隨著前沿基礎模型在通用環境中不斷增強物理AI的能力，物理AI正經歷著快速增長。與數字AI任務不同，物理AI任務包含多輪推理與動作執行，每輪推理生成一組動作，並以非同步方式交錯進行推理和執行。這種獨特的推理特性使得現有的數字AI服務系統無法直接適用於物理AI。考慮到物理AI的規模以及需要服務的機器人隊伍規模，這一不足對於其廣泛採用至關重要。
為了填補這一空白，研究團隊設計了Kairos——首個多機器人服務系統，它創造性地將生成-執行迴圈視為一等公民，並主動參與到執行階段。傳統的數字AI服務系統通常只關注推理階段，而Kairos透過積極參與執行，能夠更有效地協調多個機器人的推理與執行過程，顯著減少等待時間和資源浪費。
Kairos的核心設計思路在於認識到物理AI中推理與執行是緊密耦合的非同步迴圈。系統透過動態排程推理任務和執行請求，實現了推理與執行的高效流水線。例如，當一個機器人在執行上一輪生成的動作時，Kairos可以同時為下一個推理任務準備輸入，從而最大化資源利用率。這種設計不僅減少了端到端延遲，還提升了系統的吞吐量。
在多種物理AI模型和機器人上的實驗表明，Kairos將平均端到端任務延遲相比最先進的數字AI服務實踐降低了31.8%至66.5%，並且效能增益隨著機器人隊伍規模的擴大而增加。這意味著Kairos不僅可以應用於單個機器人，更能擴充套件至大型機器人叢集，具有出色的可擴充套件性。
該論文由Yinwei Dai等五位作者共同完成，於2026年5月12日提交至arXiv。論文涵蓋機器人學（cs.RO）以及分散式、並行和叢集計算（cs.DC）領域。完整論文可在arXiv上獲取，並附有PDF和TeX原始碼供參考。
Kairos的提出為物理AI的高效部署提供了全新的解決方案，有望加速機器人在複雜環境中的實際應用，推動物理AI從研究走向大規模產業化。