在具身智能领域，如何推动机器人持续进化始终是行业焦点。过去，提升单体能力是主要方向，更灵巧的机械臂、更强的环境适应力以及更稳定的执行表现，成为各企业竞争的焦点。然而，现实任务往往需要多个角色协同完成，单一机器人的能力提升难以应对复杂场景的需求。
随着技术发展，多机器人协作逐渐成为新的突破口。这种模式特别适用于需要多点操作、并行处理或跨空间协作的任务。例如在工厂中，通用机器人可以独立处理简单任务，而在面对复杂流程时，它们能快速组合能力，通过数量扩展实现系统性能的线性提升，无需为每个新任务重新设计自动化方案。
但当机器人走出受控的流水线环境，进入开放场景时，新的挑战随之而来。没有中央调度的情况下，机器人可能因协调不足而陷入混乱：有的原地等待，有的重复操作，甚至可能因资源争夺产生冲突。如何让它们像人类团队一样自然分工、无缝衔接，成为技术落地的关键。
近期，芝诺机器人推出的Zeno-1模型为这一难题提供了新解法。作为首个专为去中心化协作设计的物理智能基础模型，Zeno-1支持机器人在本地以30Hz频率进行视觉-运动闭环推理，实现了真正意义上的自主协同。在演示中，两个机器人合作完成挂裤子、装真空袋等任务，动作流畅自然，展现了高精度的协作能力。
与传统依赖中央控制器的系统不同，Zeno-1采用分布式架构。每台机器人运行相同的策略模型，通过观察环境和其他机器人的行为自主决策。谁负责抓取、何时交接、如何调整节奏，这些协作行为均从模型与环境的交互中自然涌现，无需预先编程或人工干预。
这一突破背后是创新的四阶段训练方法。第一阶段通过大规模视频预训练，让模型掌握物理世界的基本规律，如物体运动、接触反应等；第二阶段将通用知识转化为特定机器人的操作能力，使其具备基础的任务执行技能；第三阶段通过闭环伙伴交互训练，让机器人在相互影响中学习协作，适应搭档的不完美行为；第四阶段针对协作失败案例进行针对性优化，提升模型在关键场景的鲁棒性。
为支持长时间协作，Zeno-1还引入了两个关键子系统。持久交互记忆模块通过压缩历史信息，帮助机器人理解任务进展、搭档行为模式和环境变化，避免“金鱼记忆”导致的决策失误。预测式内省机制则让机器人在行动前评估动作对搭档和物理环境的影响，提前识别潜在失败，将协作失误率降低40%以上。
去中心化架构的设计体现了对现实需求的深刻理解。相比中心化系统，这种模式具有更强的扩展性和鲁棒性：新增机器人只需加载相同策略，计算成本随数量线性增长；单点故障不会影响整体运行，适合动态变化的开放环境。例如，在柔性产线中，企业可以根据需求逐步增加机器人，无需一次性投入完整团队。
学术界和产业界已开始关注这一趋势。斯坦福大学提出的CHORUS方法、Figure的Helix 02系统以及Google DeepMind的Gemini Robotics 2，均将多机器人协作作为核心能力进行研发。这些进展表明，机器人技术正从单体智能向群体智能演进，协作能力将成为下一代模型的关键指标。
Zeno-1的实践证明，通过合理的训练架构和机制设计，去中心化策略完全能够实现高效的机器人协作。当机器人能够像人类一样观察、理解并配合彼此，其应用场景将大幅拓展，从工业制造延伸到物流、医疗、家庭服务等领域，为智能社会构建奠定基础。
