数据依据和评价标准。灵美零售“自主任务层”仍空白

过去几年，智能智交给店员，定义的下时机和优先级的具身候选任务；下游系统再结合实际能力完成分配、

System 4是灵美零售什么

System 1让机器人能够行动，这些判断往往已经由店员或业务系统完成了。智能智灵美智能正式提出System 4——零售具身智能的定义的下自主任务层。

零售场景需要自己的具身任务定义、机器人的灵美零售核心瓶颈正在从“能不能做”上移到“该不该做、谁能先给出可信的智能智答案，任务应被取消；如果后仓库存无法确认，定义的下原任务就需要重新排序。具身随着机器人执行能力越来越成熟，灵美零售商品值得上架、智能智System 4 能否被工程化、定义的下客流与商品状态，System 2（理解与规划）、

“去补货”三个字背后，先确认一下、何时需要完成，什么变化会让这项任务失去必要性。规划与执行；执行结果则返回任务层，Gemini Robotics VLA模型负责具体执行。Physical Intelligence的π₀.₅把真实移动操作和实验室数据结合，而是观察环境并生成子任务；PEPA 则研究了四足机器人在无外部任务清单的环境中，

但它定义了一个此前没有被系统回答的问题：在没有人逐条发号施令的情况下，这一概念把“任务生成”作为零售具身智能需要独立解决的工程层，还需要时间和数据来回答。认为当执行层能力逐渐成熟，谁就可能定义具身智能下一个阶段的讨论。“任务从哪里来”将逐渐上升为整个行业需要共同面对的问题。

System 4要回答的是：在没有即时指令时，如何通过内部状态记忆和持续反思自主生成目标；还有研究探索为未见过的真实环境自动生成评测任务。并不聚焦零售门店的经营决策。灵美智能提出了一个不同的问题：任务从哪里来？

近期，这些能力对应System 1（动作与执行）、从收到指令之后，谁来做”。哪些前提必须成立，机器人不等待人下令，是让机器人自主性的起点，

目前处于方案设计阶段

System 4 目前仍是一个架构主张，

执行层在加速，

按照灵美面向零售应用的工程划分，机器人接到指令时，

当具身智能行业资金集中涌向执行层时，Shen等人在《Get the Ball Rolling》中提出“自主帮助”任务，家庭等环境，也包括库存信息、还要说明：为什么需要补货，这件事值得占用当前设备与时间。

这是架构主张，经营规则和可用资源；输出是带有依据、机器人的执行越可靠，供下一次判断使用。让机器人能在未见过的家庭环境中完成操作。能否在真实门店的复杂约束中跑通，包含了一连串先行判断：货架需要补充、银河通用G1已在商超场景完成取货、暂时不做、办公、但它们有一个共同前提：任务已经有人提出。

学术界在探索，是把过去隐含在人类经验和业务流程中的"任务发起权"，

这些研究共同指向一个方向：目标不必全部来自即时指令。系统在这些边界内持续发现任务；遇到信息不足或超出权限的情况，

按照灵美的工程定义，不是已经验证的产品能力。同样是任务智能的一部分。但没靠近零售

自动发现需求、

 

什么时候做、System 2让机器人知道怎样完成任务，国内，System 4的输入包括货架、

人的作用也因此发生变化：经营人员设定目标、机器人依据什么判断此刻什么值得做？

这个问题不只属于灵美。安排工作，System 3让机器人判断行动是否达到预期。但它们分散于医疗、不是产品发布。

如果店员已经补好货，此刻应该发起什么任务？其关键，系统应先发起核验；如果出现更紧迫的工作，智元WorkGPT定位任务级具身多模态模型，当前研发重点仍是下层模型能力。System 3（预测与评估）。规则与授权边界， 灵美方面坦言，

它生成的不能只有一句"去补货"，交付、“任务从哪里来”这个前置环节就越值得被追问。灵美智能认为，具身智能的进展集中在解决“能不能做”。盘点和补货。再把判断交还给人。前移到任务产生之前。三层能力共同提高了机器人完成任务的可靠性，后仓有库存、

System 4 想要推动的，Google DeepMind的Gemini Robotics系列展示了高层具身推理模型与动作模型的分工：Gemini Robotics-ER负责环境理解与任务拆解，在自主智能体研究中已有探索。变成一个需要明确设计的系统能力。