先反應，再思考：具身智能的雙時間尺度架構

系列：狀態驅動的本地具身 AI｜第 2 篇
版本：v0.1
日期：2026-08-01

摘要

大型語言模型進入機器人領域後，一種直覺式設計逐漸普及：先完整接收感知輸入，再交由模型理解、推理、規劃，最後驅動機器人行動。然而，對需要與人類共處的具身智能而言，這種「先完整思考，再開始反應」的架構具有根本性缺陷。人類對互動自然度的判斷高度依賴毫秒到秒級的時間結構；即使最終回答內容正確，只要轉頭、停頓、輪替、視線、動作與語音的時序失衡，機器人仍會顯得遲鈍、不在場或失去生命感。

本文提出「雙時間尺度具身智能」框架：將系統反應拆分為快速反射層與較慢的語義—審議層。快速層負責安全、注意力、姿態、注視、簡短社會訊號與既有狀態轉移；慢速層負責開放語義理解、複雜規劃、長期記憶檢索與未知情境求解。兩者不是簡單串行，而是非同步並行，並透過共享世界狀態與優先級仲裁進行協調。

這種結構並非因大型模型太慢而採取的暫時折衷。從 Brooks 的 subsumption architecture、後來的 deliberative-reactive hybrid architectures，到行為樹在機器人中的應用，都可看到同一類設計思想：高階規劃不應阻塞低階反應；底層安全與反射必須持續存在。大型模型的加入，不應取消這個原理，而應使其重新被理解為「高階、稀疏、按需的認知層」。

關鍵詞： 具身智能、雙時間尺度、反應式控制、審議式控制、行為樹、狀態機、LLM、Turn-taking、事件驅動、世界狀態

1. 具身智能首先是一個時間問題

對純文字模型而言，延遲常被理解為「等待答案需要多久」。

但在具身系統中，延遲不是單一數字。

至少存在：

\tau= ( \tau_{\mathrm{sense}}, \tau_{\mathrm{orient}}, \tau_{\mathrm{ack}}, \tau_{\mathrm{semantic}}, \tau_{\mathrm{plan}}, \tau_{\mathrm{act}} ),

分別表示：

$\tau_{\mathrm{sense}}$ ：偵測事件的時間；
$\tau_{\mathrm{orient}}$ ：轉向與注意的時間；
$\tau_{\mathrm{ack}}$ ：對事件給出最小回應的時間；
$\tau_{\mathrm{semantic}}$ ：理解語義的時間；
$\tau_{\mathrm{plan}}$ ：形成複雜計畫的時間；
$\tau_{\mathrm{act}}$ ：開始執行動作的時間。

問題在於，這些時間不應全部相加後才開始輸出。

如果系統採用：

\tau_{\mathrm{total}} = \tau_{\mathrm{sense}} + \tau_{\mathrm{semantic}} + \tau_{\mathrm{plan}} + \tau_{\mathrm{act}},

那麼只要語言模型或規劃器稍慢，整個機器人就會在事件發生後「僵住」。

而自然的具身反應更接近：

\tau_{\mathrm{fast}} \ll \tau_{\mathrm{semantic}} \le \tau_{\mathrm{deliberative}}.

也就是在高階答案尚未形成以前，身體已經先做出合理反應。

2. 「先反應」不等於「不思考」

這裡的「先反應」不是主張機器人應衝動行事。

它真正指的是：

在不需要高階語義推理的部分，不應等待高階語義推理。

例如，一名使用者突然從右側叫機器人的名字。

系統可以立刻完成：

聲源定位；
朝右側轉頭；
暫停原本非必要動作；
顯示聆聽狀態；
發出極短確認訊號；

同時，背景才進行：

完整 ASR；
語義解析；
記憶檢索；
大模型生成。

形式上：

R_{\mathrm{fast}}(e_t,S_t) \parallel R_{\mathrm{slow}}(e_t,S_t).

兩條管線共享同一事件 $e_t$ 與世界狀態 $S_t$ ，但不互相等待。

因此，「先反應，再思考」更精確的說法是：

\boxed{ \text{先完成低風險、低語義依賴的反應， 同時進行較慢的高階推理} }

3. 為什麼人類會把快速反應讀成「它有在注意」？

人類社會互動存在大量非語言輪替訊號：

視線；
頭部方向；
身體朝向；
微小動作；
停頓；
呼吸與語調；
點頭、搖頭；
輪到誰說話的時間點。

因此，「回答內容」只是一部分。

2021 年的 turn-taking 綜述指出，人類對話通常能以很短的間隙與極少重疊完成輪替，而語音系統與社交機器人卻經常因長延遲或插話失敗造成不自然互動。

2020 年 SIGDIAL 的研究更直接展示：使用增量式處理與對當前語句的預測，可以讓機器人比非增量系統更早開始行動，縮短輪替間隙。

2024 年發表、2025 年刊出的機器人頭部動作研究則發現，在語音開始前先進行頭部動作，可以填補回應空隙，並提升自然度；有頭部動作的條件也提高了受試者對機器人的擬人感、生命感、喜愛度與感知智能。

因此：

\text{Presence} \approx f( \text{timely orientation}, \text{acknowledgement}, \text{turn-taking}, \text{continuity} ).

使用者並不是先知道機器人「想了什麼」，才判斷它是否注意自己。

很多時候，注意力本身就是由時序行為顯示出來的。

4. 延遲不一定要消失，但必須被「具身化」

大模型推理需要時間，尤其當系統包含：

ASR；
VLM；
記憶檢索；
RAG；
工具調用；
TTS；

完全消除延遲並不現實。

但延遲可以被轉換成一個可理解的狀態。

例如：

\text{Silence} \rightarrow \text{Dead Time}

而：

\text{Head Turn} + \text{Eye Contact} + \text{Short Acknowledgement} + \text{Thinking Motion} \rightarrow \text{Interpretable Waiting}.

2023 年的《Robot Feedback Design for Response Delay》專門研究如何用人類式或機器式回饋減輕機器人回應延遲造成的負面體驗。

這裡有一個重要的工程轉換：

延遲本身未必是最大的問題；沒有任何可讀取狀態的延遲才是最大的問題。

對一台具身機器人而言，應讓使用者知道：

我聽到了；
我正在處理；
我還沒有做完；
我沒有當機；
我現在的注意力仍然在你身上。

所以等待本身也可以是一種狀態：

S_{\mathrm{processing}} \neq S_{\mathrm{idle}}.

5. 雙時間尺度架構

本文把具身智能拆為兩個主要時間尺度。

5.1 快速層

快速層可以寫為：

a_t^{f} = \pi_f(S_t,e_t),

其中：

$S_t$ ：目前世界狀態；
$e_t$ ：新事件；
$\pi_f$ ：快速策略；
$a_t^f$ ：立即動作。

它負責：

碰撞避免；
防跌落；
急停；
朝聲源轉頭；
視線追蹤；
短促確認；
暫停目前動作；
已知情境下的既定狀態轉移。

快速層的特點是：

\text{low latency} + \text{low semantic complexity} + \text{high reliability}.

5.2 慢速層

慢速層則是：

a_t^{s} = \pi_s(S_t,e_t,K_t),

其中 $K_t$ 可以包含：

長期記憶；
文件；
外部知識；
任務歷史；
大模型上下文。

慢速層負責：

開放式對話；
複雜命令理解；
新問題求解；
多步驟規劃；
長期記憶檢索；
情境重構；
工具使用；
未知事件解釋。

這裡可以使用 LLM、VLM 或較大型的規劃模型。

6. 真正關鍵的是兩層如何合併

如果快層與慢層完全獨立，就會出現衝突。

例如：

快層判斷前方有障礙，因此停止；
慢層兩秒後仍輸出「繼續前進」。

因此需要仲裁器：

a_t = \mathcal A ( a_t^f, a_t^s, S_t, P_t ),

其中 $P_t$ 是優先級與權限狀態。

最簡單的優先級可以是：

\boxed{ \text{Safety} > \text{Physical Reflex} > \text{Active Task} > \text{Social Reaction} > \text{LLM Suggestion} }

這意味著 LLM 的輸出本質上不是「命令」，而是：

\text{Proposal}.

它必須經過：

狀態驗證；
權限檢查；
安全檢查；
當前任務仲裁；

才可能變成真正的 actuator command。

這一點將在第 3 篇進一步展開。

7. 這其實是一條很老的機器人思想

這個架構並不是因 LLM 才突然出現。

1986 年 Rodney Brooks 在 subsumption architecture 中提出分層控制：低層能力持續運行，高層可以抑制或取代部分低層輸出，但低層並不因高層存在而停止。

這個想法的工程含義非常深：

高階智能不是讓底層反射消失，而是在底層仍可靠運作的前提下增加新的能力層。

後來的混合 deliberative-reactive 架構也沿著類似方向發展：一方面保留反應式行為，另一方面加入長期規劃。

2018 年提出的 LAAIR（Layered Architecture for Autonomous Interactive Robots）亦指出，傳統高層 deliberative control 在執行長期目標時，可能妨礙機器人快速回應人類；因此加入頂層 reactive module，讓互動可以快速打斷或切換正在執行的長期行為。

因此 LLM 時代真正值得問的不是：

能不能把全部控制都交給 LLM？

而是：

LLM 應該插入既有具身控制層級的哪一層？

8. 行為樹為什麼特別適合這種架構？

有限狀態機在小型系統中很好用。

但當角色、任務與例外越來越多時，狀態轉移容易產生組合爆炸。

行為樹（Behavior Tree, BT）提供另一種方法。

例如：

ROOT
├─ Emergency?
│  └─ Stop
├─ Human Calling?
│  ├─ Orient
│  ├─ Acknowledge
│  └─ Need Semantic Reasoning?
│      └─ Call LLM
├─ Low Battery?
│  └─ Go Charge
└─ Continue Current Task

2020 年的行為樹綜述指出，BT 最初因遊戲 AI 對模組化的需求而發展，後來逐漸進入機器人領域；相較複雜 FSM，其層級化與模組化有助於擴展與重用。

2022 年從控制理論角度研究 BT 的工作則將其核心優勢概括為：

modularity；
hierarchy；
feedback。

這正好適合本文的雙時間尺度架構。

因為高階語義推理可以只是一個節點：

NeedLLM?
    ├─ No  → DirectAction
    └─ Yes → SemanticPlanner

LLM 不再是一整棵樹。

它只是樹上的一個高成本能力節點。

9. 雙時間尺度不應只有「兩個模型」，而是兩個控制邏輯

這裡很容易被誤解成：

\text{小模型} + \text{大模型}.

但這不是本文真正的意思。

即使所有模型都在同一塊晶片上，也仍需要兩個時間尺度。

快速層可能甚至完全沒有神經網路：

\text{Sensor} \rightarrow \text{Rule} \rightarrow \text{Motor}.

慢速層才是：

\text{State Summary} \rightarrow \text{LLM/VLM} \rightarrow \text{Structured Proposal}.

因此真正的分割標準不是參數量，而是：

\boxed{ \text{是否允許阻塞即時反應} }

凡是不能被高延遲阻塞的能力，都應該放在快速層或獨立安全層。

10. 一個具體例子：主人突然靠近

假設機器人正在播放音樂，主人突然快速靠近並伸手。

系統可能按以下方式運作：

$t_0$

距離感測器發現物體快速接近。

快速層：

\text{Stop Wheels} + \text{Orient Camera}.

$t_0+100\text{ms}$

視覺確認是熟悉人臉。

狀態更新：

S_t: \text{Playing} \rightarrow \text{InterruptedByOwner}.

$t_0+300\text{ms}$

機器人抬頭或發出短促聲音：

「嗯？」

此時完整語義尚未生成。

$t_0+800\text{ms}$

ASR 得到：

「二白，我跟你說一件事。」

$t_0+1.5\text{s}$

大模型輸出：

{
  "intent": "listen_to_owner",
  "speech": "好啊，你說。",
  "gesture": "maintain_attention",
  "task_policy": "pause_music"
}

仲裁器確認沒有安全衝突後執行。

整個互動在第一個 $100$ ～ $300$ 毫秒就已經「活起來」，而不是等到 $1.5$ 秒後才第一次動。

11. 這也是本地模型的重要性所在

如果快層完全本地，而慢層完全雲端，那麼即使網路斷線：

R_{\mathrm{fast}} \neq 0.

也就是機器人仍然可以：

避障；
回頭；
停止；
跟隨；
進入充電；
維持最基本角色反應。

如果再把較小的語義模型放在本地：

\text{Local Fast Layer} + \text{Local Small Model} + \text{Remote Large Model},

系統就可以形成三級降級：

\text{Cloud Available} \rightarrow \text{Full Intelligence},

\text{Cloud Lost} \rightarrow \text{Local Intelligence},

\text{High-Level Failure} \rightarrow \text{Safe Reactive Mode}.

這對真正存在於物理世界中的 AI 比「benchmark 分數高多少」更加重要。

12. 從雙時間尺度到三時間尺度

雙時間尺度是一個最小模型。

若繼續細分，實際系統可能是：

T_0<T_1<T_2,

其中：

$T_0$ ：反射層

毫秒到數百毫秒：

安全；
控制；
感知觸發；
注視；
最小回應。

$T_1$ ：互動層

數百毫秒到數秒：

語音；
日常語義；
本地小模型；
角色狀態；
短期任務。

$T_2$ ：審議層

數秒到數分鐘：

深度規劃；
網路搜尋；
工具調用；
長期記憶重構；
大型模型；
複雜任務。

於是：

\boxed{ \text{Reflex} \rightarrow \text{Interaction} \rightarrow \text{Deliberation} }

這可能比單純的「快／慢」更適合未來工程實作。

13. 與人類雙歷程理論的相似性：只能作比喻，不能直接等同

看到快層與慢層，很容易聯想到人類認知中的 System 1 / System 2。

這個類比有直覺價值，但應保持節制。

本文並不主張：

\text{Robot Fast Layer} = \text{Human System 1}

或：

\text{LLM} = \text{Human System 2}.

人類認知的雙歷程理論本身包含心理學與認知科學上的多種版本，而機器人控制層級是工程架構。

兩者最多只共享一個抽象原理：

某些反應需要快速、自動、低成本；另一些問題允許較慢、資源密集的處理。

因此這裡採用「雙時間尺度」而不是直接套用「雙系統心智」。

14. 核心命題：高階推理不應成為具身反應的全域鎖

可以把本文最重要的主張壓縮為：

\boxed{ \forall a\in A_{\mathrm{critical}}, \quad a \not\!\perp \text{LLM completion} }

用白話說：

對所有需要即時完成的關鍵行動，其啟動都不應以等待 LLM 完整生成為必要條件。

更工程化地寫：

\tau(a_{\mathrm{critical}}) < \tau_{\mathrm{LLM}}

必須在架構上成立。

否則只要：

網路變慢；
模型塞車；
context 變長；
大模型工具調用失敗；

整個身體就一起變遲鈍。

這不是模型問題，而是架構錯誤。

15. 從第 2 篇走向第 3 篇

到這裡，我們已經得到：

\text{具身智能} \neq \text{LLM + 馬達}.

更合理的是：

\text{Embodied AI} = \text{Reactive Control} + \text{Persistent State} + \text{Behavior Policy} + \text{Deliberative Intelligence}.

但一旦存在多層控制，就立刻出現下一個問題：

如果狀態機、行為樹、規則、安全模組與 LLM 同時想控制機器人，到底誰有最後決定權？

這就是下一篇的主題。

16. 結論

「先反應，再思考」並不是要讓機器人降低推理品質，而是避免將不同時間尺度的能力綁死在同一條同步管線上。

真正可靠的具身系統應當：

\boxed{ R_{\mathrm{fast}} \parallel R_{\mathrm{semantic}} \parallel R_{\mathrm{deliberative}} }

並透過持續世界狀態與優先級仲裁保持一致。

這樣，大模型可以越來越強，但不必成為所有反應的瓶頸。

當模型變慢時，身體仍然存在。

當網路中斷時，角色仍然存在。

當高階規劃失敗時，安全與基本互動仍然存在。

這也許才是「具身」兩個字真正對 AI 架構提出的要求：

它不能只會想；它必須在世界持續變化的同時，始終來得及存在於下一個瞬間。

參考資料

Brooks, R. A. (1986). A Robust Layered Control System for a Mobile Robot. IEEE Journal on Robotics and Automation, 2(1), 14–23.
DOI: https://doi.org/10.1109/JRA.1986.1087032
Gervits, F., Thielstrom, R., Roque, A., & Scheutz, M. (2020). It’s About Time: Turn-Entry Timing For Situated Human-Robot Dialogue. SIGDIAL 2020.
https://aclanthology.org/2020.sigdial-1.12/
Skantze, G. (2021). Turn-taking in Conversational Systems and Human-Robot Interaction: A Review. Computer Speech & Language, 67, 101178.
DOI: https://doi.org/10.1016/j.csl.2020.101178
Obo, T., & Takizawa, K. (2022). Analysis of Timing and Effect of Visual Cue on Turn-Taking in Human-Robot Interaction. Journal of Robotics and Mechatronics, 34(1), 55–63.
DOI: https://doi.org/10.20965/jrm.2022.p0055
Kang, D., Nam, C., & Kwak, S. S. (2024). Robot Feedback Design for Response Delay. International Journal of Social Robotics, 16, 341–361.
https://link.springer.com/article/10.1007/s12369-023-01068-z
Lee, H., & Hahn, S. (2025). Effect of Robot Head Movement and its Timing on Human-Robot Interaction. International Journal of Social Robotics, 17, 3–14.
DOI: https://doi.org/10.1007/s12369-024-01196-0
Iovino, M., Scukins, E., Styrud, J., Ögren, P., & Smith, C. (2020). A Survey of Behavior Trees in Robotics and AI.
https://arxiv.org/abs/2005.05842
Ögren, P., & Sprague, C. I. (2022). Behavior Trees in Robot Control Systems.
https://arxiv.org/abs/2203.13083
Jiang, Y. et al. (2018). LAAIR: A Layered Architecture for Autonomous Interactive Robots.
https://arxiv.org/abs/1811.03563

02_先反應再思考_具身智能的雙時間尺度架構