作为人工智能与机器人交叉领域的核心方向，具身智能正引领全球科技变革。其中，机器人大模型作为“智能中枢”，正在推动机器人突破单一任务限制，向复杂环境下的自主学习与进化迈进。近期，中美两国具身智能企业几乎同步开源模型，标志着这一领域的技术生态进入爆发期。
9月8日，中国自变量机器人公司开源了具身模型WALL-OSS；次日，美国Physical Intelligence（PI）公司也发布了π₀.₅模型。这一“巧合”引发行业热议，被视为具身智能迈向成熟的关键信号。回顾语言大模型发展路径，从2018年开源社区初步探索，到2020年ChatGPT-3引发全球关注，技术迭代用了三年。如今，机器人大模型是否也站在了“GPT-3时刻”的门槛上？
在近期的一场技术对话中，自变量机器人CTO王昊与PI研究员柯丽一鸣（π₀、π₀.₅论文作者）深入探讨了这一话题。他们认为，2025年机器人模型领域最显著的突破是“泛化能力”与“长程任务”的突破。柯丽一鸣以叠衣服任务为例：“过去二十年，机器人叠衣服始终面临挑战，因为衣物褶皱、折叠顺序的多样性远超想象。但到2025年，模型已能将π₀.₅部署到陌生家庭环境中，完成抓取、移动等基础操作，尽管表现不完美，却展现出类似人类的适应性。”
王昊进一步指出，通用机器人基础模型的发展，使机器人从“单任务专家”转向“多任务学习者”。例如，2023年前，机器人需针对每个任务单独优化；如今，统一模型可同时学习数百种任务，优化目标从“单一任务极致”转向“全局任务平均成功率”。这种指数效应让机器人能处理包含连续步骤、需多步推理的复杂任务（如整理餐桌、布置餐具），成为行业最令人兴奋的现象。
然而，泛化能力的提升仍面临三大挑战。首先是物理世界的“长尾效应”：光照变化、桌布褶皱、透明物体反光等微小扰动，可能导致任务失败。人类能凭直觉适应，但依赖数据驱动的AI模型仍需突破。其次是长程任务中的误差累积：微小扰动可能像滚雪球一样放大，最终导致任务失败。王昊强调，需构建理解物理常识的模型基础，让机器人具备空间推理与因果推理能力。最后是数据质量与数量的平衡：高质量数据需精心设计，但追求数量时难以兼顾细节；低质量数据则可能影响模型性能。
数据采集的“真机维护”问题也被频繁提及。柯丽一鸣笑称：“做机器人研究，每天都在拧螺丝。”她回忆，早期研究时，硬件故障频发，新人常因维修压力而放弃。如今，尽管硬件稳定性提升，但真机维护仍是门槛。王昊补充道，机器人数据采集受限于硬件场地、操作员效率，成本高昂。为此，行业探索了多种解决方案：低成本本体、穿戴式传感器、人类视频数据等。其中，人类视频数据规模大、成本低，但仅能提供高级语义理解与任务规划，难以直接生成动作级数据。
在模型架构上，中美企业呈现出不同路径。自变量机器人主张“端到端”训练，将语言、视觉、动作模态统一表征，避免分层导致的信息损失。王昊解释：“训练时，模型可同时学习理解推理与动作生成；部署时，将动作部分压缩蒸馏，语言推理部分放在云端，通过梯度回传更新参数。”而PI则保持开放态度，柯丽一鸣认为：“当前机器人大模型尚未达到GPT-2水平，数据驱动是核心，但具体架构（如双系统分离或端到端）并非首要问题。”
商业化方面，中美企业展现出差异化策略。美国企业倾向于“自上而下”，优先构建超大规模通用模型，再探索应用场景。这得益于其算力优势——顶级芯片与大规模算力集群集中在美国。而中国企业则采取“上下结合”的双轨路径：一方面迭代通用基础模型，另一方面在养老、公共服务等泛化场景中落地，形成数据飞轮。王昊强调：“必须先有大而通用的基础，才能实现小而精的垂直部署。”柯丽一鸣则观察到，中国制造业的硬件需求与场景优势，为机器人商业化提供了独特土壤。
对于家用机器人的落地时间，两位专家给出不同预测。王昊认为，5年内机器人可进入家庭，完成厨房简单任务（如洗碗、切菜），但需人类协作；柯丽一鸣则保守估计5-10年，她以扫地机器人为例：“早期产品不完美，但用户明确其能力边界，这种模式值得借鉴。”他们一致认为，机器人需跨越数据、算法、供应链、商业模式等多重门槛，才能真正实现规模化应用。
