在电子游戏中，玩家享有无限次重置的特权，而在机器人仿真环境中，一些具身代理也可以通过多次探索、重置环境和调整操作，逐步改进策略。不过，如果不允许机器人提前进行这些操作，结果会如何？近期，星衍智能推出的通用具身框架Auriga在没有提前优化和环境重置的情况下，依然在RoboDojo竞争中表现出色。此外，Auriga在RoboCasa365Target50的评测中，也展现了其强大的能力。Dif没做准备，但仍能超过了一些有预设策略的对手，这其中的原因在于它并非单纯记忆答案，而是建立了一个可跨任务应用的物理执行系统。这引出一个更根本的问题：机器人是在解决单个问题还是在提升解决问题的能力？

机器人能力的进化，关键在于改进的内容：是针对特定任务的解决方案、执行过程中的决策，还是具有广泛适应性的系统能力。星衍智能将这一演进过程划分为三个层次：L1为任务级搜索，专注于优化特定任务，但常常需要针对新任务重新调整；L2为在线适应，系统能在执行中根据反馈调整，但这些改动未必可用于其他任务；L3则关注系统级能力的提升，通过识别不同任务间的共性问题，优化底层通用工具，使改进具有可迁移性。Auriga选择从L3出发，以构建通用能力为目标，不为每个新任务重制策略，而是通过同一套系统支持各类物理任务的执行。

Auriga作为星衍智能开发的通用具身架构，将物理感知、动作表达、执行验证和任务管理统一整合，支持大语言模型自主管理陌生任务的规划和执行。该架构以模型主导决策，Harness提供可量化的物理状态和完整的执行过程，使高层推理能够转化为具体的机器人操作。

Auriga的核心能力包括：感知即测量，通过三维重建等技术将视觉信息转化为真实的物理数据；所见即所执，通过统一的执行网关将生成动作具象化，并实时验证执行效果；失败即证据，通过记录意图和运动结果，为跨任务的能力提升提供数据支持。

Auriga成功地打通了物理执行的闭环，不仅使模型能够理解“做什么”，还能够检查“能不能做”，并在偏差发生时进行纠正。它将三维感知、动作规划和执行验证融为一体，确保机器人能在实际操作中准确反馈状态，形成有效的自我调整机制，使机器人的能力得到全面提升。