从仓库里的物流机器人到科幻电影中的「贾维斯」，我们对智能机器人的想象从未停止。学术界在模拟器里实现了越来越复杂的协作任务，工业界也让机器人学会了韦伯斯特空翻。

然而，一个残酷的现实是：当下的机器「人」更像是提线木偶，而非真正自主的智能体。

想象一下，机器人每做一个动作都要延迟十几秒，完成同样的任务比人类慢上十倍，这样的效率如何走入我们的生活？这个从虚拟到现实的「最后一公里」，其瓶颈常常被忽视：高昂的时间延迟和低下的协作效率。它像一道无形的墙，将真正的具身智能困在了实验室里。

论文标题： ReCA: Integrated Acceleration for Real-Time and Efficient Cooperative Embodied Autonomous Agents
论文地址：https://dl.acm.org/doi/10.1145/3676641.3716016

为了打破这一僵局，来自佐治亚理工学院、明尼苏达大学和哈佛大学的研究团队将目光从单纯的「成功」转向了「成功且高效」。他们推出了名为 ReCA 的集成加速框架，针对多机协作具身系统，通过软硬件协同设计跨层次优化，旨在保证不影响任务成功率的前提下，提升实时性能和系统效率，为具身智能落地奠定基础。

简单来说：ReCA 不再满足于让智能体「完成」任务，而是要让它们「实时、高效地完成」任务。

这份工作发表于计算机体系结构领域的顶级会议 ASPLOS"25，是体系结构领域接收的首批具身智能计算论文，同时入选 Industry-Academia Partnership (IAP) Highlight。

三大瓶颈：

当前模块化具身智能的「效率之殇」

研究团队首先对当前的协同具身智能系统（如 COELA, COMBO, MindAgent）进行了系统性分析，定位了三大性能瓶颈：

高昂的规划与通信延迟： 系统严重依赖基于 LLM 的模块进行高阶规划和智能体间通信。每一步行动都可能涉及多次 LLM 的顺序调用，其中网络延迟和 API 调用成本更是雪上加霜，使得实时交互成为奢望。

有限的可扩展性： 随着智能体数量的增加，去中心化系统会面临通信轮次爆炸性增长和效率下降的问题；而中心化系统则由于单一规划者难以处理复杂的多智能体协同，导致任务成功率急剧下滑。

底层执行的敏感性： LLM 生成的高阶计划需要被精确翻译成底层的控制指令，底层执行的效率和鲁棒性直接关系到任务的成败。

ReCA 的「三板斧」：

从算法到系统再到硬件的跨层协同优化

针对上述挑战，ReCA 提出了一个贯穿算法、系统和硬件三个层面的跨层次协同设计框架，旨在提升协同具身智能系统的效率和可扩展性。

算法层面：更聪明的规划与执行

本地化模型处理： 通过部署更小的、本地化的经过微调的开源 LLM，ReCA 摆脱了对外部 API 的依赖，消除了网络延迟瓶颈，同时保障了数据隐私。

规划指导下的多步执行： 颠覆了传统「规划一步、执行一步」的模式。ReCA 让 LLM 一次性生成可指导连续多步底层动作的高阶计划，大幅减少了 LLM 的调用频率，显著降低了端到端延迟。

系统层面：更高效的记忆与协作

双重记忆结构： 借鉴了人类认知的「双系统理论」，ReCA 设计了长短时记忆分离的结构。

长期记忆以图结构存储环境布局等静态信息。
短期记忆则动态刷新智能体状态、任务进度等实时信息。

有效解决了 LLM 在长任务中 prompt 过长导致「遗忘」关键信息的痛点，提升了规划的连贯性和准确性。

分层协作规划： 为了解决扩展性难题，ReCA 引入了一种新颖的分层协作模式。在小范围的「簇」内，采用「父-子」智能体的中心化模式高效规划；在「簇」之间，则采用去中心化模式进行通信，更新彼此进度。这种混合模式兼顾了规划效率和系统规模。

硬件层面：更专业的加速单元

异构硬件系统： ReCA 为高阶和低阶规划匹配了最合适的计算单元。它采用 GPU 子系统处理 LLM 的高阶规划，同时为精准路径规划等低阶任务设计了专门的硬件加速器。

专用路径规划处理器： 研究表明，在系统优化后，原本占比不高的 A-star 路径规划延迟会成为新的瓶颈。ReCA 的专用 A-Star Processing Unit（APU）通过定制化的计算单元和访存设计，大幅提升了低阶规划的效率和能效。

效率提升：

5-10 倍速度提升，成功率不降反升

通过跨越六个基准测试和三大主流协同系统的评估，ReCA 展现了其强大的实力：

效率： 在任务步骤仅增加 3.2% 的情况下，实现了平均 5-10 倍的端到端任务加速。原本需要近一小时的复杂任务，ReCA 能在 20 分钟内完成。

成功率： 在大幅提升速度的同时，任务成功率平均还提升了 4.3%。这得益于其优化的记忆和协作机制，证明了效率与性能可以兼得。

可扩展性： 即使在 12 个智能体的大规模协作场景下，ReCA 依然能保持 80-90% 的高成功率，而基线系统的成功率已跌至 70% 以下。

能效： 其定制的 A-star 硬件加速器（APU）相较于 GPU 实现，取得了 4.6 倍的速度提升和 281 倍能效改进。

影响与未来

ReCA 的意义，远不止于一组性能提升的数据。它更像一块基石，为具身智能的未来发展铺设了三条关键路径：

从「能用」到「好用」的跨越： 此前，研究的焦点大多是如何让机器人「成功」完成任务。ReCA 则明确地提出，「成功且高效」是更关键的目标。这项工作有助于推动领域的研究范式转变，让延迟、效率和可扩展性也成为衡量具身智能系统的核心指标，加速其在家庭服务、智能制造等场景的落地。

「软硬协同」释放效能提升： ReCA 通过算法、系统、硬件的跨层次协同优化，突破了过往「单点优化」的局限。未来的具身智能系统，有望像 ReCA 一样，在不同层面协同设计的产物。它为 GPU 处理高阶规划、硬件加速器处理底层精确任务的异构计算模式提供了范本，为下一代机器人「大脑」+「小脑」的设计提供了一种可行方案。

突破瓶颈，解锁想象力： 当延迟不再是瓶颈，我们可以大胆想象：一个机器人管家团队能在你下班前，实时协作，烹饪好一顿丰盛的晚餐，并打扫干净房间；又或者在灾难救援现场，多个机器人能实时共享信息，高效协同，在黄金救援时间内完成搜索与拯救任务。在自动化科学实验室里，机器人集群能够 7x24 小时不间断地进行复杂的协同实验，以前所未有的速度推动科学发现。

总而言之，ReCA 的工作不仅解决了一个关键的技术瓶颈，更是为具身智能从实验室走向真实世界，架起了一座坚实的桥梁。我们距离那个能实时响应、高效协作的「贾维斯」式智能助手，确实又近了一大步。

作者介绍

万梓燊 是佐治亚理工学院博士生，研究方向为计算机体系架构和集成电路，聚焦通过系统-架构-芯片的跨层软硬件协同设计，为具身智能机器人和神经符号 AI 构建高效、可靠的计算平台。个人主页
https://zishenwan.github.io/

杜宇航 是 Yang Zhao 教授和 Vijay Janapa Reddi 教授指导的本科研究员，研究方向为计算机体系架构和集成电路，致力于通过系统级的性能分析与协同设计，为智能体在真实世界的计算打造基础设施。

Mohamed Ibrahim 是佐治亚理工学院博士后研究员，研究方向为软硬件协同设计，融合类脑计算与 VLSI 系统，构建具备高适应性与高可靠性的创新硬件架构。

钱家熠 是佐治亚理工学院博士生，研究方向为高效机器学习算法与系统、计算机体系结构与硬件设计，聚焦面向具身智能与神经-符号系统的协同优化与加速。

Jason Jabbour 是哈佛大学计算机科学系博士生，研究方向为机器学习、机器人和自动驾驶。

Yang (Katie) Zhao 是明尼苏达大学电子与计算机工程系助理教授，研究方向聚焦于计算机体系架构、硬件设计与机器学习的交叉领域，致力于通过从算法、芯片到系统的全栈式协同设计，为大语言模型等新兴应用提供高效、可靠的硬件加速方案。

Tushar Krishna 是佐治亚理工学院电子与计算机工程学院副教授，入选 ISCA、HPCA 和 MICRO 名人堂。长期致力于计算机体系架构、NOC 与 AI/ML 加速器等领域的研究，相关成果被引用超过 20000 次。曾有多篇论文入选 IEEE Micro 最佳论文推荐（Top Picks）或荣获最佳论文奖，现任 ML Commons Chakra 工作组联合主席。

Arijit Raychowdhury 是佐治亚理工学院电子与计算机工程学院院长，IEEE Fellow。长期致力于低功耗数字与混合信号电路、专用加速器设计等领域的研究，在国际顶级期刊与会议发表论文 250 余篇，拥有超过 27 项美国及国际专利。担任 ISSCC、VLSI、DAC 等多个顶级会议的技术委员会委员。

Vijay Janapa Reddi 是哈佛大学工程与应用科学学院教授，入选 MICRO 与 HPCA 名人堂。长期致力于计算机体系架构、机器学习系统与自主智能体的交叉领域研究，是 TinyML 领域的开拓者之一，并联合领导创建了 MLPerf。曾获 MICRO、HPCA 最佳论文奖及多次入选 IEEE Micro 最佳论文，现任 MLCommons 董事会成员和联合主席。