MIT 推出 DAAAM 系統：給機器人裝上即時「長期記憶」

如果你家裡有掃地機器人，你大概經歷過這種絕望：它每天把屋子掃三遍，但如果你問它眼鏡掉在哪個角落了，它就像剛出廠一樣一無所知。

機器人一直很擅長在三維空間裡避障、建圖，但只要扯上時間，它們基本上就患有短期失憶症。MIT 最近公佈了一套叫 DAAAM 的系統，全稱直譯過來很霸氣：在任何地點、任何時刻描述任何東西（Describe Anything, Anywhere, at Any Moment）。它想做的事，就是給機器人裝上真正的長期記憶。

把世界畫成一張帶時間軸的 4D 網

以住很多機器人識別物體，做法是逐幀拍照然後硬存快照。這種做法不僅費算力，而且畫面一幀一幀之間是斷開的，機器人根本不知道兩分鐘前看到的那把螺絲刀，跟現在桌角放的是不是同一個。

DAAAM 換了個思路，直接在機器人腦子裡生成所謂的「4D 場景圖」。它接入深度相機的影片流，畫面裡出現的每個物體，都會被標上三樣東西：文本描述、3D 空間座標，以及一個精確的時間戳。

機器人一邊走，深度相機一邊以每秒 10 幀的速度捕捉周圍環境。遇到視野裡的物體，系統會挑出最清晰的幾幀打包成批次，扔給後臺單獨的描述大模型去理解。靠著這種智慧批處理技巧，整體處理速度直接飆到了傳統方式的大概 10 倍。

在單張普通桌面顯示卡上，它每秒能給大約 5 個新物體片段打上標籤。對於慢悠悠逛街的地面移動機器人來說，這個速度剛好夠用。

問它「紅鉗子在哪」，它能算時間

建好這張 4D 動態地圖之後，後面跟著一個 AI 推理模組。使用者不用輸入程式碼，直接用人話提問就行。

比如在校園測試裡，有人問某棟樓旁邊的雕塑在哪，它能直接找出位置、外觀描述，以及最後一次看到該雕塑的準確時間。如果工廠裡的工人問「紅色扳手最後出現在哪裡」或者「那扇門開了多久」，它都能順著時間線找出來。

在包含了室內外環境的問答基準測試裡，DAAAM 在物體識別、位置定位和時間推斷上都壓過了對手。而在另一項自主導航測試裡，讓機器人理解日常語言並按順序到達指定地點，DAAAM 的任務完成準確率比最好的替代方案高出了大約 28%。

當然，這套系統目前毛病也不少。負責生成描述的模型只用了大約 150 萬個樣本訓練，遇到少見的東西就容易「腦補」。論文裡舉了個有意思的例子：它看到電梯門時，居然憑空斷定門上有把手。

另外，每秒 5 個物體的識別速度，放在高速飛行的無人機或 VR 頭顯上就徹底歇菜了。而且它現在是把歷史記錄一股腦存下來，機器人如果連續跑上幾個月，記憶庫估計會直接撐爆。

為什麼重要

我們認為，DAAAM 邁出的這一步非常聰明。它沒有試圖去訓練一個能在 10 FPS 速度下即時端到端跑完的多模態大模型，那是算力的無底洞；它選擇把高頻的空間跟蹤與低頻的語義描述拆開，用非同步批處理做了一個現實可行的工程折中。

對行業來說，它把機器人領域的具身智慧從「看眼前」推向了「記過去」。過去大家都在卷 SLAM 建圖和單一動作控制，但具身機器人想進工廠、醫院或養老院，核心門檻其實是時空因果鏈。如果護工機器人不知道病人的藥盒什麼時候被移走，再靈巧的機械臂也派不上用場。

不過，現在的 DAAAM 還停留在原型驗證階段，普通開發者哪怕等它開源，也不建議直接往實際產線裡塞。它最大的隱患是缺乏記憶壓縮和遺忘機制，長時間執行必崩；其次是幻覺問題，在工業巡檢裡，把沒把手的門認出把手可能是致命的。但至少，它給未來的具身大腦指了一條極具落地可能的解題思路。