Physical Intelligence 釋出 π0：通用機器人模型能疊衣服也能收拾餐桌

AI 下國際象棋甚至預測蛋白質結構早就不稀奇了，但你讓它疊個衣服或者把桌上的碗筷收拾了，它立刻抓瞎。

這就是著名的莫拉維克悖論：對人類最容易的肢體動作，對機器反倒最難。10 月 31 日，初創公司 Physical Intelligence 釋出了他們研發 8 個月的機器人通用基礎模型 π0，試圖用類似大語言模型的方式，給機器人裝上一個能應對各種物理世界操作的通用大腦。

把視覺語言模型接上每秒 50 次的電機指令

傳統的工業機器人其實是個死腦筋，工程師寫好一條軌跡，它就在流水線上重複焊同一個點，換個零件就得重新調教，到了亂七八糟的家庭環境更是直接罷工。

π0 的思路是做一個通用的機器人策略。團隊用一個 30 億引數的視覺語言模型打底，讓它先從網際網路圖文裡學會人類世界的常識和空間關係。

但機器人在現實裡做事不能光靠嘴說，它需要極其細膩的連續肢體控制。團隊用了一種叫流匹配的架構，這是擴散模型的一種變體，讓大模型能以每秒 50 次的頻率，直接輸出底層的電機控制指令。

為了餵飽這個大腦，他們用了開源機器人資料集，還從 8 種完全不同的機器人身上採集了大量靈巧運算元據，從插拔插頭、走線，一直到裝外賣盒、摺紙箱。

不僅會疊衣服，被人打擾了還能接上繼續幹

經過針對性微調後，搭載 π0 的機器人幹出了幾件之前機器人很難搞定的事。

比如疊衣服。在未剪輯的完整實操裡，機器人完全自主地從烘乾機裡掏出一堆揉皺的衣服，拿到桌上，一件件摺疊整齊碼成一摞。測試人員中途故意伸手打亂衣服，機器人也能自己調整並恢復操作。

又比如收拾餐桌，它需要把碗筷杯子放進回收箱，把垃圾扔進垃圾桶。機器人在操作時甚至出現了一些自發的策略，比如先把盤子上的殘渣抖進垃圾桶，或者把幾個盤子疊在一起端走，而不是傻傻地一次拿一個。

在組裝扁平紙箱的任務裡，它還學會了雙手配合，甚至利用桌面邊緣當支撐點來完成卡槽摺疊。在包含複雜多步驟任務的評測中，π0 的表現明顯壓過了學術界現有的 OpenVLA 和 Octo 等開源模型。

為什麼重要

機器人領域過去幾十年一直在為每個特定場景定製演算法，這導致硬體造出來了，但每進一個新工廠或新家庭，軟體開發成本都高得嚇人。

我們認為，π0 最聰明的地方，在於它驗證了語言模型走通的那套「大規模預訓練加少量微調」的泛化路徑，在物理世界同樣管用。以前換一臺機器人或者換個任務，資料就要從零採起；現在只要底層通用模型理解了物理接觸的規律，新任務只需要極少量資料就能微調出來。

對機器人研發者來說，這相當於看到了機器人領域的 GPT-3 時刻雛形。但普通人現在還不必指望明天就能買個機器人回家疊衣服，因為這些驚豔動作依然依賴極高成本的雙臂硬體平臺，而且 50 赫茲的高頻控制對端側算力和延遲要求極高。

不過，它徹底改變了行業對具身智慧的預期。看起來，未來的機器人競爭不再是比誰的機械臂調教得更精準，而是看誰能先給機械軀殼灌注進一個真正聽得懂人話、看得懂環境的通用物理大腦。