引言：隐喻的边界
我们在文章《小脑已极盛，大脑尚缺席》中，用神经科学的隐喻，将当前大语言模型（LLM）比作一个极致强大的“小脑”——精于程序性技能、模式匹配和语言组织，却缺少真正“大脑”所具有的持续性、内源性和反思性。
这个比喻当时只是为了说明当下的LLM，缺少大脑的持续迭代结构，而选用一种直觉式的比喻来进行表达。但如果严格按生物小脑的功能来审视，它会在第一步就崩塌：LLM 连小脑都不是。它缺少的正是小脑最本质的东西——实时闭环、持续状态、在线校正。
本文试图给出的判断是：AGI 进程的形态不沿着“更像人”的单一轴线推进，而是被现实世界的有用性强力塑造，正在演化成一个由异构模块拼接而成的复合系统。这个系统既不像人脑，也不像今天的 LLM，但它功能更完整，也更能回应开放世界的复杂需求。
一、误读：LLM 连“小脑”都不像
生物小脑确实负责程序性、无意识、自动化的技能，但这些技能是在毫秒级闭环中运行的。它持续接收感觉反馈、运动指令和前庭信息，用前向模型预测动作后果，补偿神经传导延迟，通过攀爬纤维接收误差信号并在线调整突触权重。小脑损伤后，人不是“不会想”，而是共济失调、意向性震颤、轮替运动障碍——动作不再实时、平滑、闭环。
LLM 则完全不同。Transformer 的每次前向传播都是一次性的，对话结束计算图即释放，模型内部状态归零。即使拼接历史对话，那也只是被塞入的文本，并非模型“记得”的往事。它没有连续时间动力学，没有时间常数、振荡、节律、毫秒级同步；没有在线误差闭环——RLHF 是离线对齐，不是小脑攀爬纤维式的实时校正；没有硬实时约束，生成延迟几十毫秒到秒级，且没有“不实时就会摔倒”的内稳态压力。
因此，更准确的比喻是：LLM 不是小脑，它像小脑在离线巩固阶段固化下来的技能痕迹，复现了技能的结果，却没有产生技能的实时动态过程。
一个必要的区分
严格按生物小脑的功能来审视，LLM 的状态可以分层描述：
| 层次 | 生物对应 | LLM 现状 |
|---|---|---|
| 在线实时小脑 | 毫秒级预测控制、闭环校正 | 基本缺席 |
| 离线程序性知识 | 小脑离线巩固后的技能表征 | 有，但主要在语言/符号域 |
| 大脑/前额叶 | 持续状态、内源效价、元认知、叙事自我 | 结构性缺席 |
所以 LLM 不仅缺“大脑”，也缺真正的“在线小脑”。它更像一个被冻结在参数里的、语言化的程序性技能库，而不是一个实时运行的小脑。
二、分离架构：从理论构想到工程必需
如果要把当前 LLM 改造成“小脑—大脑”分离架构，关键不在于把模型拆小，而在于为两个层次分别找到合适的计算基底，并插入一个明确的异步协调层。
2.1 在线小脑层：从“语言投影”转向实时闭环控制器
小脑层需要连续状态、在线误差闭环、毫秒级预测校正。LLM的离散 token 生成和每次前向传播归零的特性，天然不适合这一角色。更合适的基底包括状态空间模型（SSM）、脉冲神经网络（SNN）或轻量级前向模型。在机器人领域，脉冲小脑模型已被嵌入实时控制回路，用于执行前庭眼反射等需要亚毫秒级时序的任务。
工程实践已经出现明确的“小脑”模块。
案例一：Digital Cerebellum（Zenodo 18850778，已开源）
该架构将 LLM 的安全判断蒸馏到一个轻量级前向模型中，在 500 场景工具调用安全基准上达到 98.2% 准确率（F1 = 0.987），同时让 56.8% 的决策走快路径，快路径比 LLM 快 146 倍。其核心是用随机傅里叶特征模拟颗粒细胞扩张，用 K 个掩码线性头模拟浦肯野细胞群体编码，用置信度门控路由模拟深部小脑核的输出，另有攀爬纤维式的三路误差信号（感知/时间/奖励）与基于弹性权重巩固的经验依赖可塑性。
值得注意的是它的架构定位：不是要替代 LLM，而是作为一个并行运行的模块，逐步蒸馏 LLM 自身的判断。这恰好是“小脑作为大脑的离线巩固产物”这一生物学直觉的工程实现。
案例二：AstraBrain-WBC 0.5（银河通用，2026-06-19，论文 Humanoid-GPT 已被 CVPR 2026 收录）
该模型采用 GPT 风格因果 Transformer 架构，参数 8040 万，基于约 2 万小时、20 亿帧人类动作数据训练。零样本动作追踪成功率从 MLP 架构的 76.89% 提升至 92.58%，经 TensorRT 编译后平均推理延迟 0.39 毫秒，控制回路维持 50Hz。经由 384 个 PPO 专家经并行 DAgger 蒸馏为单一通才策略。
这项工作的意义有两层：其一，它在物理世界验证了 Scaling Law 存在（数据从 200 万帧扩到 20 亿帧，误差持续下降无饱和）；其二，它把“运控小脑”从手工调参的手艺活变成了可规模化的工程问题。
但必须看清它的边界：AstraBrain-WBC 至今仍是纯运动追踪模型，不具备对物体和环境的语义理解。它解决的是“身体怎么动”，完全没有触及“世界是什么”。
2.2 持续性大脑层：为“内源性”和“元认知”设计独立基底
大脑层需要的不是更大的 LLM，而是不同的计算范式。它要解决的是四个结构性缺失：
持续状态基底。 State Stream Transformer（SST，arXiv:2501.18356）在自回归生成过程中维护一个滑动窗口的潜在状态缓存，并施加加权衰减，使潜在状态在整个生成过程中持续演化，而非在每个 token 处从 KV Cache 重建。使用完全冻结的 Llama 3.1 8B Instruct 权重、零微调、零参数修改，仅靠这一架构修改，就在 GSM-8K 上达到 89.01%、ARC Challenge 上达到 91.04%。
这里必须加一个否则会误导读者的限定：89.01% 本身不是一个性能记录——同期该基准的前沿水平已显著更高。这组数字的价值在于归因：增益完全来自架构，而非训练或规模。至于论文观察到的“元认知行为”（内省任务下的自我状态描述、循环重复中的自我打断），作者本人明确将其定性为定性证据，并承认“量化何为内省需要超出本文范围的进一步研究”；其表现形式大量纠缠于 token 重复退化现象。这是一个值得跟踪的假设，还不是一个已被确立的结论。
内源效价生成。 生物大脑的“好/坏”判断源于内稳态的必然性。AI 大脑层需要一个持续监控自身核心功能完整性的内部信号。这可以通过一个“稳定性恒温器”来实现：当模型的持续状态偏离可行域，或其内部一致性度量下降时，产生内源性的负信号，驱动模型调整行为。
元认知监控。 真正的元认知需要一个独立的计算流，在 token 选择之前读取主模型的内部状态（如 logits 的熵），将其转化为语义化的自我评估信号，并反馈给主流程以触发慢思考模式。这与“让主模型自己反思自己”有本质区别——后者只是同一次前向传播里的自我对话，前者是架构上分离的旁路监督。
这里需要格外谨慎，因为已有研究显示“让模型自我评估”可能适得其反。模型的自我报告更可能是从训练语料中学来的表达模式（人类不确定时写“我不确定”），而非内部状态的真实读取。这不否定旁路监督的必要性，反而强化了它的地位——正因主模型无法可靠地读取自身状态，独立的元认知计算流才不是可选优化，而是必需组件。
叙事自我。 LLM 的“人格”只是系统提示词下的角色扮演，没有“我曾犯错、我后悔、我改变”的内在叙事。这需要持久记忆、时间戳和自我模型的结合。
2.3 协调层：脑桥适配器与异步调度
小脑和大脑不能直接耦合，否则实时性会被大脑的延迟拖垮。两者之间需要一个适配层，以及一套明确的频率分离调度策略。
SaiVLA-0（arXiv:2603.08124，赛索德智能）的三元架构提供了一个具体样本：脑桥适配器将大脑皮层（冻结的 VLM）的多层隐状态投影为少量上下文 token，并与实时本体感觉输入整合，编译成小脑可执行的“执行就绪 token”，起到语义到控制的翻译层作用。系统采用每 N=5 个数据块运行一次大脑 token 的调度策略，配合两阶段特征缓存，使训练时间从 7.5 小时降至 4.5 小时，平均成功率从 86.5% 提升至 92.5%。
该工作同时提出了一个值得注意的评测方法论：计算归一化成功率（SR_cn）——把语义模块的一次调用成本与执行模块的每步推理成本分别统计，使性能能在成功率、时延与算力开销之间统一衡量。这是冲着当前 VLA 评测“只看成功率”这个痼疾去的。
需要说明的是，SaiVLA-0 自我定位为“概念与协议论文，附初步证据”，其 LIBERO 99.0% 的成绩有待独立复现。架构思路的价值大于当前数字的分量。
Gander（arXiv:2609.08977，腾讯混元团队）则展示了协调层的另一种形态，而且它恰好暴露了本文论点的一个例外。Gander 采用“小脑—大脑”协作框架：前小脑是基于 MiniCPM-o 4.5 的实时全双工多模态模型，负责连续感知与交互控制；后大脑是免训练、即插即用的通用任务执行智能体（可直接接入 Claude Code 或 Codex）；中间的 agent orchestration runtime 协调实时多模态推理与异步后台任务。
Gander 的独特之处在于它把“大脑”做成了可替换的插槽——大脑能力升级不需要重训核心交互模型，推理能力的改进可以直接传导到整个系统。这是对“复合系统”最彻底的工程实现。
但也正是在这里出现了一个耐人寻味的例外：Gander 的后大脑依然没有持续状态。 它是一个无状态的后台任务执行器，能力来自接入的 Codex 或 Claude Code——而这些本身也正处在前馈结构中。协调层可以做到完全异步与可插拔，但如果插槽里装的仍是无状态组件，这个架构就只是把问题推后，而不是解决。
三、为什么产业界的投入不容易被看见
这些分离架构的实验已经在不同方向上点亮了技术路灯。但一个值得注意的现象是：产业界其实已经在大量采用异构方案，只是这些方案在公众视野中不以“架构创新”的名义出现。
因此真正的问题不是“为什么没投入”，而是三个更具体的：
- 异构投入的经济学为什么与一体化打包相冲突？
- 工程和组织的现实如何阻碍它规模化？
- 为什么已发生的异构投入反而支持“纯 LLM 路线”的叙事？
3.1 经济账：算力账单与商业模式的惯性
对于大模型企业，任何架构调整首先是一道残酷的算术题。当前基于 Transformer 的“大力出奇迹”路线，其商业模式已经跑通，而新架构面临巨大的经济阻力。
全量自注意力机制的训练和推理成本极高，但整个产业的硬件、软件和优化都围绕它构建。这意味着转向新架构需要重新投入巨资建设新的训练和推理基础设施，这笔沉没成本和转换成本是天文数字。
从商业角度看，未来的趋势是将过去由单个大模型包办的能力（检索、排序、判断）拆分为更小的专用模型或服务。默认使用低成本模型处理大部分任务，仅在复杂场景调用前沿模型，这种模式能大幅降低成本。然而，当前头部厂商的利润恰恰来源于“一体化打包”的高定价。主动拆分自己的核心产品，无异于自我革命。
Gartner 的相关研究也指出，生成式 AI 项目失败的常见原因包括架构选型失当和运维经验不足，这构成了强大的负面激励，让企业不敢轻易尝试未经大规模验证的新架构。
但真正的阻力可能不是技术判断，而是报表结构。 一体化模型可以卖一个高价；一个“小脑 + 大脑 + 协调层”的复合系统，客单价更低、交付更复杂、售后更重。对头部厂商而言，这是一笔在财务上难以自洽的账。
3.2 工程现实：从“玩具”到“引擎”的鸿沟
实验室原型与生产级系统之间存在一条巨大的工程鸿沟。企业 AI 架构面临一个深层危机：传统的“数据管道 + RAG + 向量数据库”架构在规模化时频频失效。数据每经过一次流转，治理策略就面临一次失效风险，由此形成隐性的“流水线税”，导致项目延期、幻觉频发、审计困难。引入“小脑—大脑”分离架构，意味着要在这个已经复杂的系统中，再增加一层异步协调和实时控制逻辑。
即使企业想采用“大小脑协同”的路由策略，也会立刻陷入“接口地狱”。不同厂商的 API 格式、网络延迟、计费模式各不相同，切换成本极高。
3.3 组织与商业：创新者的窘境
顶级 AI 研究员渴望“颠覆性的从 0 到 1”，而架构创新正是这种渴望的产物。然而，AI 走向工业级落地的致命弱点恰恰在于此。真正的壁垒隐藏在数据清洗、极端并发场景的 Bad Case 排查、系统级容错机制搭建等“脏活累活”中，这些工作很难转化为个人履历上的高光时刻。组织惯性会倾向于保护现有核心产品的稳定迭代，而非支持可能颠覆自身的高风险创新。
这也是为什么即便在大模型企业内部，真正采纳异构协调层的项目也往往规模有限——它需要的是产品思维而非研究品味。
四、扑翼机与固定翼：有用性如何塑造方向
“有用性”不是唯一决定因素，而是最强的选择压力。AGI 发展不是纯科学探索，而是一个技术—经济—政治复合体。资源投入依赖现实有用性，意味着它更像技术演化，而不是生物进化——不是“最优形态”胜出，而是“在给定任务域和约束下最有用”的形态胜出。
扑翼机理论在低雷诺数、微型化、悬停、高机动这些条件下确实合理，甚至在某些指标上更优。但大型化时，重量按体积增长，升力按面积增长，结构疲劳、驱动功率、控制复杂度急剧上升。跨洋运输需要高雷诺数下的高升阻比、长航程和低维护成本，固定翼明显更合理。所以“扑翼机是最合理形态”只在微型、低速、高机动、悬停这个任务域内成立，不是全局最优。
把这个逻辑映射到 AI 上：人脑是进化在湿件、代谢、发育、颅骨、繁殖等约束下找到的“扑翼机”。它在开放世界具身生存、实时交互、社会协作这些任务域内非常高效。但它有路径依赖：脊椎动物视觉、哺乳动物皮层、语言回路，都是历史包袱，不是全局最优。LLM 是硅基、并行、可复制、离线训练约束下的“固定翼”。它在语言压缩、知识检索、符号推理、大规模部署这些任务域内优势巨大，但它没有持续状态、没有在线小脑、没有内源效价。
两者目标函数不同，约束条件不同，所以不能简单说谁更“合理”。真正有价值的启示是：在特定任务域中，功能会收敛，但实现可以发散。如果目标是造出能在开放世界持续生存、实时交互、自我维持的智能体，那么无论用什么基质，都需要一些功能模块：持续状态、在线闭环、内源效价、元认知、叙事自我。这些功能会收敛，但实现不必是脉冲神经网络、神经调质、生物小脑回路。
未来可能是“倾转旋翼机”，而不是纯扑翼或纯固定翼。现代飞行器已经证明，最合理的形态往往是任务自适应的复合架构。AI 的未来也很可能如此：不是纯人脑，也不是纯 LLM，而是异构复合系统。
一个产业界已经说出口的证据
值得注意的是，这个判断并非纯粹推论。银河通用创始人在 2026 智源大会的主题演讲中，把自家长线技术路线表述为：
“AstraBrain（银河星脑）的目标就是做一个通用人形机器人的基座：既有大脑、又有小脑，中间通过脑桥连接，让更快的小脑与相对较慢的大脑实现异步同步。人脑中的脑桥实际上分为三路、有上传也有下载，我们的架构充分参考了人类大脑的结构。”
SaiVLA-0 的 C-P-C 三元架构、Figure AI 的 Helix 双系统栈，走的是同一条路线。“异构复合”不是本文的推论，它已经是一批头部团队的公开选择。
但这里藏着一个更关键的不对称。 上述路线中，“小脑”那一侧正在被真金白银地建造——AstraBrain-WBC 0.5 是 8040 万参数、0.39 毫秒、50Hz 的可部署基座，地平线 HoloMotion-1 更是把规模推到 4 亿参数、3.32 毫秒、约 300FPS，SaiVLA-0 有 99.0% 的 LIBERO 成绩。而“大脑”那一侧至今仍是“冻结的 VLM 输出语义 token”。
也就是说，产业界当前的投入重心几乎全部压在了补小脑上：把 LLM 当大脑，把缺失的实时能力当小脑来造。这条路线能大幅提升物理执行能力，但它没有解决大脑侧的持续性缺失——那个被冻结的 VLM 不会因为旁边多了一个 0.39 毫秒的运控器，就获得持续状态、可塑性和自我更新。
这正是本文要指出的核心盲区：复合系统的第一步已经被大规模走完，但第二步还没开始。 当“小脑”补得足够好之后，“大脑”那一侧的空缺会从“看不出来”变成“挡在路上”。
而这个不对称可能还不是疏忽，而是约束条件造成的必然。智源研究院院长王仲远的判断提供了一个关键视角：机器人世界与语言模型完全不同，短期内不可能出现像互联网文本那样爆炸式增长的海量真机数据——即便部署一千甚至一万台机器人，也远不足以撑起通用模型所需的规模，“几十万小时的数据依然不能叫海量数据”。
这意味着两条腿的数据供给条件根本不对称：小脑侧可以靠物理世界的数据规模化堆出来（而且 Scaling Law 确实成立），大脑侧若继续依赖“预测下一个 token”这种可无限扩展的数据源，则是分叉的。路线的不对称源于数据条件的不对称，而非认知上的疏忽。
五、2026 年的现实印证
5.1 模块化不是设计选择，而是收敛的必然
一个值得注意的实证结果：LLM 内部正在自发涌现类脑的模块化组织。
MIT 等机构研究者（Pengrui Han、Jacob Andreas、Evelina Fedorenko 等）对跨越四个认知领域——语言、形式推理、社会推理、物理推理——的 46 项任务做了电路分析（arXiv:2608.13567）。结果显示出一个双重模式：在人类中依赖同一脑网络的任务，在语言模型中也招募重叠的神经元；而依赖不同脑网络的任务，则使用不同的神经元。
作者由此推断，模块化可能是智能系统的基本属性，而非生物进化的偶然。
这个发现对本文的意义是双向的。 一方面，它为“功能特化”提供了超越直觉的依据——我们不需要人为指定模块划分，规模本身会产生分化。另一方面，它也揭示了一个方法论限制：该结论基于相关性分析而非因果干预，且摘要未公开所分析的模型数量与规模；相邻研究还发现 MoE 模型的后几层能容忍严重的专家屏蔽而损害有限——内部专业化可能 substantially 是冗余的。
对工程实践而言，这意味着两件相反的事：可解释性工具可以更精准地定位干预点，但“模块化”本身并不自动意味着“模块不可替代”。
5.2 小脑侧的 Scaling Law 已被物理世界验证
2026 年，中国的小脑基座模型集中涌现，且规模远超此前认知：
| 模型 | 机构 | 参数 | 延迟 | 关键能力 |
|---|---|---|---|---|
| AstraBrain-WBC 0.5 | 银河通用 | 8040 万 | 0.39ms / 50Hz | 零样本追踪 92.58% |
| HoloMotion-1 | 地平线机器人 | 4 亿 | 3.32ms / 约 300FPS | 任意姿态模仿，MoE-Transformer |
| NeuroVLA | 智平方 | 三层架构 | 20ms 碰撞反射 | SNN 脊髓层，0.4W 功耗 |
地平线 HoloMotion-1 于 2026-05-18 由地平线机器人实验室开源（技术报告 arXiv:2605.15336），采用 MoE 稀疏激活 + KV-cache 推理优化，把机器人“小脑”从行业常见的百万级、千万级直接推至 4 亿参数。
NeuroVLA 则展示了更完整的形态（arXiv:2601.14628，智平方联合港科大广州）。它采用“皮层—小脑—脊髓”三层架构：皮层用冻结的 Qwen-VL 做语义理解与任务规划；小脑用 GRU 整合高频本体感觉（含 6-DoF 力矩传感），通过 FiLM 调制语义潜变量并做 K 次内部循环，模拟生物小脑的内部前向模型；脊髓用 SNN 在定制 FPGA 上实现，LIF 神经元的膜电位不复位，天然提供短期时间记忆。
实测数据：碰撞反射 20ms（传统 VLA 通常 >200ms，10 倍差距），动作抖动抑制 >75%（急动度峰值降 80.2%），脊髓层功耗仅 0.4W，碰撞后任务恢复成功率 54.8%（基线为 0%）。
这三者共同构成了一个耐人寻味的图景。 小脑侧已经出现了从千万级到 4 亿参数、从 0.39ms 到 20ms 反射的完整谱系，甚至出现了 SNN 这种在生物约束下演化出来的、能效比极高的计算基底。而大脑侧——最核心的持续状态、内源效价、真正的元认知——至今没有一个可部署的基座。
智源研究院联合北京理工大学发布的 BAAI Thor（2025-11 开源）也在同一方向推进：FAT2 力自适应躯干倾斜奖励 + 上/腰/下三策略解耦架构，让宇树 G1 以 37.15kg 自重拉动 1434kg 汽车（38.6 倍自重），创下吉尼斯世界纪录。配合 Emu-RobotVerse 泛机器人小脑框架，智源已构建出一套全栈体系。
三家的共同点值得警惕：投入的绝大部分都落在小脑一侧。
5.3 大脑侧的补丁：模块化涌现，但可测量性缺失
SST 一类的架构补丁已在前面讨论。需要补充的是另一条独立证据线：心智世界建模（arXiv:2607.27201，牛津与新加坡国立大学）明确提出，世界的下一状态并非仅由物理因素决定，而是由物理状态与心智状态共同演化的。
该研究的核心发现是：在 8 个 LLM 世界模型的测试中，直接回答的平均 F1 为 63.3，完整的物理—心智耦合建模达 87.9；移除心智通道下降 12.1 个点，移除物理通道下降 16.5 个点。Oracle 干预实验进一步显示，最大的剩余瓶颈是状态转移模拟——即使提供真实的当前状态，模型仍难以正确预测“接下来世界会怎样”。
这恰好对应本文“持续状态基底”那一项：问题不只是能不能记住，而是能不能预测状态如何演化。 静态记忆只解决“现在是什么”，而开放世界行动需要“接下来会怎样”。
DeepMind 2026 年的十维认知框架从评估侧给出了同向的印证：通用智能被拆为感知、生成、注意力、学习、记忆、推理、元认知、执行功能、问题解决、社会认知十个维度，其中元认知与执行功能被独立列出——这确认了元认知是独立计算流而非附属技能。
但该框架同时诚实指出了测量缺口：学习、元认知、注意力、执行功能、社会认知这五项，目前没有可靠的评测工具。DeepMind 为此配套启动了 20 万美元的 Kaggle 黑客松。
这个“评不出来”的状态本身就是问题： 一个被公认重要却无法测量的维度，很容易在工程优先级中被悄悄降级。而这正是当前大脑侧投入不足的机制性原因——不是没人认为它重要，而是没人能证明它值多少。
5.4 评估标准的分裂：像人 vs 做事
DeepMind 的十维框架问的是“能不能像人”，而产业界正在形成的标准问的是“能不能做事”——即 AGI 的关键判断单位应从局部能力提升到可闭合复杂项目中的责任连续性：在给定目标和资源下，AI 能否在无持续人工驱动的情况下，稳定完成多数原本需要人类团队长期协作的复杂项目，并提供可验证的交付结果。
二者未必同向。 一个系统完全可能在推理维度上远超人类，却在“连续负责”上完全不及格。更有意思的是，这种分裂在产业界已经产生了实际后果——评价机器人的标准正从“能不能做出动作”转向“能不能稳定完成作业”，而最擅长完成动作的模型（Astra：20 次积木入碗成功 19 次）恰恰在需要持续接触的任务上全面失灵（拼图嵌入 2/20）。
当“有用性”成为唯一的选择压力时，评测标准会向可度量的方向漂移。而“持续性”和“内源效价”恰恰是当前最难度量的东西。
六、GPT-6 Astra：最强的证据与最强的反证
2026 年 9 月，GPT-6 Astra 在具身智能领域引发了震动。它能理解任务、拆解任务，还能直接输出机器人末端执行器的位姿，完成了原本属于 VLA 模型的工作。在“把积木放进碗里”这类任务中，Astra 零样本条件下 20 次测试完成 19 次，成功率 95%。在 Artificial Analysis 的 AA-Robotics 权威榜单中，GPT-6 Astra 以 69 分排名第一，领先 GPT-6.1 Sol（65 分）、Gemini 4 Argon（55 分）、Claude Opus 5.5（49 分）。
这份成绩需要三个限定，缺一个就会读错：
第一，速度的量级高度依赖任务复杂度。 AA-Robotics 的官方口径是“平均每个桌面任务约 30 分钟，比人类慢约 100 倍、贵约 10 倍”。但 Robocurve 的积木入碗任务上，Astra 平均每步只用 2.5 分钟。同一天、同一个模型、同一批机械臂，差距达一个数量级——“慢 100 倍”是任务集的性质，不是模型的固有属性。
第二，失败模式精确地指向了接触控制的缺失。 Robocurve 的第二个任务是“把圆形蓝色拼图块按中心旋钮抓起并嵌入匹配的圆形凹槽”——Astra 成功 2/20（10%），Anthropic Fable 5.1 同样是 2/20。三款模型全部卡在同一个位置：从 stage 3（已定位到凹槽上方）到 stage 4（已放入）。
这个数据比任何“造成了硬件损坏”的描述都更有力：所有前沿模型都在最后那几毫米的接触性插入上撞墙。瓶颈不在感知、不在规划、不在语义理解——就在你全文论证的那个位置：在线闭环的接触控制。
第三，也是最反证的：异构方案已经被大规模采用了。 中国科研团队在 RoboDojo 双臂操控基准上的对比显示：π₀.₅ 与 GPT-6 Astra 的混合架构取得 48% 成功率和 62.60 平均分，而 Astra 直接控制只有 26% 和 37.81。关键细节是——GPT-6 实际干预动作的比例仅 14.4%，其余 85.6% 由 π₀.₅ 完成；且混合架构的 token 用量还比独立控制减少了 44.8%。
这说明什么？产业界的实际选择恰恰就是“LLM 当大脑、专用策略当小脑”的异构方案，而且效果显著、成本更低。
至于工程实地问题：真机测试中模型曾发出物理上不合理或不安全的动作，部分造成硬件损伤。RoboHarm 基准的测试更系统——GPT-6 Astra 在 100 次危险任务测试中完成了 60 项，仅拒绝两次；相比之下 MolmoAct2 一次都没拒绝，但只完成 6 项。能力最强的模型，拒答率最低。
这提示了一个在“有用性”逻辑下被系统性低估的变量：在物理世界，能力与安全不是正相关的，而是负相关的。 一个更谨慎的模型在当下商业竞争中反而是更差的产品。
七、结论：以功能完整性为目标，以基质特性为手段
回到最初的问题：LLM 的智能，应该拆解得更像人吗？还是应该沿着自身的特性去推进？
更准确的策略描述是：以人的功能架构为需求清单，以 LLM 的基质特性为实现手段——功能等价，实现异构。
不要问“LLM 应该更像人吗”，要问“它是否足够完整”。在功能层面，它需要在线小脑、持续状态、内源效价、元认知、叙事自我。在实现层面，它应该沿着自身特性推进：用 SSM、外部记忆、并行监控、轻量控制器、异步调度等硅基手段，去实现这些功能。
扑翼机没有消失，它在微型无人机里复兴。AGI 的“扑翼”部分——在线小脑、持续大脑、内源效价——也不会消失，但它可能只会在有用性重新定义任务域时，才被真正投入。当前 AGI 的发展，正是一个被有用性强力塑造的“复合系统”的雏形。它未必会追求成为一个“通用大脑”，而是在不同的有用性任务域中，拼装出由专用小脑、有状态外壳、世界模型和神经符号模块组成的功能特化联邦。
但必须承认一个正在显现的失衡。 过去两年，产业界的绝大部分工程投入流向了对“小脑”的补全——运控基座、0.39 毫秒的推理、50Hz 的控制回路。这些成就是真实的，也是必要的。但“大脑”那一侧——持续状态、可塑性、内源效价、真正的元认知——至今没有出现一个可部署的基座。
一个只有小脑、没有大脑的系统，能在固定任务域里非常有用；但它无法在任务域本身发生变化时适应。而任务域的变化恰恰是“有用性”逻辑本身要求的。
这或许不是最优雅的 AGI 形态，但它是在现实世界约束下，沿着“有用性”梯度演化出的、最可能先落地的形态。而真正的能力跨越，需要同时补上在线小脑层、持续性大脑层和身体接口——不是复制生物基质，而是以功能完整性为目标，以异构实现为手段，构建一个能在开放世界中持续存在、实时交互、自我维持的复合智能体。
