机器人该怎样活出自己的 “人生”：智元 LIFE，从心跳与记忆开始

从 “戳一下、动一下” 的任务型智能体，走向持续感知、长期记忆、能力自进化的终身具身智能。论文、代码与 RoboBeats 系列模型同步开源。

存在与活着之间，究竟隔着什么？

对人而言，生活包含着感受、记忆与选择。我们经历一些事，也被这些事改变。

如果机器人也能持续观察世界，记住发生过的事情，并让经历改变之后的行动 —— 它是否也在开始学习如何生活？

然而今天的不少智能体，仍像个等人叫醒的木头人：你戳一下，它动一下。接到指令，它可以忙上好一阵；任务结束，又安静下来。

可办公室不会跟着安静。杯子换了位置，同事来了又走。等你问起 “刚才谁来过”，它才开始看，已经晚了。每天经过同一张办公桌，如果什么也没留下，它就始终像个陌生人。

LIFE 想补上的，正是没人叫它时的那段经历。智元远征 Research Team × 清华希望让机器人持续留意世界，记住发生的事，再用这些经历应对下一次相遇。这是迈向终身具身智能的一步：Learning to Live，学习与世界相处。

2026 年 11 月 11 日，团队正式发布终身具身智能框架 LIFE（Learning to Live: A Step Toward Lifelong Embodied Intelligence），并同步开放论文、项目主页、开源代码与 RoboBeats 系列模型（0.8B / 2B / 4B）。这套框架试图回答一个问题：当机器人能持续观察世界、记住发生过的事，并让经历改变之后的行动，它是否开始学会 “生活”。

刚到一间办公室，你会先看看周围：谁坐在哪儿，东西放在哪里，什么时候适合打个招呼。有些事不用专门问，多待几天，自然就知道了。

团队也希望机器人能这样。有人在门口道别，它可以挥手回应；见过物品被挪走，下次就不再去老地方找。日子久了，再见到同一张脸，它能想起之前发生过什么，而不用每次都从自我介绍开始。

VLM 智能体却常按 “推理、调用工具、等待结果” 的步骤往下走。工具还没返回，世界已经变了。机器人做着眼前的事，也得知道身边出了什么事。

LIFE 的核心，是一个由多模态大模型（VLM）驱动的智能体。它把眼前看到的、过去记住的和用户的需求放在一起，判断接下来做什么，再调用工具行动。但要熟悉一个地方，光等任务上门还不够：团队为它接上 RoboBeats，持续留意环境变化；用可塑性记忆（Plastic Memory）存下经历，供日后回看；遇到不会解决的问题，再借助 EDM 探索新办法，把有效的办法留下。

交谈时，对方接起电话，人会停下来；身旁有人把文件散落一地，人可能问一句要不要帮忙。这些临场反应，往往不用等别人提醒。RoboBeats 就是在离散的工具调用与连续变化的现实之间，搭起这座桥。

这颗 “心脏” 是一个轻量决策模型（Decision Model），与 Jev 一类 System One 模型思路相近：不生成文字，直接判断每个条件成立与否的概率，并复用视频流的计算缓存。在单张 RTX 5090 上，RoboBeats-2B 处理一帧新画面约 75 毫秒，同时盯住 16 个条件也只需约 77 毫秒 —— 多留意几件事，延迟几乎没变。有任务时，智能体用自然语言告诉它要盯什么；没有任务时它也在看，有人经过、物品换位、新事件出现，观察被挑选出来交给后续模块。

人把外套搭上椅背时，大概不会特意叮嘱机器人记住。几个小时后找不到，才会问 “我的外套呢”。难就难在，记录时谁也不知道，哪一个细节以后会派上用场。可塑性记忆把当时的画面和当时的理解分开保存：原图留下现场，JSON 记录时间、位置、人物和物品等线索。

它采用扁平化设计，同一份记忆有两种用法：执行智能体通过工具检索，快速找到已有线索；会读文件、写程序的编程智能体（coding agent），则能回看原图，提取新信息，补上字段和索引。比如，当初经过一扇门，只记下了位置；后来要找某个房间，就可以重看那张照片，读出门牌。当时没记进文字的细节，还留在画面里。

“这样的电话亭，我以前见过几个？” 面对一张照片，机器人要翻查过去的画面，还得认出哪些照片拍的是同一个电话亭。现有工具做不到，就需要先想办法。

LIFE 沿用前作 ReSight 提出的探索 — 提炼 — 挂载（Explore–Distill–Mount，EDM）机制：编程智能体查看历史证据、编写程序，摸索检索和去重的方法；找到有效办法后，再提炼、验证，装进系统的工具箱。这次摸索出的办法，下次不用从头再来 —— 记忆里的画面没有变，机器人却多了一种查找和使用它们的方式。

在多项公开基准与自建基准上，LIFE 的持续感知与记忆方案相对基线取得提升。以下为论文主要数据，供报道引用。

其中 SSS-Bench 由团队构建，用于检验系统在不知道未来问题时，能否留下有用的观察；写入同样数量的画面、使用相同的问答模型，仅凭文本记忆作答即可复现这一提升。

在 LIFE 的 24 小时真机记忆实验中，智元远征 A3 Ultra 连续采集了一天的第一视角视频，再基于构建的记忆回答问题。

记忆让回答有迹可循。中午十二点半，用户问起外套最后在哪里，机器人从当天的记忆中找到了十二点十八分的画面：外套搭在茶水间的椅背上，并返回了当时的拍摄位置。要判断会议室里的两只杯子属于谁，则需要把不同时间的观察串起来：它沿着人物到场和使用杯子的记录追查，找到了绿色杯子的归属依据；黑色杯子在参会者到来前就已出现，因而没有被贸然归给其中某个人。

围绕当天经历，团队选了六个问题，每题运行三次。使用相同的 GPT-6.1-sol 问答模型，LIFE 得到 29.5/30 分，平均用时 80.6 秒；拿到同样已构建记忆的 Codex 得到 28.5/30 分，平均用时 554.7 秒。

论文、项目主页、代码与模型已同步开放，研究者和开发者可以直接复现与验证。

人与人相处久了，也常有这样的时刻：某件事不必每次都重新交代，对方记得。

智元远征希望，有一天，机器人也能拥有这份熟悉。再次走进那间办公室，它会认出曾经打过招呼的人，记得一起做过的事，也能想起某次遇到难题时，自己是怎样一点点找到办法的。初来时陌生的人和事，渐渐都有了故事，成了它自己的过去。

LIFE 希望朝这个未来迈出一小步：让机器人拥有自己的 “心跳”，在没人呼唤时也留意世界，把相遇留在记忆里，再带着这些经历，走向下一天。

Learning to Live。

（来源：智元朋友圈）