OpenClaw机器人引爆天网！首次拥有世界记忆，天网在GitHub「开源」了

新智元报道

全球开源机器人领域迎来重大进展：搭载OpenClaw系统的宇树人形机器人，首次实现对空间与时间的联合理解。

该机器人融合LiDAR激光雷达、双目摄像头与RGB相机数据，构建动态三维环境模型。它不仅能定位房间、人和物体，还能记录“何时发生了何事”，形成具备时空维度的结构化记忆。

团队将该能力命名为Spatial Agent Memory（空间智能体记忆），即机器人首次拥有可检索、可推理的「世界记忆」。

这一成果由开源项目OpenClaw实现，并获其核心开发者Peter Steinberger公开转发，被业界视为具身智能里程碑式突破：OpenClaw正式具备物理空间与时间感知能力。

天网，刚刚开源了？

项目发布后引发社区热议，观点呈现两极分化：

一派认为这是边缘AI的重大跃迁——机器人首次在真实环境中实现时空语义联合建模，是梦寐以求的具身智能突破；

另一派则表达审慎担忧：若机器人能持续记录家庭成员行为规律、出入时间、物品摆放等细节，在缺乏伦理与监管框架前提下，可能带来隐私与安全风险。

值得注意的是，OpenClaw为完全开源系统，硬件无关——适配各类激光雷达、立体视觉与RGB传感器，可部署于Unitree G1人形机器人、四足机器狗、无人机，甚至旧款iPhone激光雷达设备。

系统不依赖ROS，支持全动态障碍物避让与SLAM（即时定位与地图构建）。

任何兼容平台，只要运行OpenClaw，即可获得时空感知能力。

开源机器人，正在走向天网时刻

当机器人能主动告知：“你的车钥匙昨晚落在厨房桌上”，用户或感便捷；

但若它进一步指出：“上周一晚8点有陌生人到访”“你平均每日在厨房停留47分钟”，则凸显其长期观察与记忆能力带来的深层影响。

这种能力并非视频回放，而是基于空间+时间+语义的联合记忆——机器人正在构建并持续更新一个动态演化的世界模型。

以前的机器人，为什么不太聪明

传统机器人存在三大瓶颈：

• 静态记忆局限：大语言模型（LLM）仅保留训练数据，无法记忆用户实时交互行为（如钥匙放置位置）；
• 空间认知缺失：擅长语言推理，却难以理解“厨房在客厅左侧”等物理关系；
• 多模态处理不足：传统RAG仅检索文本，而真实场景需处理海量视频流、深度图、三维点云与时间序列数据。

SpatialRAG黑科技，给机器人装上3D云脑

团队提出核心技术：Spatial Agent Memory 与 SpatialRAG。

系统将视频、雷达检测、图像帧与里程计数据统一映射为体素（Voxel）化三维空间，每个体素附带空间矢量嵌入与语义标签，形成涵盖对象、房间、几何结构、时间戳、图像与点云的多维向量知识库。

该架构构成机器人理解物理世界所需的记忆骨架，支持跨维度检索：object（物体）、room（房间）、semantic（语义）、geometry（几何）、time（时间）、image（图像）、pointcloud（点云）。

由此，机器人可回答：

• “我钥匙丢哪儿了？”
• “上周一谁来过我家？”
• “谁在厨房待的时间最长？”
• “垃圾该什么时候倒？”

网友质疑：天网降临，还是老头漫步？

部分用户质疑系统实时性与工程可行性，例如延迟高、响应慢等。

开发团队回应：OpenClaw定位为高层智力协调器，非底层运动控制器；动作执行可异步运行，不影响整体流畅性。

关于采用LLM而非专用模型的疑问，团队解释：难点不在模型部署，而在维持持续、稳定的物理上下文——即“什么时间、什么地点、发生了什么”的长期一致性建模。

OpenClaw提供完整代理基础设施（Agent Infrastructure），包括子代理编排、MCP（多点协作协议）、工具安全审计与插件系统，使其更适合作为机器人“前额叶”中枢。

一位资深机器人工程师指出：最大挑战并非算法创新，而是系统在真实世界的鲁棒性——需应对传感器冲突、光照变化、动态障碍、数据噪声与硬件故障等复杂变量。

具身智能的最后一公里

“具身”本质在于持续感知与作用于物理世界。此次突破表明：让大模型上硬件并不难，难的是构建持久、跨时空的物理上下文。

当机器人开始理解因果关系、记住空间位置、关联时间序列，它就从“会走路的音箱”，进化为真正的物理代理（Physical Agent）。

天网未必突然降临，但路径已然清晰：看见世界 → 记住世界 → 改变世界。

当这些能力全部开源，构建机器人大脑的门槛正前所未有地下降。

这一刻，或将成为机器人时代真正开启的起点——家用机器人的普及，正被这只“开源爪子”悄然撬动。