摘要

Physical Intelligence 押注的机器人复利资产，是跨本体数据，而不是一台为单一应用打磨到极致的机器。 Finn 的目标是“最终能够控制任何机器人、在任何场景完成任何任务的大型神经网络模型”，把6或7关节、单臂或双臂平台的数据汇聚起来，避免硬件升级让学习曲线归零。RT-X 让这一判断变得具体：一个共享 checkpoint 被发往“横跨半个国家”的另一家实验室后，多数情况下都击败了接收实验室为自家机器人定制的模型。
眼下的扩展瓶颈是多样化的真实机器人经验，尽管 PI 也在探索推理和更多传感器。 PI 10月下旬的工作从仅3栋楼采集的数据中学会叠衣服、清理桌面和制作纸箱，但环境泛化“非常有限”；解决办法是增加地点、场景、物体和任务，Transformer 与预训练视觉语言模型可以延展这些物理数据，但无法取而代之。RT-2 的典型案例是利用网络知识，把猫罐头递给 Taylor Swift，或递过去一张 Taylor Swift 的照片，尽管机器人训练中从未见过她。
人类视频可以拓宽机器人的学习边界，但 Finn 不认为单纯观察就能教会机器人运动控制。 观看奥运游泳运动员或网球高手，并不会让身体获得他们练出的控制能力；机器人同样需要通过 ALOHA 式遥操作，积累自身的电机指令和摄像头经验，之后再由自主经验和强化学习推动进一步学习。投资人视角下，稀缺投入仍是具身交互，而不是泛化的视频库存。
真正有用的通用机器人，需要一套能把意图和任务中途修正翻译成底层动作的层级系统。 Hi Robot 的上层模型理解“我是素食者”或“我对泡菜过敏”等提示，下层模型则把“拿起番茄”转化为约0.5秒的电机指令；PI 已展示其制作三明治、买菜和清理桌面的能力。这让语言成为人类监督的接口：当自主行动无法容忍悄无声息的错误时，人可以直接介入。
PI 刻意开放模型权重、论文，甚至机器人设计，因为 Finn 认为最大的风险是技术失败，而非竞争。 开放有助于硬件和实践者经验成熟，也能吸引希望获得公开认可的研究人员；她预计，今天的模型和机器人在1年或3年后会“好得多”。她的直白判断是：“我其实不太担心竞争对手。我更担心的是，没人能解决这个问题。”
人形机器人和更丰富的传感，并不是 Finn 下一阶段最优先投入的方向。 人形机器人“真的很酷”，但“有点被高估”，因为相比固定式或轮式机械臂，它们更难遥操作；外置 RGB 摄像头和腕部 RGB 摄像头已经能走“很远”，触觉皮肤则要么成本高、可靠性差，要么分辨率低。在气味、音频或触觉之前，她会先增加记忆能力：当前策略连0.5秒之前发生的事情都记不住。
商业机器人或许不必覆盖自主性的完整分布，但 Finn 不愿给出时间表，也承认“我们可能仍然来得太早”。 操作可能比驾驶更难——PI 的固定式机器人已经有14个维度，要求更高精度，却拥有更少数据——但商业任务的分布更窄、风险更低，因此她仍看好可落地的使用场景。终局可能是专用机器人身体的“寒武纪大爆发”，尽管 Elad 从供应链规模出发认为平台数量会更少；Finn 的推测性回答是：“机器人一路向下。”

精读

1. 通用机器人要先摆脱单一应用陷阱

Finn 进入机器人领域已超过10年，最初是把图像像素直接映射到电机扭矩，之后训练机械臂拧瓶盖、使用锅铲、完成高精度插入，以及把衣架挂起来。突破和瓶颈同时出现：一台机器人可以学会“相当酷的东西”，但要在不同环境和物体上重复同一技能，依然是“重大挑战”。
Physical Intelligence 反转了行业以应用为先的路径。Finn 不想在一个任务上不断深挖，最后“困在这个应用里”，而是希望打造“最终能够控制任何机器人、在任何场景完成任何任务的大型神经网络模型”——从一开始就以泛化为目标训练基础模型。
这意味着要汇聚来自6或7关节机器、单臂或双臂机器，以及不同硬件代际的经验。Finn 亲身感受过更换机器人后，旧策略立刻失效的代价；跨本体学习应当保留数据资产，而不是让每次平台迭代都丢弃此前积累的经验。
RT-X 提供了关键验证：各实验室先把数据转换成通用格式并据此训练，再把 checkpoint 发到“横跨半个国家”的另一家实验室。多数情况下，接收实验室的一名研究生直接运行该模型，效果竟然超过了这家实验室专门为自家机器人调优的模型——这说明异构数据具备实际迁移能力。

2. 多样化物理经验比原始数据规模更重要

PI 10月下旬发布的成果展示了叠衣服、清理桌面、制作纸箱，以及对未见过的衬衫和短裤进行泛化，但环境仍是包含训练数据的熟悉场景。Finn 明确表示，提示能力还很初级，环境泛化“非常有限”：这是复杂操作能力，还不是开放世界系统。
Finn 把首要要求称为“无聊的东西”：更多样化的机器人数据。那次发布只使用了来自3栋楼的数据，而互联网覆盖了无数人生产的内容。因此，扩展变量不只是数据量，还包括楼宇、场景、物体和任务；在现场采集数据，也能让 PI 学会如何让机器人在实验室之外持续运行。
PI 使用 Transformer 和预训练视觉语言模型，而不是从零开始训练。RT-2 说明了原因：机器人可以对自身训练中不存在的概念采取行动——把猫罐头递给 Taylor Swift，或者递过去一张 Taylor Swift 的照片——因为网络图像和预训练模型已经提供了相关信息。互联网先验扩展语义能力，机器人数据仍负责把语义落到动作上。
Finn 认为人类视频可以作为扩展层，但不能替代具身经验：观看奥运游泳运动员或网球高手，无法教会机器人完成动作所需的肌肉级控制。ALOHA 式“木偶操控”会记录机器人自身的电机指令和摄像头图像；她预计，自主经验和强化学习将帮助系统进一步自举学习。

3. 层级架构把运动策略变成交互式助手

Finn 认为“现在”可能已经不同，依据是多项成果逐步叠加：SayCan 把语言模型规划与底层技能结合起来；RT-2 引入网络知识；RT-X 汇聚不同机器人本体；ALOHA 和 Mobile ALOHA 通过遥操作训练高难度灵巧操作。后续的系鞋带演示甚至引发了一场轻松的退休挑战——Elad 问它们是否退休了；“它们没有退休。”
Hi Robot 解决了一个问题：如果在数分钟的任务中始终直接预测下一条电机指令，系统能力会受到限制。它的上层模型读取用户提示、进行推理并输出下一个子任务；下层模型接收“拿起番茄”之类的指令，生成约0.5秒的电机指令。
这种层级架构弥合了实际交互中的接口缺口。诸如“拿起杯子”或“叠好衬衫”的训练标签，并不能自动支持“我是素食者”“我对泡菜过敏”，也不能理解“先别放番茄”这样的中途打断。PI 已展示素食三明治、火腿芝士三明治、买菜和清理桌面；系统的设计目标就是支持这些基于具体情境的互动。
在感知方面，PI 依靠外置 RGB 摄像头和腕部摄像头已经能走“很远”。Finn 希望机器人拥有皮肤，但触觉传感器要么不如皮肤可靠，要么昂贵得多，要么分辨率较低；她曾提出加入气味，但从未真正尝试，音频则可以提供额外冗余。她的优先级是记忆，因为当前策略连0.5秒之前发生的事情都记不住。

4. 开放和简单硬件有助于最大化学习速度

PI 已经开放模型权重和技术细节，甚至把机器人设计交给硬件公司——这一选择让担心知识产权的人感到意外。Finn 预计，模型和机器人在1年或3年后会“好得多”；今天的开放能够帮助行业制造更可靠、能够利用这些模型的机器人，也能培养懂得如何使用它们的实践者。
开放同样是一种招聘策略：解决这一问题所需的“非常出色”的研究人员和工程师希望获得认可、共享想法并从事公开工作。Finn 对护城河的表述异常直白：“我其实不太担心竞争对手。我更担心的是，没人能解决这个问题。”
这种担忧来自不容妥协的物理规律，而不是目标不够宏大。图像识别可以容忍错误；抓取动作却可能只因接触和错过之间极其微小的差异而失败，进而改变整个结果。再加上硬件挑战，以及采集优质数据的难度，“机器人很难”仍然是最核心的前提。
Finn 认为人形机器人“真的很酷”，她在 Stanford 实验室里也有一台，但同时觉得它们“有点被高估”。认为人形结构有利于模仿的说法，在遥操作面前站不住脚：相比固定式或轮式移动机械臂，人形机器人更难操控。PI 因此使用廉价机器人，并通过更简单的接口快速采集多样化数据。

5. 窄场景部署可能早于通用自主能力

Elad 关于部署的问题，暴露了机器人与软件 AI 之间的不匹配：推荐、语言和视觉系统的输出，通常会由有能力的人类审核；机器人则往往要自主行动，没有人会验证每一个机械臂指令。因此，Finn 更关注能够容忍错误，或适合人机协作的场景，也认为语言交互可以让人告诉机器人自己想要什么，以及希望机器人如何提供帮助。
当被问及商业化机器人何时到来，Finn 的回答很简单：“我不知道。”从维度数量看，操作比驾驶更难——PI 的固定式机器人已经有14个维度——而且通常需要更高精度和更少数据；但它也更容易，因为商业任务可能只覆盖狭窄分布，安全风险也低于自动驾驶汽车面对每一个路口、每一种情况。
Elad 提到，10-15年前大约24家自动驾驶初创公司如今大多已整合到 Waymo 和 Tesla 周围，并据此追问：今天的机器人公司是否已经把行业格局占满。Finn 从这段历史中读出的结论是，自主能力可能起步得太早；深度学习已经进步，但“我们可能仍然来得太早”。初创公司迭代更快，巨头可以为更长周期提供资金，但行动速度更慢。
从长期看，Finn 押注共享智能能够驱动大量不同身体形态后，机器人硬件会迎来“寒武纪大爆发”：一台廉价机械臂专门用于厨房，另一台针对洗衣或洗碗优化，而不是一台包打天下的通用机器人。Elad 反驳称，供应链规模效应会推动平台数量减少；Finn 的推测性回答是，由机器人制造的可定制硬件——“机器人一路向下”。

第134期——2025年3月14日 28.直击 2025 GTC（上）｜英伟达往事：一家公司如何30年持续下注未来