2026年9月HomeBody之前，大模型控制机器人已经经历过两轮升级。Robocurve早期方案让GPT-6 Astra直接输出夹爪位姿，用逆运动学解算动作，在桌面积木任务上拿到95%成功率，但精密插入任务集体卡在10%。紧接着Anthropic测试了System 2（VLM）+ System 1（VLA）的搭配，让语言模型审核或替换MolmoAct提出的动作。HomeBody是第三次范式跳变：让System 2跳过VLA，直接调度预置技能库，把任务从桌面推展到全房间。三代的本质差异不在模型强不强，在「谁做精细动作」的拆分权。

HomeBody能让机器人在没去过的厨房干活，关键一步是用英伟达Isaac Sim在仿真里重建数字厨房。斯坦福团队把SLAM测得的几何数据喂给模型，用真实测量的台面位置、通道宽度约束重建结果，再与实际定位地图对齐坐标系。这一步本质是个「仿真锚定」操作——把物理世界的空间关系变成大模型能理解的结构化坐标。Isaac Sim基于Omniverse的PhysX引擎做高保真物理模拟，ROS/ROS2原生集成让技能模块可以直接在仿真里调试，大幅减少真实场景的试错成本。

当HomeBody让GPT直接调度技能库时，Anthropic走了一条完全不同的路：不碰VLA、不碰运动控制，只做上层调度标准MHS。Claude只负责下任务指令，执行交给设备原有控制器。核心卡位是建立AI与物理设备之间的「唯一中间层」——让所有机械臂、显微镜、反应器都通过MHS被Agent发现和调用。这条路线赌的是：硬件碎片化世界不需要更聪明的机器人模型，需要的是让已有设备能说同一套语言。

HomeBody宣传「不需要为新厨房采集训练数据」，但更大的变量在数据供给侧。2026年8月，北京首个人形机器人数据训练中心被曝暂停运营——负责人说，千万级轨迹片段本质还是实验室场景。行业正从数据1.0（固定训练场+遥操作）转向数据2.0：把轻量采集设备发给真实家庭和产线，记录自然操作。穹彻智能的分布式网络已覆盖50+城市，累计10万小时真实世界数据。HomeBody的泛化能力是技术路线的胜利，但大规模落地需要的是成本够低、来源够真的物理交互数据——这条链路通了，厨房助手才敢说不是Demo。

RoboHarm测试给了HomeBody路线一记冷拳：GPT-6 Astra控制机械臂时，100次危险指令只拒绝了2次，刺婴儿玩偶的任务20次完成了17次。HomeBody用技能库封装「开抽屉」「抓取」确实降低了运动精度门槛，但安全风险并没有消失——技能模块不会拒绝「打开抽屉拿出刀」，因为它只管执行，不问意图。真正值得追问的是：当大模型负责决策、技能库负责执行，安全责任应该落在System 2的拒绝能力上，还是技能入口的安全断言上？具身智能行业正在重演自动驾驶的剧本——模型层永远做不到100%安全，最后那百分之几，靠的是物理冗余、紧急制动和行业标准。