英伟达让机器人闪念决策：Fast-ThinkAct如何让AI思考速度快9倍还更聪明？

推荐语

英伟达最新研究让机器人实现"闪念决策"，思考速度提升9倍的同时还能更聪明！

核心内容：
1. 传统机器人决策的瓶颈：冗长的推理过程导致行动延迟
2. Fast-ThinkAct技术突破：将推理压缩为"可言语化的潜在推理"
3. 应用前景：从工业制造到医疗手术的实时决策场景

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

假如你在一家繁忙的咖啡店工作，需要同时处理多位顾客的订单。有些顾客要的是简单的美式咖啡，有些则想要复杂的定制拿铁。如果每次制作前你都要把整个制作流程从头到尾念一遍，“首先我要拿起杯子，然后打开咖啡机......”想必你早就被老板炒鱿鱼了。人类之所以能够高效工作，恰恰是因为我们已经 把这些思考过程内化了，不需要再用语言逐字表达出来。

这正是英伟达最新发布的Fast-ThinkAct研究想要解决的核心问题。2026年1月14日，由英伟达研究人员发表的研究，为机器人的大脑带来了一次革命性升级。

在讲清楚这项研究之前，我们先来聊聊机器人思考的方式发生了怎样的变化。过去几年，人工智能领域有一个热门方向叫做视觉-语言-动作模型（Vision-Language-Action，简称VLA）。你可以把它想象成给机器人装上了一个既能看、又能听懂指令、还能动手做事的超级大脑。这种机器人能够接收你的口头指令，比如帮我把草莓放进抽屉里，然后通过观察周围环境，规划出一系列动作来完成任务。

然而，最新的研究发现，让机器人在做动作之前先思考一番，能够大大提升它们完成复杂任务的能力。这就像人类在面对一道难题时会先打打草稿、理理思路一样。科学家们把这种方法叫做链式思维（Chain-of-Thought，简称CoT），也就是让机器人像写作文一样，一步一步把自己的推理过程写出来。

问题来了：机器人世界里的作文可不是几句话就能搞定的。一个会思考的机器人，每做一个决定之前可能需要生成大约250个词元（token，可以理解为机器语言中的基本单位）的推理文字。这就好比你每次要从沙发上站起来拿杯水，都要先写一篇小论文解释为什么要站起来、怎么走路、如何避开茶几......等你写完，大概早就渴死了。

在机器人应用的真实场景中，这种延迟是致命的。想象一下一个在工厂里工作的机器人手臂，它每秒钟可能需要做出1到15次决策来精确完成任务。但如果每次决策都需要几秒钟来思考和写作文，整个生产线都会被拖慢。更糟糕的是，在一些对时间敏感的场景中，比如辅助手术或者紧急救援，这种延迟可能带来严重的安全隐患。

Fast-ThinkAct的诞生就是为了解决这个想太多的问题。研究团队提出了一个绝妙的想法：与其让机器人把思考过程全部写成文字，不如让它学会用心算，把冗长的推理过程压缩成几个紧凑的念头，然后直接根据这些念头做出行动。这些压缩后的念头被称为可言语化的潜在推理（verbalizable latent reasoning）。

Fast-ThinkAct将机器人的推理时间缩短了高达89.3%，同时在各项任务测试中的表现不仅没有下降，反而还有所提升。换句话说，这个闪念版的机器人大脑，不仅想得更快，还想得更准。

从万字长文到一念之间：压缩思维的艺术

要理解Fast-ThinkAct是如何工作的，我们可以想象一个老师和学生的故事。在这个故事里，老师是一个话痨型的思考者，每次解决问题都要把整个推理过程详详细细地说出来。而学生要做的，是从老师那里学会解题的精髓，但不需要把每一步都念叨出来。

研究团队创建了一个教师-学生训练框架。首先，他们训练一个教师模型，这个教师会对着机器人看到的场景和收到的指令，生成完整的文字推理过程。比如，当看到一个场景并收到把草莓放进抽屉的指令时，教师模型可能会生成这样的思考过程：首先我看到草莓在桌子右边，抽屉在左前方。我需要先把机械臂移动到草莓上方，然后下降到合适高度，夹住草莓，再抬起来，转向抽屉方向......

这个教师模型使用了一种叫做GRPO的强化学习方法来训练，确保生成的推理不仅合乎逻辑，而且能够真正指导机器人完成任务。有趣的是，教师生成的推理质量参差不齐，有些推理步骤清晰有效，有些则啰嗦冗余甚至有误导性。这种质量差异恰恰成为了训练学生模型的关键素材。

接下来就是学生模型登场的时刻。学生模型的任务是把教师的长篇大论浓缩成几个紧凑的连续向量，你可以把这些向量想象成思维的精华。具体来说，当教师需要生成约250个文字词元时，学生只需要生成6个连续的潜在词元（latent tokens）。这就像把一本厚厚的说明书压缩成几个关键图标一样。

但问题来了：在这个压缩的潜在空间里，什么才算好的推理？研究团队巧妙地引入了一个言语化器（Verbalizer）来解决这个问题。这个言语化器是一个小型的语言模型，它的工作是把学生模型生成的那些抽象的精华翻译回人类可读的文字。这样一来，研究人员就可以检查学生的内心想法是否真的学到了教师推理的精髓。

训练过程采用了一种偏好学习的策略，灵感来源于一种叫做DPO（直接偏好优化）的技术。简单来说，研究团队从教师模型生成的众多推理版本中，挑出质量最高的和质量最低的配对。然后让学生模型学习生成那些精华，使得言语化器能够把它们解码成高质量的推理，而不是低质量的版本。这就像在训练一个调酒师：不是简单地告诉他配方，而是让他品尝好酒和差酒的区别，从而真正理解什么是好的味道。

给机器人画地图：视觉轨迹的智慧传承

光是学会压缩思考还不够。机器人要完成实际任务，还需要理解空间关系，东西在哪里、手臂要怎么移动才能到达目标。这就引出了Fast-ThinkAct的第二个创新：视觉规划的蒸馏。

你可以把这个过程想象成学开车。一个新手司机在学习驾驶时，不仅要听老师讲解先踩离合，再挂档，然后慢松离合同时轻踩油门这样的语言指导，还要学会眼观六路，观察路况、判断距离、预测其他车辆的动向。Fast-ThinkAct就是要让学生模型同时掌握这两种能力。

研究团队引入了一种动作对齐的视觉规划蒸馏方法。教师模型在训练过程中，不仅学会了用语言推理，还学会了用轨迹级奖励（trajectory-level rewards）来指导自己，这种奖励关注的是机器人手臂的整个移动路径是否合理，而不仅仅是最终是否成功。通过对齐教师和学生在关键位置的内部表征，研究人员确保学生模型虽然说话很简短，但对空间的理解并没有打折扣。

为了进一步提升效率，研究团队还设计了一套空间词元（spatial tokens）机制。传统的教师模型在预测机器人手臂的运动轨迹时，需要逐个生成每个途经点的坐标，这意味着可能要生成60到70个词元才能描述5个路径点。而学生模型使用了5个专门的可学习空间词元，每个空间词元的输出会同时通过一个简单的网络层投影到一个路径点坐标。这就像从一笔一划写出每个数字变成了直接用计算器显示结果，大大提升了预测的并行性和速度。

从思考到行动：推理增强的策略学习

有了压缩的推理能力和空间理解能力，最后一步就是把这些高级智慧转化为实际的机器人动作。这就是Fast-ThinkAct框架的第三个核心组件：推理增强的策略学习。

想象你是一个乐队指挥。你的脑海里有整首曲子的理解和规划（这就是学生模型生成的推理），但你还需要把这些抽象的理解转化为具体的手势，告诉每个乐器什么时候该演奏、用什么力度（这就是动作模型的工作）。Fast-ThinkAct中的动作模型采用了一种叫做扩散Transformer的架构，这种架构最近在图像生成领域非常火热，研究人员发现它在生成机器人动作序列时同样表现出色。

关键的连接方式是通过键值缓存（Key-Value Cache）实现的。在深度学习中，模型在处理信息时会产生一些中间状态，这些状态包含了模型对输入的理解。Fast-ThinkAct巧妙地提取了学生模型在处理空间词元时产生的键值缓存，并把它作为视觉规划上下文传递给动作模型。动作模型的注意力机制会同时关注这个视觉规划上下文和直接的感知观察，从而做出既符合高级规划又适应当前情况的动作决策。

在训练动作模型时，学生模型和视觉编码器都被冻结了，也就是说不再更新它们的参数。只有动作模型本身在学习如何根据这些规划信息生成合适的动作。这种设计确保了之前辛苦训练的推理能力不会在后续训练中被遗忘，同时让动作模型能够专注于执行力的提升。

实验验证：又快又好的闪念决策

理论说得再好，最终还是要用实验数据说话。研究团队在多个标准基准测试中验证了Fast-ThinkAct的效果，结果令人印象深刻。

首先看速度。与当时最先进的推理VLA模型ThinkAct-7B相比，Fast-ThinkAct的推理延迟减少了89.3%。具体数字是：ThinkAct-7B每次决策需要约7513毫秒（超过7秒），而Fast-ThinkAct只需要约805毫秒（不到1秒）。即使与同等规模的ThinkAct-3B相比，Fast-ThinkAct也快了约7倍（805毫秒对比5674毫秒）。这种速度提升在实际机器人应用中意义重大，意味着机器人可以更流畅地完成需要连续决策的任务。

速度提升的同时，性能并没有牺牲，反而还有所提升。在LIBERO基准测试中，Fast-ThinkAct的平均成功率达到了89.7%，超过了所有对比方法，包括OpenVLA（76.5%）、CoT-VLA（83.9%）、ThinkAct-7B（84.4%）和MolmoAct-7B（86.8%）。LIBERO是一个包含多种机器人操作任务的测试集，涵盖了空间布局变化、物体多样性、目标变化以及需要长期规划的复杂任务。

在SimplerEnv-Google测试中（这是一个与真实世界机器人表现高度相关的模拟环境），Fast-ThinkAct同样表现亮眼，成功率达到68.7%，略高于ThinkAct-7B的68.3%和明显高于MolmoAct-7B的64.9%。

研究团队还在RoboTwin2.0这个更具挑战性的基准上进行了测试。这个基准要求机器人使用双臂协作完成任务，任务难度分为简单和困难两档（困难模式下会增加环境干扰）。Fast-ThinkAct在简单模式下平均成功率达到65.7%，困难模式下达到26.4%，都超过了基线方法。特别值得注意的是，在需要270步以上的长程任务中，Fast-ThinkAct在简单模式下达到48.8%的成功率，显著高于RDT（35.0%）和ThinkAct（42.8%）。

推理的多面手：故障恢复与小样本适应

Fast-ThinkAct不仅在标准任务上表现出色，还展现出了一些特别有价值的能力。

第一个亮点是故障恢复能力。在真实世界的机器人应用中，事情不可能总是按计划进行，机器人可能会抓空目标、物体可能会滑落、环境条件可能会突然改变。研究团队在RoboFAC基准上测试了Fast-ThinkAct识别故障并提供恢复指导的能力。结果显示，Fast-ThinkAct在模拟环境中达到91.1%的得分，在真实机器人环境中达到78.9%，分别比第二名高出10.9分和16.4分。

举个具体例子：当机器人试图抓取勺子但因为位置偏差而抓空时，Fast-ThinkAct能够分析视频并给出这样的恢复建议：首先把机械臂稍微后退，与微波炉保持距离。然后向左调整，与勺子对齐。最后轻轻下降到合适高度，确保正好位于勺子上方，准备稳稳地抓住它。这种能力对于机器人在真实环境中的可靠运行至关重要。

第二个亮点是小样本适应能力。在实际部署机器人时，我们不可能为每个新任务都准备大量的训练数据。研究团队测试了Fast-ThinkAct在只有10个示范样本的情况下适应新任务的能力。在RoboTwin2.0的小样本测试中，Fast-ThinkAct在中等复杂度任务上达到56.5%的成功率，在长程任务上达到16.8%，均显著高于其他方法。这表明压缩后的推理能力确实帮助机器人更好地泛化到新场景。    

第三个亮点是长程规划能力。一些任务需要机器人完成一系列连贯的子任务，比如先打开炉灶，再把摩卡壶放上去。这种任务不仅需要完成单个动作的能力，还需要理解任务的整体结构和步骤顺序。Fast-ThinkAct生成的视觉轨迹预测能够准确地描绘出完成这类复杂任务所需的路径，其内部的推理表征为动作执行提供了有效的规划指导。

揭秘黑箱：当我们翻开机器人的心声

虽然Fast-ThinkAct的核心是用潜在方式思考，但研究团队设计的言语化器让我们可以一窥机器人的内心世界。

研究人员对比了教师模型的原始文字推理和学生模型被言语化后的推理输出。在一个来自RoboVQA的例子中，问题是拿起玻璃杯。任务完成了吗？教师模型生成了一段冗长的推理，其中包含大量场景描述和一些不太相关的细节。而学生模型的言语化输出则更加精炼：让我想想。机器人手臂小心地移动到桌子上方，对准玻璃杯，然后抓住它。玻璃杯平稳地被举起，没有倾斜或滑落。看起来任务成功完成了。

另一个来自OpenEQA的例子更加有趣。问题是这个房间是在建筑的一楼吗？教师模型生成了长篇的推理，从窗户、桌子、书架各个角度分析，最终给出了错误的答案。而学生模型的推理虽然更短，但注意到了关键的视觉线索（窗外的景色显示房间位于地面以上），从而给出了正确的答案。这个例子生动地说明，更长的推理未必更好，有时候冗长的思考反而会引入错误的分析路径。

消融实验：每个设计都有其道理

为了验证框架中各个组件的贡献，研究团队进行了详细的消融实验。

当移除言语化损失（用于指导学生模型生成高质量潜在推理）后，模型在EgoPlan-Bench2上的得分从46.4降至42.1，在RoboVQA上从60.8降至53.8。这表明偏好引导的学习确实帮助学生模型捕获了教师推理中的有价值模式。

进一步移除蒸馏损失（用于对齐教师和学生的轨迹级表征）后，性能继续下降，证明了视觉规划能力的传承同样重要。

有趣的是，与直接使用教师模型相比，完整的Fast-ThinkAct不仅更快，性能也更好。教师模型的平均得分为49.8，而Fast-ThinkAct达到52.8。这说明压缩过程不仅没有丢失信息，反而帮助过滤了教师推理中的一些噪声和冗余。

研究团队还测试了不同数量的潜在推理词元。太少（1个）会限制推理能力，太多（30个或100个）则可能引入冗余或噪声。6个潜在词元达到了最佳平衡，这也是论文中采用的默认设置。

至顶AI实验室洞见

Fast-ThinkAct为机器人思考方式带来了一个重要的范式转变。过去我们认为，让机器人学会推理就意味着让它像人类一样说出自己的思考过程。但这项研究表明，更好的方式可能是学会想而不说，把推理的精髓内化为紧凑的内部表征，只在需要时才转化为语言。

这种转变带来的不仅仅是速度的提升。当推理从外显的文字变成内化的念头时，它反而变得更加纯粹和高效。就像一个经验丰富的厨师，不需要边做菜边念食谱，但每一个动作都凝聚着多年积累的知识和判断。

研究团队承认研究存在局限性，言语化器是基于预训练的语言模型构建的，因此可能会产生一些幻觉，也就是生成看起来合理但实际上并不准确的描述。不过这个问题主要影响的是解释性，对实际的动作执行影响不大，因为动作预测依赖的是经过视觉规划蒸馏的潜在表征，而不是言语化的输出。

未来，这种快速思考的范式有望扩展到更多需要实时决策的人工智能应用中，比如自动驾驶、辅助医疗甚至是日常家务机器人。毕竟，在与真实世界互动时，想得快和想得好往往同等重要。

论文地址：https://www.arxiv.org/abs/2601.09708

Q&A

Q1：Fast-ThinkAct是什么？ 

A：Fast-ThinkAct是英伟达在2026年1月发布的一个机器人推理框架，它能够让机器人在做决策时把长篇的思考过程压缩成几个紧凑的内部念头，从而大大加快反应速度。它实现了比之前最好方法快9倍的速度，同时任务成功率还有提升。

Q2：为什么机器人思考太慢会成问题？ 

A：在真实的机器人应用中，比如工厂生产线或辅助手术，机器人每秒可能需要做出1到15次决策。如果每次决策都要花几秒钟写一篇推理文章，整个系统就会变得迟钝，甚至可能带来安全风险。Fast-ThinkAct把推理时间从7秒多降到不到1秒，让实时操控成为可能。

Q3：压缩思考过程不会让机器人变笨吗？ 

A：这正是这项研究的精妙之处。通过偏好学习的方法，学生模型学会了只保留高质量推理的精华，同时过滤掉冗余和可能误导的内容。实验证明，Fast-ThinkAct不仅更快，在多项测试中的表现反而比话痨版的教师模型更好。