随着前沿基础模型在通用环境中不断增强物理AI的能力，物理AI正经历着快速增长。与数字AI任务不同，物理AI任务包含多轮推理与动作执行，每轮推理生成一组动作，并以异步方式交错进行推理和执行。这种独特的推理特性使得现有的数字AI服务系统无法直接适用于物理AI。考虑到物理AI的规模以及需要服务的机器人队伍规模，这一不足对于其广泛采用至关重要。
为了填补这一空白，研究团队设计了Kairos——首个多机器人服务系统，它创造性地将生成-执行循环视为一等公民，并主动参与到执行阶段。传统的数字AI服务系统通常只关注推理阶段，而Kairos通过积极参与执行，能够更有效地协调多个机器人的推理与执行过程，显著减少等待时间和资源浪费。
Kairos的核心设计思路在于认识到物理AI中推理与执行是紧密耦合的异步循环。系统通过动态调度推理任务和执行请求，实现了推理与执行的高效流水线。例如，当一个机器人在执行上一轮生成的动作时，Kairos可以同时为下一个推理任务准备输入，从而最大化资源利用率。这种设计不仅减少了端到端延迟，还提升了系统的吞吐量。
在多种物理AI模型和机器人上的实验表明，Kairos将平均端到端任务延迟相比最先进的数字AI服务实践降低了31.8%至66.5%，并且性能增益随着机器人队伍规模的扩大而增加。这意味着Kairos不仅可以应用于单个机器人，更能扩展至大型机器人集群，具有出色的可扩展性。
该论文由Yinwei Dai等五位作者共同完成，于2026年5月12日提交至arXiv。论文涵盖机器人学（cs.RO）以及分布式、并行和集群计算（cs.DC）领域。完整论文可在arXiv上获取，并附有PDF和TeX源代码供参考。
Kairos的提出为物理AI的高效部署提供了全新的解决方案，有望加速机器人在复杂环境中的实际应用，推动物理AI从研究走向大规模产业化。