去年年底 Physical Intelligence 發(fā)布機器人基礎模型 π0 時，其團隊成員將其比作“機器人領域的 GPT-1”。就像 OpenAI 在 2018 年推出第一代語言模型時開啟了一個時代，π0 預示著機器人智能也許會走上類似的路：模型越大、數(shù)據(jù)越多，能力就越強。但在那個時候，這更多還只是個愿景。機器人領域的 Scaling Law 始終沒有被明確建立。

2025 年 11 月 4 日，由前 Google DeepMind 高級研究員 Pete Florence 創(chuàng)立的初創(chuàng)公司 Generalist AI 為這一問題給出了迄今為止最有力的答案。該公司發(fā)布的 GEN-0 模型不僅展示了機器人基礎模型的擴展能力，更重要的是，首次在機器人領域觀察到了一個此前只在語言模型訓練中出現(xiàn)的關鍵現(xiàn)象：模型僵化（ossification）。這一發(fā)現(xiàn)表明，機器人領域的智能確實存在可量化的擴展定律，但其運作方式比我們想象的更加復雜。

物理智能的閾值之謎

在計算機視覺和自然語言處理領域，scaling laws 已經(jīng)成為一個被廣泛接受的現(xiàn)象。但在機器人領域，這樣的規(guī)律一直未能建立，主要原因是缺乏足夠規(guī)模的高質(zhì)量數(shù)據(jù)，以及足夠大的模型來驗證這種關系。

盡管 MIT 和慕尼黑工業(yè)大學的研究人員在 2024 年通過對 327 篇論文的元分析發(fā)現(xiàn)機器人基礎模型確實存在 scaling laws，但這些研究都是基于相對較小規(guī)模的模型和數(shù)據(jù)集。如果我們將模型規(guī)模推向數(shù)十億參數(shù)，將訓練數(shù)據(jù)推向數(shù)十萬小時時，會發(fā)生什么？

圖丨相關論文（來源：arXiv）

GEN-0 的實驗給出了一個意外的答案。研究團隊發(fā)現(xiàn)，當將模型從 1B（十億）參數(shù)擴展到 7B 參數(shù)的過程中，存在一個明顯的相變點。1B 參數(shù)的模型在訓練過程中很快就表現(xiàn)出僵化現(xiàn)象，即模型權重變得無法吸收新的信息，訓練損失不再下降。這種現(xiàn)象此前只在語言模型的特定訓練場景中被觀察到，但那些模型的參數(shù)規(guī)模要小得多，大約在 10M（百萬）量級。

（來源：Generalist AI）

而當模型規(guī)模達到 6B 參數(shù)時，情況開始改變。這些模型能夠有效地從預訓練中受益，展現(xiàn)出強大的多任務能力。到了 7B 參數(shù)及以上，模型不僅能夠內(nèi)化大規(guī)模的機器人預訓練數(shù)據(jù)，還能夠僅通過幾千步的后訓練就遷移到下游任務。Generalist AI 已經(jīng)將 GEN-0 擴展到 10B+ 參數(shù)規(guī)模，觀察到隨著規(guī)模增加，模型對新任務的適應越來越快，需要的后訓練越來越少。

研究團隊認為這一發(fā)現(xiàn)與人工智能史上一個著名的 Moravec 悖論（Moravec's Paradox）相呼應。1988 年，機器人學家 Hans Moravec 指出，對人類來說輕而易舉的事情，比如感知和靈巧操作，對機器來說需要巨大的計算復雜度，而抽象推理這種人類覺得困難的事情，對機器反而相對簡單。GEN-0 的實驗結果為這個悖論提供了定量證據(jù)：物理世界的常識（physical commonsense）確實有更高的“激活閾值”，需要更大規(guī)模的計算才能涌現(xiàn)。

（來源：Generalist AI）

這種可預測的擴展關系對工程實踐有重要意義。研究團隊可以用冪律公式預測：給定特定規(guī)模的預訓練數(shù)據(jù)，在某個下游任務上投入固定的微調(diào)預算，最終能達到什么樣的性能水平。以服裝處理任務為例，他們可以估算需要多少預訓練數(shù)據(jù)才能將動作預測誤差降到特定閾值。這種預測能力讓資源分配不再是賭博式的探索，而是有明確回報預期的投資。

Harmonic Reasoning：協(xié)調(diào)思考與行動

如果說擴展規(guī)律解決了能不能學的問題，那么 GEN-0 引入的 Harmonic Reasoning 則回答了“怎么學”。這是一個針對物理世界特性設計的訓練機制，核心在于協(xié)調(diào)“思考”與“行動”之間的時間關系。

在語言模型中，讓系統(tǒng)“多想一會兒再回答”相對容易，只需在生成回復前多運行幾步推理。但物理世界不會暫停等待。當機器人面對需要精細操作的任務時，它既要實時響應環(huán)境變化，又要進行更高層次的規(guī)劃。

傳統(tǒng)的 System 1-System 2 架構試圖將這兩種過程分離，用快速反應系統(tǒng)處理即時響應，用慢速規(guī)劃系統(tǒng)處理長期決策。但這種分離帶來了接口設計的復雜性，也限制了系統(tǒng)的靈活性。

Harmonic Reasoning 采用了不同的思路。它將感知、思考和行動都視為在連續(xù)時間軸上異步發(fā)生的 token 流，通過訓練讓模型學會在這些流之間建立協(xié)調(diào)的相互作用。

模型在處理視覺輸入的同時，可以生成“內(nèi)部推理”的 token，這些 token 不會直接轉化為動作，而是影響后續(xù)的決策；同時，模型持續(xù)輸出動作 token 來控制機器人的關節(jié)。這種設計讓模型可以在執(zhí)行當前動作的同時思考未來步驟。

從展示的案例來看，這種能力在長程任務中表現(xiàn)明顯。在組裝相機套件的演示中，機器人需要完成一系列精細操作：將清潔布放入盒子、折疊紙板托盤、從塑料袋中取出相機、放入盒中、合上盒蓋并插入細小的固定卡扣，最后丟棄塑料袋。整個過程持續(xù)超過一分半鐘，模型從未依賴顯式的子任務分解，而是在一個統(tǒng)一的推理流中完成全部步驟。

這種訓練方式不依賴推理時的額外引導（inference-time guidance）。許多現(xiàn)有系統(tǒng)需要在部署時引入啟發(fā)式規(guī)則或外部規(guī)劃器來輔助決策，但 GEN-0 的所有能力都內(nèi)化在預訓練模型中。團隊認為，這種端到端的學習路徑是實現(xiàn)真正通用性的前提。就像語言模型不需要為每個應用場景單獨設計提示一樣，機器人模型也應該通過大規(guī)模預訓練自然涌現(xiàn)出適應性。

二十七萬小時的真實數(shù)據(jù)

長期以來，數(shù)據(jù)稀缺一直是機器人學習的主要瓶頸。相比于語言模型可以從互聯(lián)網(wǎng)上獲取數(shù)萬億 tokens 的文本數(shù)據(jù)，機器人數(shù)據(jù)的收集需要真實的硬件在物理世界中執(zhí)行操作，成本高昂且難以擴展。

Generalist AI 在這個問題上的答案是：建立工業(yè)級的數(shù)據(jù)收集基礎設施。GEN-0 在一個前所未有的數(shù)據(jù)集上進行預訓練：270,000 小時的真實世界操作軌跡，收集自全球數(shù)千個家庭、倉庫和工作場所。這個數(shù)據(jù)規(guī)模比目前公開的最大機器人數(shù)據(jù)集大了好幾個數(shù)量級。

（來源：Generalist AI）

二十七萬小時的數(shù)據(jù)意味著什么？如果一個機器人一周工作七天、每天二十四小時不間斷運行，也需要超過三年才能積累這么多經(jīng)驗。Generalist AI 通過在全球范圍內(nèi)部署數(shù)千個數(shù)據(jù)收集設備和機器人，實現(xiàn)了并行化的數(shù)據(jù)獲取。

團隊甚至為此鋪設了專用網(wǎng)絡線路，以支持從各個站點到云端的高帶寬數(shù)據(jù)上傳。在訓練端，他們動用了數(shù)萬個核心進行持續(xù)的多模態(tài)數(shù)據(jù)處理，壓縮了數(shù)十 PB 的原始數(shù)據(jù)，使得訓練系統(tǒng)每天能夠消化相當于 6.85 年的真實世界操作經(jīng)驗。

但規(guī)模只是一方面，質(zhì)量與多樣性同樣關鍵。團隊進行了大規(guī)模的消融實驗，對比了來自不同數(shù)據(jù)源和收集策略的預訓練數(shù)據(jù)集對模型性能的影響。他們將數(shù)據(jù)分為三類：Class 1 是針對特定任務的演示數(shù)據(jù)，Class 3 是“什么都做”的開放式數(shù)據(jù)，Class 2 介于兩者之間。實驗結果顯示，不同數(shù)據(jù)混合會導致模型呈現(xiàn)出不同的特性。

一些數(shù)據(jù)配置訓練出的模型在預測誤差和反向 KL 散度上都較低，這類模型更適合后續(xù)的監(jiān)督微調(diào)。而另一些數(shù)據(jù)配置雖然預測誤差較高，但反向 KL 散度低，表明模型的輸出分布具有更高的多模態(tài)性，這對強化學習后訓練更有利。

這些發(fā)現(xiàn)對數(shù)據(jù)收集策略有直接指導意義。Generalist AI 與多家“數(shù)據(jù)鑄造廠”（data foundry）合作，在不同環(huán)境中采集數(shù)據(jù)。通過持續(xù)的 A/B 測試，他們可以評估各個合作伙伴的數(shù)據(jù)質(zhì)量，并據(jù)此調(diào)整數(shù)據(jù)采購比例。

在博文附帶的可視化工具中，研究人員展示了一個內(nèi)部開發(fā)的數(shù)據(jù)探索系統(tǒng)。用戶可以輸入文本描述，系統(tǒng)會在預訓練數(shù)據(jù)集的語義嵌入空間中定位到相關區(qū)域，并隨機采樣展示相關視頻片段。這個工具不僅用于數(shù)據(jù)質(zhì)量檢查，也幫助團隊理解“操作的宇宙”究竟包含哪些任務類型。從削土豆到穿針引線，從在面包店打包食品到在洗衣房整理衣物，GEN-0 的訓練數(shù)據(jù)試圖覆蓋人類日常操作的全部光譜。

“讓通用機器人成為現(xiàn)實”

Generalist AI 由三位來自 Google Deepmind 和波士頓動力的資深研究員成立。Pete Florence、Andy Zeng 和 Andrew Barry 雖然學術背景各異，但研究軌跡在過去幾年中逐漸交匯，最終聚焦于讓機器人學習像大語言模型那樣規(guī)?；?。

Pete Florence 在麻省理工學院攻讀博士期間專注于視覺引導的操作，提出了 Dense Object Nets 等開創(chuàng)性工作，強調(diào)從原始感知到動作的端到端學習。加入 Google 后，他迅速轉向大模型與機器人的融合，參與了 RT-2、PaLM-E、Code as Policies 等多個項目，探索用統(tǒng)一的大模型框架處理感知、理解和控制。

圖丨 Pete Florence（來源：Pete Florence）

Andy Zeng 則從機器人抓取和物體理解起步。他的代表作 TossingBot（一個能自主學習投擲不同物體的系統(tǒng)）曾獲得了 RSS 2019 最佳系統(tǒng)論文獎提名。在 Google 期間，Andy 與 Pete 密切合作，聯(lián)合發(fā)表了超過十七篇論文，研究覆蓋從低層操作控制到高層語言推理的全鏈路問題。

Andrew Barry 帶來了硬件與系統(tǒng)集成的經(jīng)驗。他在 MIT 期間專注于高速自主無人機導航，畢業(yè)后在波士頓動力工作了五年，參與 Spot 機器狗的機械臂項目研發(fā)。

三人見證了具身智能研究從分散突破走向系統(tǒng)化的過程，自大模型被引入機器人領域后，他們愈發(fā)認為創(chuàng)造通用機器人的時機在逐漸成熟，而真正需要的是重新關注數(shù)據(jù)、模型和硬件的交匯點。單靠從互聯(lián)網(wǎng)上下載任何數(shù)據(jù)，都無法創(chuàng)造出能夠與物理世界交互的快速、流暢、精確、反應靈敏的智能層。出于這一共識，他們決定成立 Generalist AI。而他們的目標就是“讓通用機器人成為現(xiàn)實?！?/p>

正如團隊在博客中指出的，GEN-0 或許標志著一個新時代的開始：具身基礎模型的能力可以通過物理交互數(shù)據(jù)可預測地擴展。

不過，這項工作也留下了許多待解答的問題。Generalist AI 尚未公開 GEN-0 模型的架構細節(jié)、訓練算法或代碼。Harmonic Reasoning 的具體實現(xiàn)方式也仍然未知。數(shù)據(jù)收集的具體方法、質(zhì)量控制流程、標注策略等關鍵細節(jié)也未披露。此外，雖然團隊展示了一些表現(xiàn)出色的演示視頻，但沒有提供系統(tǒng)的成功率統(tǒng)計或與其他方法的詳細對比，這使得很難準確評估模型的實際性能水平。

但無論如何，GEN-0 證明，通過持續(xù)擴大模型規(guī)模和高質(zhì)量物理交互數(shù)據(jù)，機器人智能可以遵循與語言模型類似但又獨特的發(fā)展軌跡。Moravec 悖論提醒我們，物理智能的激活閾值更高，但 GEN-0 證明了這個閾值是可以跨越的。

參考資料：

1.https://generalistai.com/blog/nov-04-2025-GEN-0

2.https://x.com/GeneralistAI/status/1985742083806937218

運營/排版：何晨龍