新智元報道

編輯：LRST

【新智元導讀】現(xiàn)有的具身智能大多是「你說我做」的被動響應者。如何讓機器人像人類一樣擁有「主動性」？北京大學VCL實驗室針對當前具身智能體「被動響應」的局限，提出了一個基于「雙系統(tǒng)」架構的主動社交智能體框架ProAct，模仿人類「快思考」與「慢思考」的認知機制，使機器人不僅能夠進行流暢自然的對話，還能基于情境理解主動發(fā)起互動，從而具備真正的「社交心智」。

在與機器人交互時，你是否常有這種感覺：如果你不說話，它就永遠沉默；如果你不發(fā)指令，它就「呆若木雞」。

這是因為目前的交互式系統(tǒng)絕大多數(shù)都是反應式的，它們被困在一個短暫的時間窗口里，只能根據(jù)當前的語音或視覺輸入做出反饋，這種機制使得智能體難以基于積累的長期語境來推斷意圖，更無法發(fā)起主動行為。

然而，生活中的人類社交本質(zhì)上是雙向且主動的。

在日?；又?，人們不僅是對他人的話語做出反應，更會運用意向性去預測需求、掌握主動權并在未被請求時采取行動。

例如，當朋友顯得猶豫不決時給予鼓勵，或在看到空杯子時主動倒水。這種由內(nèi)部目標驅動而非被動響應外部刺激的「主動性」，是區(qū)分真正的伙伴與簡單問答機器人的關鍵。

想在具身智能體上實現(xiàn)這一點，還得解決一個核心矛盾：時間尺度。主動行為需要深思熟慮的推理和長程語境分析，也就是要「慢想」；而實時交互要求極低的延遲，必須「快回」。單一的端到端模型往往難以兼顧二者，因為深度推理會阻塞實時響應，而追求速度則會犧牲行為的合理性和準確性。

受認知科學中雙重加工理論的啟發(fā)，北京大學研究團隊提出了一種雙系統(tǒng)架構ProAct，核心思路在于快慢分離， 即將即時的反應與慢速的推理分離，使得ProAct兼具響應速度與主動的深度社交能力。

論文地址：https://arxiv.org/abs/2602.14048

項目主頁：https://proactrobot.github.io/

其中，行為系統(tǒng)（Behavioral System）作為「快系統(tǒng)」，負責維持高頻、低延遲的多模態(tài)交互流；認知系統(tǒng)（Cognitive System）作為「慢系統(tǒng)」，配備記憶與推理模塊，負責長程推理并生成高層主動意圖。

圖1. ProAct 雙系統(tǒng)框架概覽。(a) 系統(tǒng)架構整合了快速的行為系統(tǒng)與慢速的認知系統(tǒng)；(b) 實時交互中，智能體在用戶離開時主動發(fā)起挽留與提醒。

為了彌合兩者的時間差，ProAct進一步提出了一種基于流匹配（Flow Matching）的流式生成模型，支持通過 ControlNet 異步注入語義意圖，這樣一來，機器人在保持流暢交互的同時，也能無縫地從「被動反應」切換到「主動出擊」。

文章的技術貢獻主要體現(xiàn)在以下三點：

1. 提出了一種用于具身社交智能體的雙系統(tǒng)架構，成功將實時反應與語境驅動的主動行為融為一體。

2. 提出一種基于流匹配的流式生成模型，支持將高層語義意圖異步注入實時動作流，實現(xiàn)了反應式與主動式行為的平滑切換。

3. 將該系統(tǒng)部署于Unitree G1人形機器人，在真實世界中驗證了其主動交互的有效性。

下方的演示視頻可以直觀地感受ProAct如何讓機器人像人類一樣擁有「社交心智」：

視頻1. 在生活管家場景中，ProAct 發(fā)現(xiàn)用戶有急事后停止說話，并主動提醒用戶離開時忘記拿書包。

視頻2. 在情感支持場景中，ProAct 檢測到用戶劇烈的情緒波動，主動詢問緣由并安慰用戶。

視頻3. 在尋找物品場景中，ProAct在用戶尋找物品時，回憶起用戶之前放置藥品柜的經(jīng)過，主動提醒用戶藥瓶放在了哪里。

方法簡介

ProAct采用雙系統(tǒng)并行運行的機制：行為系統(tǒng)維持實時交互閉環(huán)，認知系統(tǒng)在后臺進行周期性推理。

行為系統(tǒng)：流式多模態(tài)交互

行為系統(tǒng)充當著「快系統(tǒng)」的角色，負責處理用戶音頻與視覺流，生成低延遲的語音與動作反饋，由一個流式Omni-LLM和一個流式動作生成器級聯(lián)而成。

語音方面，系統(tǒng)利用GPT-4o Realtime模型處理用戶語音和第一視角圖像，實現(xiàn)了支持隨時打斷的實時對話。動作方面，為了維持具身的「存在感」，動作必須連續(xù)且流暢。

為此，ProAct提出了一種基于流匹配的生成模型，具備極高的實時性，首次響應時間與真實社交場景中的人類相當。通過「重疊-緩存」機制，ProAct保證每一幀動作的生成時間小于播放時間，并且能完美銜接上一幀的動作，滿足實時流式輸出的要求。

此外，模型還能同時接收雙方的語音流進行雙人交互建模，這讓機器人不僅在說話時有手勢，在傾聽時也能有自然的身體晃動等反饋。

圖2. 認知系統(tǒng)架構。(a) 增量式多模態(tài)輸入；(b) 上下文編碼器與行為規(guī)劃器并行工作；(c) 通過不同通道注入行為計劃。

認知系統(tǒng)：社會語境推理

認知系統(tǒng)作為「慢系統(tǒng)」，通過一個基于 LLM 的智能體框架在后臺運行，旨在解決「何時」以及「如何」發(fā)起主動行為的問題。如圖 2 所示，該系統(tǒng)包含兩個關鍵模塊。

首先是上下文編碼器 （Context Encoder）。為了防止隨著對話進行導致推理延遲增加，該模塊負責將累積的對話歷史、視覺幀與過往行為壓縮進一個「記憶庫」。記憶庫結構化地存儲了用戶分析（如心智理論）、情境追蹤（如物體位置變化）以及機器人的歷史行為。

其次是行為規(guī)劃器 （Behavior Planner）。該模塊依據(jù)當前的記憶與感知，進行動機評估。系統(tǒng)會從視覺場景變化、用戶意圖信號、對話狀態(tài)、社會規(guī)范要求、情感響應需求這五個維度對當前狀況進行打分。當任一維度的動機分數(shù)超過設定閾值時，系統(tǒng)將觸發(fā)主動干預。

最終，認知系統(tǒng)的輸出將通過三個通道注入行為系統(tǒng)：一是手勢意圖注入，通過 ControlNet 引導動作生成，例如「揮手打招呼」；二是對話干預，向 Omni-LLM 注入指令以打斷對話或引導話題；三是移動控制，調(diào)整機器人的站位與朝向，例如「轉向用戶」。

實驗結果與部署

研究者們將ProAct全棧部署在Unitree G1人形機器人上，實驗設計了包括「海報講解」、「講故事」、「尋找物品」等多個交互場景。

圖3. 在海報講解場景中，ProAct 主動發(fā)現(xiàn)用戶并打招呼，隨后糾正用戶的誤解。

視頻4. 在海報講解場景中，ProAct 主動發(fā)現(xiàn)用戶并打招呼，隨后糾正用戶的誤解。

圖4. 在講故事場景中，ProAct 檢測到用戶玩手機分心，主動中斷故事并提醒用戶。

視頻5. 在講故事場景中，ProAct 檢測到用戶玩手機分心，主動中斷故事并提醒用戶。

如上述圖片所示，在海報講解任務中，ProAct 展現(xiàn)了超越簡單問答的能力：它能主動捕捉路過的用戶，建立眼神接觸，并在用戶表達錯誤觀點時主動打斷并糾正。在講故事場景中，當檢測到用戶低頭玩手機時，機器人并未繼續(xù)自言自語，而是根據(jù)「社會規(guī)范」觸發(fā)器，生成了不滿的肢體語言（雙手叉腰）并口頭提醒用戶專心。通過視頻結果中的鏈接可以觀看完整的社交視頻。

視頻6. ProAct的完整demo視頻

結論

研究人員提出了一個用于主動具身社交智能體的雙系統(tǒng)框架ProAct。

ProAct首先構建了一個支持語義意圖注入的流式動作生成模型；在此之上，設計了能夠解耦實時反應與長程推理的雙系統(tǒng)架構。

可視化結果與用戶研究表明，ProAct能夠生成語境恰當?shù)闹鲃有袨?，顯著增強了人機交互的自然度與參與感 。

盡管該方法在提升主動性方面取得了顯著進展，仍存在一些局限性。首先，目前的觸發(fā)機制基于固定頻率與閾值，可能會錯過最合適的干預機會 ；其次，當前系統(tǒng)主要依賴云端大模型，其網(wǎng)絡延遲（約1-2秒）在一定程度上限制了對極速突發(fā)事件的響應能力 。未來研究者們將致力于端到端多模態(tài)模型的本地化部署與自適應觸發(fā)策略的研究。

參考資料：

https://arxiv.org/abs/2602.14048