今年6月，橡木果机器人首次完整地向行业介绍了橡木果“本能驱动”这一技术路线。对于整个行业而言，这无疑是一条极为新颖、甚至反共识的路径。然而，随着公司技术成果的不断验证，我们更加确信，“本能驱动”是通往通用操作智能的一条更快、更优雅、且拥有更高上限的路径。
今天，橡木果机器人正式推出「Natus AGE-0 具身本能模型」——一个“即插即用”的底层操作基座模型。它是橡木果“本能驱动”技术路线下的核心落地成果，旨在为机器人打造最底层的“操作本能系统”。
Natus，在拉丁语中意为“与生俱来的、天生的”；AGE-0象征着Natus将持续进化，不断生长出新的能力。它为机器人构建了一种“本能反射”，使其无需任何数据预训练，即可实现毫秒级的自适应操作。在我们看来，这是机器人实现通用、可靠、类人自主操作的基础，也是我们通往“具身智能涌现”的第一步。
01 人类操作的真相：智能，从来不是“全程思考”
人类，是地球现存已知智能水平最高的生命体。人属演化谱系已延续约280 万年，在接近 95% 的漫长时光中，我们的祖先仅依靠感知、应激与生存本能存续。
自然界耗费数亿年，持续打磨生物趋利避害、动态物理交互的底层本能，直至演化后期，灵长类才逐步孕育高级认知。语言、抽象推理这类上层智能，仅仅是演化晚期诞生的衍生能力。生物不是先拥有思考能力，才学会站稳、避险、完成与物理世界的交互。
由此可见，本能是一切高级智能的底座。大量感知信号无需高阶大脑参与，便可直接触发行为。
这正是 Rodney Brooks 在《无表征的智能》(Intelligence without Representation，1991)中提出的核心思想：智能来自渐进演化。底层生存应激本能先行，后天学习能力与高级认知而后形成。构建人工智能系统，理应遵循这一同源的演化路径。
在Brooks的架构中，内部层级并行运转：高层行为层能够调控低层，但低层持续独立运行。高层只下发长期任务目标，并不指定精细的运动轨迹；局部的“感知-运动”闭环可自主应对环境实时扰动，无需上层持续管控。
当前的主流具身技术路线，全力复刻人类后天习得的高阶认知能力——图像理解、语言解析、语义推理，却长期忽略了生物智能最核心的底层逻辑：生命体与生俱来、无需后天学习的原生交互本能。
神经科学领域长达数十年的研究同样证实：高层认知中枢定义任务目标与执行标准；底层脊髓、外周感知反射环路负责毫秒级接触调控，无需意识介入即可自主完成力位调控。该通路实现外界刺激直接映射动作输出，大多绕开大脑高级认知皮层，不依赖环境表征与复杂推理规划，仅通过近端感知闭环完成响应。
人类之所以能够在瞬息万变、充满随机扰动的物理环境中，实现极强的操作泛化能力，核心依托的是分层双轨、并行协同的生物操作机制：
第一层：大脑任务规划——知识数据驱动
依托视觉、语言与先验经验，完成任务意图理解、目标对象识别、作业标准定义与执行流程规划。该层级依托海量场景学习与经验积累，核心解决“要做什么、做到什么标准、按何种步骤执行”的认知问题。上层规划只定义任务目标与宏观约束，不介入手部精细姿态、接触力度、物体形变、实时扰动等底层交互细节，不绑定具体本体结构，因此具备极强的通用规划能力。
第二层：本体本能执行——物理交互驱动
神经科学研究明确证实：接触层面的反射调控响应速度，显著快于视觉信号传输至大脑皮层完成认知决策的速度。高频的实时物理交互，根本没有时间进行高阶思考与推演计算，必须依靠感知本能自主调节、实时动态收敛。
由此可见，人类实现精细操作与动态自适应发力，依靠的是触觉与本体感知所触发的本能反射，而非后天习得的认知推理。映射至机器人系统，决定操作成败、接触稳定性与环境适配能力的核心，同样应当依托一套底层反射调控机制，而非高阶认知。
02 Natus AGE-0：以“不变”应万变
过去三年，全球具身智能行业形成高度趋同的发展路线：以数据规模扩张驱动模型能力提升，信奉 “数据即一切”。 行业持续加大数据采集、模型参数与算力投入，实验室长时序演示效果持续优化，但具身机器人始终难以规模化落地工业产线，无法实现稳定、通用的物理操作。行业陷入典型的闭环困境：不成熟的模型无法进入真实工况采集高质量交互数据，缺少真实场景数据又进一步限制模型迭代成熟。
我们认为，造成这一局面的本质原因在于预训练模型的结构性缺陷：视觉与语言擅长语义理解、场景推理与流程规划，却无法细腻表征连续、动态、细微的触觉交互与物理接触特性。强行将毫秒级的实时接触调控纳入大模型低频推理链路，不仅无法适配物理规律，还会极大加重模型负担，从根源上限制机器人的操作稳定性与泛化能力。
生物演化规律早已印证：生物操作的泛化能力是神经系统聚焦达成目标结果，而非机械记忆与复刻固定的肢体运动轨迹。人类操作智能并非数据拟合的产物，机器人物理交互智能，同样不可能依靠无限数据堆叠实现通用。智能的根基，从不在于海量样本的记忆，而是在瞬息万变的环境里，把握稳定不变的交互规律。
这正是 Natus 具身本能模型的使命。
作为行业首个以触觉感知为核心、复刻人类操作机理的通用操作基座模型，Natus AGE-0 彻底摒弃了行业主流数据预训练范式，不依赖海量场景标注、不绑定具体机器人本体、不局限特定物料工况，而是从触觉感知、接触力学出发，建立操作底层规律，让机器人拥有与生俱来的物理交互本能，实现跨本体、跨物料、跨工况的零样本泛化。
它复刻了人类操作底层逻辑：以不变的物理交互本能，应对万变的物理场景。通过“信息感知”的刺激直接构建出“本能”，即：感知的期望，继而驱动机器人自主探索、收敛于该期望，最终自发涌现出操作行为。
机器人不需要任何针对“特定物体、特定工况、特定场景”的预训练数据，不需要先“看”1万张杯子的图片，才能学会“抓杯子”，它天生就知道“当感觉到物体要滑落时，应该增加抓力”这个规则。
例如，在抓取一个从未见过的物体时，本能会通过触觉感知物体“要掉不掉”的滑移感，自动调节施加一个“刚刚好的力”，使物体稳定地被握住，而无需事先知道物体的重量、材质或摩擦系数。
这与自然界生物演化底层逻辑一脉相承：在同等生存收益下，消耗更少能量的个体，拥有更大的生存优势。自然法则留存了以最小代价、最低能耗完成生存任务的本能机制——这正是 Natus 的设计内核。
Natus 不依赖任何离线的、预采集的数据集，但不意味着它不接触任何“数据”，然而此数据与预训练模型的数据完全不同。VLA等预训练模型收集的是“样本数据”，这些数据是脱离物理交互的、静态的、被所人类定义的，与真实物理世界存在“Sim-to-Real”的鸿沟，且无法包含交互过程中丰富的、时变的力学信息。
而Natus是在工作中实时处理“交互感知信息”，其包含了大量丰富的力学语义，如物体重量、质心、摩擦系数、表面软硬、滑移状态等。这些信息是在真实物理世界“探索-交互”的过程中，实时在线产生的，是100%真实、100%与硬件适配的，因为它就是机器人自己“摸”出来的。
03 从本能反射到肌肉记忆，端侧响应闭环
Natus AGE‑0 的技术链路复刻人类行为机理，形成本能反射‑行为涌现‑经验强化的自适应、自学习操作能力。触觉与本体感知作为反射刺激的信号源，经由行为组织机制，使机器人在不同硬件、复杂工况下，涌现出主动对环境开展探索与交互的行为。基于用进废退的生物规律，交互产生的行为数据持续筛选、沉淀可复用的有效操作经验。
本能反射：与生俱来的自主探索能力
本能是贯穿全部物理交互的恒定底层机制，无需海量训练、样本复刻与场景预演。机器人依托感知直接建立任务期望状态，触发接触交互之后，自主输出稳定、快速、可控的本体收敛动作，构成最高效直接的物理交互求解路径。
该能力区别于样本训练的习得能力，由感知直接触发，围绕任务目标构建稳定的期望收敛状态，不受机器人本体结构、物体形态、工况环境差异的制约，天然具备通用性、鲁棒性与实时性。
在本能期望驱动下，机器人依据实时接触状态自主生成手臂、灵巧手的适配动作，无需人工示教、无需场景预训练，依靠端侧自主交互即时建立“目标期望 — 动作收敛”映射关系。
作为自下而上涌现物理智能的核心底座，本能反射保障机器人在未知场景、陌生物料、动态扰动条件下的操作成功率与运行稳定性，为高阶操作能力的迭代进化筑牢底层支撑。
肌肉记忆：持续沉淀的熟练操作能力
在本能反射的基础上，机器人通过持续端侧自主探索与实时触觉反馈迭代，将零散的瞬时收敛动作沉淀为标准化、高效化的固定操作链路，形成机器“肌肉记忆”。肌肉记忆将原本依赖高频决策的交互转化为熟练执行，大幅提升作业效率。
肌肉记忆是本能反射的进阶迭代能力，并非硬件固有属性，是机器人经过持续试错交互、感知经验沉淀形成的自动化执行范式。它将“有意识推演执行”升级为“无意识自适应完成”，大幅降低算力消耗。
本能反射与肌肉记忆形成双向协同关系：本能反射压低试错成本、夯实动作收敛基础；肌肉记忆进一步动态优化本能的响应强度与适配逻辑，让原生交互能力更好匹配工业具体任务。
Natus 借助这套机制，让机器人先动起来，再通过“在线强化”将探索经验沉淀下来，从而实现了从 “零数据冷启动” 到 “高效熟练操作” 的自主进化。
04 破解“鸡蛋悖论”，冷启动构建正向飞轮
针对具身智能当前“鸡生蛋、蛋生鸡”的数据与落地困境，我们认为，具身智能应当依照自动驾驶商业落地的发展路径，先让机器人在真实世界中“跑起来”，再通过真实交互产生的数据反哺模型，从而形成商业与技术的正向飞轮。
Natus AGE-0 赋予机器人“零数据”即可冷启动的本能，使其能以最低的初始成本进入工业现场，立刻开始工作，直接解决了当前行业面临的三重矛盾：
数据稀缺：Natus 实现零数据冷启动，无需海量预训练数据，从零开始即可工作，跳出了“先有数据还是先有模型”的死循环。
场景失效：Natus 具备强大的自适应与泛化能力，不依赖预设场景模型，在真实环境中能自主探索、自适应，面对来料公差、物料差异等动态扰动时，鲁棒性远超预训练模型方案。
实时性不足：Natus 基于毫秒级的本能反射，而非慢速的模型推理，实现了真正的“实时响应”，能够满足工业场景对节拍和稳定性的要求。
正如 Rodney Brooks 所言：“The world is its own best model. The trick is to sense it appropriately and often enough.”
真实世界本身就是它自己最好的模型。关键在于恰当且足够频繁地感知它。
Natus 具身本能模型跳出数据内卷与拟合陷阱，回归物理交互本质，以 “端侧反射、自主收敛” 的全新技术路线，破解数据驱动路线泛化差、实时弱、可靠性低等落地难题，推动具身智能迈入「本能驱动的通用操作时代」。
【文献】
1. Bernstein, N. A. (1967). The Coordination and Regulation of Movements.
2. Rodney A. Brooks(1991). Intelligence without representation.
3. Kawato, M. (1999). Internal models for motor control and trajectory planning.
4. Schieber, M. H., et al. (2026). Autogenic spinal excitatory circuit ensures skilled hand movements in primates.
5. McDougle, S. D., et al. (2016). Implications of plan-based generalization in sensorimotor adaptation.
6. Holt, K. G., Saltzman, E., & Kugler, P. N. (1995). Existence of the minimum‑energy trajectory in human gait.
7. Brooks, R. A. (1990). Elephants don’t play chess.
