The Big Rule 是 Agent-native 的开源 JSON 规则库 —— 把机器人的「做事逻辑」写成可复用、可审计、可版本化的行为规则。
它们共同解释：为什么 demo 很强，但真实落地仍然很难。
为泛化和 manipulation，主流路线继续堆模型。但本体端不是云端机房。
模型越强 ≠ 机器人越可部署
仿真缺失真实世界的物理细节：摩擦、接触、材质、传感噪声、执行器响应。
物体多样性、力控、遮挡更难仿真
本质是 locomotion 到 manipulation 的断层：走 / 跑 / 跳 / 舞 ≠ 拿 / 放 / 整理。
两条路线各自演示，难自然融合
LLM 的 scaling law 是 loss 随参数、数据、算力下降；机器人要优化的是现实任务成功与安全。 多模态输入会改变物理世界，长尾来自「对象 × 场景 × 状态 × 用户偏好」，而真实动作不可随意回滚。
任务复杂但类型更少，复杂性可以主要压进模型参数与上下文。文本 token → 文本 token，数据可复制。
动作简单但任务组合极多。规则负责任务、条件、安全与失败恢复；模型负责感知、参数预测与物理落地。
VLA / WAM 都有价值，但无法同时承担任务、规则、条件与安全。模型越大越依赖边缘重推理，端侧算力与延迟被卡住。
把行为规则、原子技能、执行系统与本体适配，组织成可安装、可扩展、可替换的统一软件栈。
开放行为契约层。定义任务模板、动作原语、条件、证据、状态与恢复策略。
统一技能契约、路由与状态闭环。把每个 primitive 路由到对应 Skill Provider，而不是调用同一个模型。
每个原子技能选择最合适的执行后端，可独立训练、校准、替换、测试与版本化。
真实本体落地：频率对齐、安全限位、认证本体适配。
开发体验、工具体系与交付形态，分别对标三个成熟范式：
行为定义一次，跨认证本体适配执行 —— 行为契约与本体差异解耦。
Compiler + Runtime + Skills + Adapter + Benchmark，强调工具完整度，不绑定芯片。
早期完整系统、开箱即用；后期开放模块与生态，官方体验持续进化。
The Big Rule 决定调用哪个 primitive；Powertrain System 选择 Skill Provider 并完成「怎么做」。 每个原子技能可独立训练、替换和版本化 —— 按是否需要学习模型、物理是否可显式建模分为三类后端。
无需学习模型。确定性执行，直接由规则层驱动。
无需学习模型。物理可显式建模，传统控制方法即可覆盖。
VLA / WAM / Policy。接触长尾与力控不确定，交给学习型后端。
{
"id": "kitchen.bring_prepared_food_to_user",
"slots": {
"object": "$food_container",
"target_user": "$user",
"target_surface":"$table"
},
"program": [
LOCATE($object),
APPROACH($object),
PICK($object, keep_level),
MOVE_TO($user),
PLACE($target_surface),
REPORT
]
}
{
"primitive": "PICK",
"inputs": {
"object": "ObjectRef",
"constraints": ["keep_level"]
},
// 由 Powertrain 的 Skill Provider 填充
"powertrain_fills": [
"grasp_pose", "approach_vector",
"gripper_width", "force_limit",
"speed", "lift_height"
],
"evidence": "grasp_stable",
"on_failure": "RETRY(2) -> ASK_USER"
}
Research basis：PrimitiveVLA（训练时分解，推理时组装）· SDP（skill-conditioned policy + router）· HAMSTER / Hi Robot（高层规划与低层策略解耦）· OA-WAM
未来机器人必须先判断条件，再决定是否执行。VLA 的 grounding 与 WAM 的世界预测可以生成动作， 但不等于形成显式、可审计、可更新的行为许可契约。而家庭、零售、工业的 condition / evidence 是持续增长的长尾知识。
任务模板 → 原子技能序列。预留 condition 与触觉 / 接近觉 / 红外等 evidence 接口。
condition + evidence → 行为许可。复杂性变成可测、可版本化的工程问题。
例：整理卧室 —— 同一个动作，条件不同则许可不同：
| 对象 | 条件 / 证据 | 行为许可 |
|---|---|---|
| 衣物 | 干净 / 脏 / 用户偏好 | 放衣柜 / 放洗衣篮 / 询问用户 |
| 药品 · 证件 | 敏感 / 私人 / 未授权 | 不移动 · 先询问用户 |
家庭、零售、工业的条件与证据是持续增长的长尾知识。
使用者和贡献者越多，越证明外置行为知识层成立。
动作原语、状态回传和 Runtime Adapter 才能跨厂商复用。
规则、工具、Benchmark、适配与产业学术影响力同步累积。
不是做两个 demo，而是验证 The Big Rule 可跨场景复用。 如果同一套规则能同时治理「擦桌子」和「货架补货」，它就不只是场景脚本，而是机器人行为公共基础设施。
不同抹布（干 / 湿 / 厚 / 薄）× 不同桌面（木桌 / 玻璃 / 餐桌 / 茶几），同一任务规则。
证明点：不是记住一块桌子，而是同一规则在组合中泛化。
识别缺货、定位商品、取放、补齐排面 —— 全部需要条件化决策。
条件规则：何时补货 / 询问 / 避让顾客 / 回报异常。
这个世界的规则，
应该属于全世界。
我们的使命：加速具身智能服务人类的进程。把机器人行动所依赖的行为规则， 从黑箱参数中释放出来，成为开放、可审计、可复用的公共基础设施。
特斯拉加速能源转型；The Big Rule 加速具身智能进入真实世界。