學(xué)院、明尼蘇達大學(xué)和哈佛大學(xué)的研究團隊將目光從單純的「成功」轉(zhuǎn)向了「成功且高效」。他們推出了名為 ReCA 的集成加速框架，針對多機協(xié)作具身系統(tǒng)，通過軟硬件協(xié)同設(shè)計跨層次優(yōu)化，旨在保證不影響任務(wù)成功率的前提下，提升實時性能和系統(tǒng)效率，為具身智能落地奠定基礎(chǔ)。

簡單來說：ReCA 不再滿足于讓智能體「完成」任務(wù)，而是要讓它們「實時、高效地完成」任務(wù)。

這份工作發(fā)表于計算機體系結(jié)構(gòu)領(lǐng)域的頂級會議 ASPLOS'25，是體系結(jié)構(gòu)領(lǐng)域接收的首批具身智能計算論文，同時入選 Industry-Academia Partnership (IAP) Highlight。

三大瓶頸：

當前模塊化具身智能的「效率之殤」

研究團隊首先對當前的協(xié)同具身智能系統(tǒng)（如 COELA, COMBO, MindAgent）進行了系統(tǒng)性分析，定位了三大性能瓶頸：

高昂的規(guī)劃與通信延遲： 系統(tǒng)嚴重依賴基于 LLM 的模塊進行高階規(guī)劃和智能體間通信。每一步行動都可能涉及多次 LLM 的順序調(diào)用，其中網(wǎng)絡(luò)延遲和 API 調(diào)用成本更是雪上加霜，使得實時交互成為奢望。

有限的可擴展性： 隨著智能體數(shù)量的增加，去中心化系統(tǒng)會面臨通信輪次爆炸性增長和效率下降的問題；而中心化系統(tǒng)則由于單一規(guī)劃者難以處理復(fù)雜的多智能體協(xié)同，導(dǎo)致任務(wù)成功率急劇下滑。

底層執(zhí)行的敏感性： LLM 生成的高階計劃需要被精確翻譯成底層的控制指令，底層執(zhí)行的效率和魯棒性直接關(guān)系到任務(wù)的成敗。

ReCA 的「三板斧」：

從算法到系統(tǒng)再到硬件的跨層協(xié)同優(yōu)化

針對上述挑戰(zhàn)，ReCA 提出了一個貫穿算法、系統(tǒng)和硬件三個層面的跨層次協(xié)同設(shè)計框架，旨在提升協(xié)同具身智能系統(tǒng)的效率和可擴展性。

算法層面：更聰明的規(guī)劃與執(zhí)行

本地化模型處理： 通過部署更小的、本地化的經(jīng)過微調(diào)的開源 LLM，ReCA 擺脫了對外部 API 的依賴，消除了網(wǎng)絡(luò)延遲瓶頸，同時保障了數(shù)據(jù)隱私。

規(guī)劃指導(dǎo)下的多步執(zhí)行： 顛覆了傳統(tǒng)「規(guī)劃一步、執(zhí)行一步」的模式。ReCA 讓 LLM 一次性生成可指導(dǎo)連續(xù)多步底層動作的高階計劃，大幅減少了 LLM 的調(diào)用頻率，顯著降低了端到端延遲。

系統(tǒng)層面：更高效的記憶與協(xié)作

雙重記憶結(jié)構(gòu)： 借鑒了人類認知的「雙系統(tǒng)理論」，ReCA 設(shè)計了長短時記憶分離的結(jié)構(gòu)。

長期記憶以圖結(jié)構(gòu)存儲環(huán)境布局等靜態(tài)信息。

短期記憶則動態(tài)刷新智能體狀態(tài)、任務(wù)進度等實時信息。

有效解決了 LLM 在長任務(wù)中 prompt 過長導(dǎo)致「遺忘」關(guān)鍵信息的痛點，提升了規(guī)劃的連貫性和準確性。

分層協(xié)作規(guī)劃： 為了解決擴展性難題，ReCA 引入了一種新穎的分層協(xié)作模式。在小范圍的「簇」內(nèi)，采用「父-子」智能體的中心化模式高效規(guī)劃；在「簇」之間，則采用去中心化模式進行通信，更新彼此進度。這種混合模式兼顧了規(guī)劃效率和系統(tǒng)規(guī)模。

硬件層面：更專業(yè)的加速單元

異構(gòu)硬件系統(tǒng)： ReCA 為高階和低階規(guī)劃匹配了最合適的計算單元。它采用 GPU 子系統(tǒng)處理 LLM 的高階規(guī)劃，同時為精準路徑規(guī)劃等低階任務(wù)設(shè)計了專門的硬件加速器。

專用路徑規(guī)劃處理器： 研究表明，在系統(tǒng)優(yōu)化后，原本占比不高的 A-star 路徑規(guī)劃延遲會成為新的瓶頸。ReCA 的專用 A-Star Processing Unit（APU）通過定制化的計算單元和訪存設(shè)計，大幅提升了低階規(guī)劃的效率和能效。

效率提升：

5-10 倍速度提升，成功率不降反升

通過跨越六個基準測試和三大主流協(xié)同系統(tǒng)的評估，ReCA 展現(xiàn)了其強大的實力：

效率： 在任務(wù)步驟僅增加 3.2% 的情況下，實現(xiàn)了平均 5-10 倍的端到端任務(wù)加速。原本需要近一小時的復(fù)雜任務(wù)，ReCA 能在 20 分鐘內(nèi)完成。

成功率： 在大幅提升速度的同時，任務(wù)成功率平均還提升了 4.3%。這得益于其優(yōu)化的記憶和協(xié)作機制，證明了效率與性能可以兼得。

可擴展性： 即使在 12 個智能體的大規(guī)模協(xié)作場景下，ReCA 依然能保持 80-90% 的高成功率，而基線系統(tǒng)的成功率已跌至 70% 以下。

能效： 其定制的 A-star 硬件加速器（APU）相較于 GPU 實現(xiàn)，取得了 4.6 倍的速度提升和 281 倍能效改進。

ReCA 的意義，遠不止于一組性能提升的數(shù)據(jù)。它更像一塊基石，為具身智能的未來發(fā)展鋪設(shè)了三條關(guān)鍵路徑：

從「能用」到「好用」的跨越： 此前，研究的焦點大多是如何讓機器人「成功」完成任務(wù)。ReCA 則明確地提出，「成功且高效」是更關(guān)鍵的目標。這項工作有助于推動領(lǐng)域的研究范式轉(zhuǎn)變，讓延遲、效率和可擴展性也成為衡量具身智能系統(tǒng)的核心指標，加速其在家庭服務(wù)、智能制造等場景的落地。

「軟硬協(xié)同」釋放效能提升： ReCA 通過算法、系統(tǒng)、硬件的跨層次協(xié)同優(yōu)化，突破了過往「單點優(yōu)化」的局限。未來的具身智能系統(tǒng)，有望像 ReCA 一樣，在不同層面協(xié)同設(shè)計的產(chǎn)物。它為 GPU 處理高階規(guī)劃、硬件加速器處理底層精確任務(wù)的異構(gòu)計算模式提供了范本，為下一代機器人「大腦」+「小腦」的設(shè)計提供了一種可行方案。

突破瓶頸，解鎖想象力： 當延遲不再是瓶頸，我們可以大膽想象：一個機器人管家團隊能在你下班前，實時協(xié)作，烹飪好一頓豐盛的晚餐，并打掃干凈房間；又或者在災(zāi)難救援現(xiàn)場，多個機器人能實時共享信息，高效協(xié)同，在黃金救援時間內(nèi)完成搜索與拯救任務(wù)。在自動化科學(xué)實驗室里，機器人集群能夠 7x24 小時不間斷地進行復(fù)雜的協(xié)同實驗，以前所未有的速度推動科學(xué)發(fā)現(xiàn)。

總而言之，ReCA 的工作不僅解決了一個關(guān)鍵的技術(shù)瓶頸，更是為具身智能從實驗室走向真實世界，架起了一座堅實的橋梁。我們距離那個能實時響應(yīng)、高效協(xié)作的「賈維斯」式智能助手，確實又近了一大步。