声明：文档由AI根据原文生成。
大模型处理复杂问题时，会生成一条推理链条，将问题拆解为多个环节逐步求解。这项技术路径被称为思维链（Chain of Thought，CoT），本质上是一种提示工程的升级——通过引导模型"慢慢想"，强迫其展开清晰的推理流程。
早期的 CoT 停留在语言层面，即"思维可视化"。而在具身智能领域，它的角色正在发生变化：不再只要"想得清楚"，更要"做得明白"。CoT 正从语言中的逻辑链条，演变成机器人行为背后的核心认知机制。
越来越多公司尝试将 CoT 应用到具身智能架构中。主流做法是基于分层结构，借助预训练视觉语言模型（VLM）作为感知与推理中枢，用自然语言能力"驱动"物理动作。一些更前沿的团队，如自变量机器人，正试图通过统一的"多模态到多模态"生成架构，从根本上重构这一过程：不仅让机器人"看"和"想"，更让它们以类似人类的整体性方式思考、计划、行动——而非三者割裂。
"具身 CoT 的意义超越了单纯的语言任务规划，它是连接抽象思考与具体行动的绝对核心。"自变量机器人 CTO 王昊告诉 AI 科技评论。
传统的语言模型 CoT 在封闭的符号化世界里进行逻辑推演，而机器人行动发生在开放、动态、充满不确定性的物理世界，两者之间存在天然鸿沟。具身 CoT 需要融合视觉、空间与物理常识，将模糊指令实时分解为与环境持续交互的子任务链，并让每个动作由思维链上的具体推理步骤直接生成，同时每步推理都受到动作执行反馈的影响。
目前，英伟达、谷歌、自变量等公司正在探索将 CoT 引入具身任务。技术路径大致分为两种方向：分层架构与端到端模型。
英伟达在 2025 年 GTC 大会后推出的 Cosmos-Reason1 采用分层架构+CoT 方式，基于模块化的感知、推理、控制流程构建层次化物理本体，能够生成显式、可解释的动作序列。一位业内专家指出，这种路径"工程上更稳健、调试更方便"，对于叠衣服等可明确拆解的任务非常管用。但任务场景变复杂时，模块间信息传递容易出问题，面对环境变化响应往往滞后。
多数企业选择分层结构的原因在于工程可控性强，双系统架构从语言到视觉再到行动由中间信号传递，更容易实现闭环。但复杂推理、随机问题解决难度直线上升。
"真正的具身智能，不只是能看、能想、能说，更要知道自己在做什么，以及怎么做。"另一位业内人士指出。物理世界的高度复杂性要求具身智能解决两个核心问题：一是知道在做什么，例如倒水必须理解水是液体、杯子倾斜才会倒出，而非机械地把圆柱体倾斜到某个角度；二是知道怎么做，例如偏瘫患者即使有明确意图，也无法准确控制自身动作及与外界交互。
王昊认为，分层架构存在"表征瓶颈"——信息在不同模块间频繁传递会发生压缩与损失；以及"难以涌现"——模块结构割裂让模型很难自然学到跨模态的物理因果和直觉常识。
自变量机器人选择了端到端的具身 CoT 路线，设计了一整套统一的多模态生成架构，试图在同一个神经网络中处理视觉、语言、触觉和动作等不同模态信息。
"我们的目的是消除人为划分的模态边界，把它们都看作一个'高维信息流'。"王昊说。
这种统一架构的关键在于引入"多任务多模态生成"的监督机制。模型在训练时必须学会任意模态之间的转换，比如用语言生成图像、用图像预测下一步动作。"这种机制会强迫模型去学习模态之间深层的因果联系。"
谷歌 DeepMind 的 RT 系列已实现语言到动作的直接映射；斯坦福大学团队也在测试将 CoT 与物理环境仿真融合。王昊解释，统一的、多模态的思维链能够驱使系统呈现类似人类的"整体性认知"：面对未知任务时，在一个表示空间中同时完成视觉理解、语义推理、物理预测与动作规划，不再依赖串行模块处理。
与分层结构通过模块拆解任务不同，自变量机器人的统一架构更关注模型内部思维过程的自然涌现。其具身智能模型基于统一神经网络架构，执行复杂任务时引入 CoT 机制，不再依赖人工拆分的感知、推理和控制流程，让模型自主完成从感知到动作的完整闭环。
在多个具身任务实验中，该模型展示出三类关键能力。
符号-空间推理能力。 机器人看到手绘"五角星"图案时，识别图形含义，联想到字母拼写"S""T""A""R"，理解二维平面中的排列顺序，进一步推理出有语义的英文单词，再转化为动作指令，用积木在三维空间中搭建出该单词。这要求视觉感知、语义推理与空间操作的深度融合。
物理空间推理能力。 机器人能从积木图片中看懂每一步操作，按部就班拾取相应积木并妥善摆放。其背后是对整个结构的空间理解和因果推理：哪块积木起支撑作用，先放哪块才能保持整体稳定，甚至能预测换一种顺序搭建结构会不会倒。机器人还能用语言清晰表述思考过程，解释放置原因及重力、结构平衡的注意事项。
具备推理链的自主探索能力。 面对"找到蓝色的布偶玩具并拿到桌子中间"的指令，无记忆参考的机器人开始自主探索：先查看桌面物品，逐一挪开杯子、衣服；再依次拉开抽屉寻找藏匿处。整个过程呈现目标导向的推理能力，机器人理解任务目标并推理出合理行动路径，"自己想办法完成任务"。
以上三类过程，机器人需在操作中实时输出推理过程，要求模型在统一架构中实现物理操作、视觉和语言推理的精确同步。"这种推理过程是端到端学习的自然涌现。"
端到端统一具身思维链还让机器人具备从视频中学习的能力和协作推理能力。
观察人类操作视频时，机器人不只模仿动作表面，而是尝试"看懂人类在做什么"——从视频中推断行为背后的真实意图和目标状态。这意味着它不仅能学会怎么做，更能理解"为什么这么做"。这种能力融合了视频理解、人类意图识别和任务目标推理，让机器人具备初步的自主学习能力。
在具身智能的发展路径上，CoT 正逐渐成为连接感知、推理与行动的核心技术。无论是分层架构还是端到端模型，各方都在寻找更好方式让机器人真正理解并适应物理世界。
自变量机器人选择了一条天花板更高的路：在统一的端到端架构中推动多模态思维链的自然涌现。其团队相信，只有抛弃拼接式的多模态融合方式，才能打通视觉、语言和行动之间的壁垒，让机器人像人一样，在行动中感知，在感知中思考，思考的结果即时地、非线性地体现在行动中，形成更加丰富的"思维环"，以适应复杂的物理世界。