# 13小时咖啡、2倍吞吐量：Physical Intelligence 把机器人推过了部署门槛 > Training Data No. 76 中文精读 - 原标题：Training General Robots for Any Task: Physical Intelligence’s Karol Hausman and Tobi Springenberg - 发布日期：2026-01-06 - 主持：Sonya Huang · Pat Grady · Konstantine Buhler 等 - 网页版：https://trainingdata.qiaomu.ai/ep/076-training-general-robots-for-any-task-physical-intelligences-OJCT-H.html - 精读字数：约 5080 字（阅读约 11 分钟） > 本文为 trainingdata.qiaomu.ai 基于原始访谈的 AI 改写中文精读，非官方翻译；引用请注明出处并链接网页版。 一台机器人在办公室里连续做了13个小时咖啡。中途粉压得太实、角度歪了、杯子没放正，各种小事故它都自己扛过去，没停机。同一批模型，还连折了4个小时的衣服，给一家真实发货的巧克力公司折纸盒，速度比之前翻了一倍还多。 这是 Physical Intelligence（业内简称 PI）最新模型 π*0.6 的实测记录，视频就挂在官网。红杉资本的播客 Training Data 把这家公司的两位核心人物请到了节目里：CEO Karol Hausman 和 Tobi Springenberg，两人都出自谷歌当年的机器人学习团队。 Karol 给了一个时间线上的判断：他们原本估计，机器人要能在商业场景里干有价值的活，还需要五年。结果两个月前就做到了。他的原话是：**「我认为我们刚刚跨过了那条门槛。」** PI 成立一年半，做的事一句话能说清：造机器人的基础模型，目标是任何机器人、任何任务，一个模型通吃。公司不造机器人本体，只造那个「大脑」。为什么这么选？答案藏在 Karol 对整个行业历史的判断里。 ## 卡脖子的从来是智能，硬件早就跑在前面 主持人 Sonya Huang 问了个很多人都会问的问题：市面上有做家庭助手机器人的，有做炒菜机器人的，还有一堆人形机器人公司，为什么你们偏要造模型，不去造机器人？ Karol 的回答很干脆：翻遍机器人历史，这个行业一直卡在智能上。十多年前就有机器人，遥操作状态下能把整个房子打扫干净。注意前提，遥操作，背后得站着个真人。**硬件早就够用了，缺的从来是那颗能自己拿主意的脑子。** Sonya 拿特斯拉 Optimus 的新款机械手举例，说那工艺已经像件艺术品。Karol 承认灵巧手比几年前强太多，但他认为这没有解决根本问题。硬件提高的是能力上限，行业现在连能力下限都还没摸到。用简单的夹爪其实也能切菜做饭，问题一直是没人写得出那套智能。而且硬件越复杂，对智能的要求反而越高，等于把瓶颈抬得更高。Sonya 替他总结了一句：硬件抬高了天花板，可地板还没铺上。所以 PI 选择直接冲着瓶颈去，把智能这一层做出来，下游自然会长出各种垂直产品。 ## 三道坎：能力、泛化、性能 Alfred Lin 往下钻了一层：智能的瓶颈又是什么？Karol 把 PI 的工作拆成三道坎。 - **能力。**只要能采集到某个任务的数据，模型就该能学会它。这一步大约一年前靠 π0 验证通了，同一个模型能控制多种形态的机器人。 - **泛化。**把机器人放进一个从没去过的家，它得知道东西在哪、台面长什么样、光线怎么变。这道坎还没完全迈过去，但 2025 年 4 月的 π0.5 已经能让机器人零样本进新家干活，收拾厨房这类任务有了基本常识。机器学习里对付泛化，目前唯一的答案就是数据的多样性。 - **性能。**模型得快、得稳、连续跑足够久不出错，才谈得上部署。这是 π*0.6 主攻的方向，也是这期节目的重头戏。 部署对 PI 有双重意义。一头是产品价值，另一头是数据。互联网上有免费的文本和图片，机器人领域没有现成的动作数据集，只能自己造。**Karol 认为部署会是成本最低的采集方式：机器人在外面干着有经济价值的活，数据顺便就回来了，采集成本等于负数。长远看，这条数据管道的规模会超过整个互联网数据。** 有个细节很妙。Sonya 问现在可部署的范围有多大，Karol 说他们自己也说不准。这跟大模型一个脾气，模型炼出来之前没人知道它到底多强，只能拿去测。所以 PI 干脆开源，让别人帮忙一起测，结果社区把它用到了驾驶、手术机器人、农业这些他们自己没想过的场景。范围比 Karol 预期的宽，而且还在扩大。 Tobi 补了句泼冷水的话：起点比想象中宽，但每个场景要做到让人愿意天天靠它开公司，性能上还有大量爬坡要爬，长尾故障远远没被驯服。 ## π*0.6：机器人第一次大规模从自己的错误里学 先解释名字。那个星号在致敬 Q-star，Tobi 说他们真正想去的地方是 policy star，最优策略。 π*0.6 之前的机器人基础模型训练，本质都是模仿学习：人类遥操作，模型看人做，学着复刻。π*0.6 加进来一个新东西，**机器人从自己部署后的真实经验里做强化学习**。流程是这样：先部署一个模仿训练出来的初始策略，让它真去干活，人类给它打成功失败的标签，还可以随时出手纠正，这些数据回流，模型据此判断哪些行为该加强、哪些该抑制，然后自己变强。 一个关键选择：这套强化学习全在真实世界里做，没用仿真。Tobi 举了个例子。有个任务是折巧克力包装盒，一开始很顺，后来新到的一批纸板打孔不干净，两张粘在一起，机器人一拿，桌上凭空出现两个连着的盒子。仿真器里不会有这种事，仿真器给的都是干净的单张纸板。真实部署里的长尾故障，仿真根本覆盖不全。 Karol 给了个更结构性的解释：**运动控制适合仿真到真实的迁移，因为要建模的只有机器人自己的身体，建模一次就完事。操作类任务不一样，难点在于世界如何回应你的动作，你得给整个物理世界建模，每个物体、每种任务都要。这就是仿真路线在操作上一直没打出来的原因。** 结果层面，π*0.6 在三个任务上把吞吐量提高了一倍以上：折纸盒、用工业级意式咖啡机做咖啡、叠衣服。官网视频里，机器人连做13小时咖啡、连折4小时衣服，中途自己从各种失败里恢复过来。Tobi 说，坐在现场看这个画面，会直接改变你对「能不能部署」的判断，这回是真的在干活，跟那种拍一百条选一条的演示视频完全两码事。 Karol 顺带戳破一个行业现象：机器人酷炫视频从来不缺，想要什么动作基本都能找到现成视频，但视频可以反复拍，可靠性才是真瓶颈。**隔三差五就失败的机器人，谈不上部署。** 两个细节值得单独记下来。一个是压粉。做意式咖啡要把粉压实，机器一开始压得太狠，差点把自己从桌上顶起来，因为人类示范里只求把粉压平。人类只纠正了30到50次，模型就学会了温柔。Tobi 说他被这个惊到了，一个预训练吃了几百万条数据的模型，几十条纠正数据居然就能掰动它的行为。 另一个是价值函数。PI 用同一个骨干网络训练了一个预测器，判断当前这步干下去大概率会成还是会砸。这个预测器吃的任务数据越多，预测越准，能在人眼都看出要失败之前的30到40步就预感到这把要砸，比如把粉碗手柄装进咖啡机时角度不对，它提前很久就知道了。Sonya 说这是对 Karpathy 那个「用吸管嘬信号」比喻的反驳，机器人这边沿途全是信号，不用等到最后才结算。Karol 的回应是，强化学习本质是个问题定义，策略梯度只是众多解法之一，价值函数和时序差分学习都在解决稀疏奖励问题。机器人没有完美的语言模拟器可用，反而逼出了更高效的方法，这些方法以后到处都用得上。 Sonya 追问了一个关键问题：学会温柔压粉，能让叠衣服也跟着变好吗？Tobi 的回答是，就这两个任务而言，不会。但机制是通用的，压粉攒30条纠正，拆纸盒攒30条，纸板没折齐再攒30条，纠正数据加在一起，堆出整体能力的提升。**现阶段它是一个可复用的配方，还谈不上技能之间的举一反三。**真正的泛化还是来自预训练：任务和数据越多，新任务上手越容易，有些能力甚至零样本冒出来。Karol 说他们每隔一阵启动一轮预训练，每一轮都比上一轮强，等部署数据大规模回流，这个飞轮会转得更快。 ## 四代方法的教训，和推理的反向流动 Karol 在节目里梳理了机器人学习的四代方法，像一部浓缩的行业史。 第一代，手写规则。工程师以为堆人堆时间总能把世界写全，结果发现世界太复杂，写不完。第二代，模块化流水线，把问题拆成感知、规划、控制三段，拆到后来长出三个独立学术社区，各有各的会议。每段单独学，比之前强，但**真正坏掉的是那些预设接口**：感知输出物体位置，规划输出轨迹，控制去执行，信息在接口处一路失真。Karol 打了个比方： > 「我伸手去拿杯子的时候，脑子里根本没有先感知、再规划、再控制这三步。我就是伸手去拿。」 第三代，端到端，像素进、动作出，让网络自己决定内部怎么分工。方向对了，但这条路极度吃数据，一碰到常识就断，第一视角动作数据不可能覆盖世间万物。第四代就是现在的 VLA，视觉语言动作模型：先在互联网数据上预训练出一个懂世界常识的底座，再接一个动作专家模块负责驱动机器人。Tobi 介绍，目前这是一个整体模型，最大70亿参数，输入图像和文字，输出文字和动作，训练数据大头已经是他们自己采的机器人数据，互联网数据只占一小部分。他预计五六年后回头看，骨干网络可能已经换血，但数据和训练这套打法会留下来。 推理这块有个反直觉的判断。Sonya 问，大模型领域的推理进展，机器人能沾光吗？Tobi 说现在的模型已经在做两件事：往前规划50步左右，大约一两秒的动作序列；同时在语言空间里把「收拾厨房」拆成子任务，先走到台面，再拿杯子，再放进水槽。他拿自己学网球举例，人练挥拍时，脑子里过的东西跟文字没关系，过的是动作本身和物体轨迹，物理世界的推理会长得跟数学推理很不一样。 Karol 往前多走了一步：**现在是机器人从大模型那里受益，他判断这个方向会反过来。今天 LLM 的很多短板是文本任务烙进去的，机器人会逼着大家重新思考推理这件事，在文本、图像、轨迹混合的抽象空间里做推理，而机器人恰好是扎根物理世界的试验场，这里逼出来的新方法会流回大模型世界。** 聊到持续学习，Sonya 提了 Sutton 和 Silver 那篇《The Era of Experience》。Karol 的态度是，现在的模型比以前「活」了，部署之后还在继续学，会试新东西，会从自己的经验里总结，但离经典意义上的持续学习还有距离。Tobi 补充说，模型吸收小纠正的能力超出他预期，方向对了，路还长。 这段里还有个精彩的类比。有人主张把牛顿力学这些已知规则直接塞进模型权重，Karol 反对，理由是试过的效果都不行，硬塞已知规则会限制模型学新东西。**他拿动物打比方：鹿出生时就是它这辈子最聪明的样子，之后几乎不再学习；人类和乌鸦这类聪明的物种都有漫长的幼年期，笨拙，但靠亲身体验攒本事。智能从来都是挣来的，没有预装版。**机器学习这一路，交的是同一笔学费。 ## 商业化的诚实回答，与自动驾驶的阴影 Sonya 问商业模式，卖整机还是卖模型？Karol 的回答是全场最诚实的三个字：不知道。他说现在回答这个问题为时过早，技术还没到容易部署的程度。他更想讲的是机器人创业史上的一个死循环：一开始胸怀通用智能的宏大愿景，一旦选定某个应用，就开始偷工减料做专用方案，很快变成一家仓库抓取机器人公司，愿景作废。**PI 想躲开这个循环，办法只有一个，把技术做得尽可能通用，把可部署的范围撑得尽可能宽，商业化晚点再想。** Alfred 扔了个尖锐的问题。2007 年斯坦福赢了 DARPA 无人车挑战赛，2009 年 Sebastian Thrun 站上 TED 讲台，到 2025 年 Waymo 才算真正能跑。通用机器人凭什么不用再等十五年？ Karol 拆成了两半。比自动驾驶容易的地方：**很多任务 95% 的可靠度就够用，家里机器人叠衣服，一百件里叠坏一件，无所谓；自动驾驶一百次里灾难性失败一次，就没人敢上车。**而且今天有带常识的基础模型，这代技术跟十五年前完全两码事。更难的地方：这不是单一应用，要同时覆盖驾驶、操作、飞行。但让 Karol 抱有希望的是，同一个模型居然能在驾驶、做咖啡、飞无人机、操作手术机器人之间互相受益，这些场景看起来八竿子打不着，模型却能消化所有数据。他说这背后有某种大家还没完全理解的物理智能，可能让这个问题比想象中容易。 节目最后聊到各自印象最深的东西。Karol 选了视频生成模型，进步陡到真假难分。Tobi 选了更根本的事：仅仅是下一个词预测，居然长出了能赢数学奥赛、能做科学发现的通用智能，年初大家还担心预训练要熄火，年底发现是换了口新气。Karol 收尾又绕回开场那段话：这个照着大脑大致捏出来的东西，喂进数据，它就学会了，而且学得比以往任何方法都好，用在机器人、视觉、语言、声音上全都成立。停下来想想它居然真的能用，这件事本身就够震撼。 ## 明天就能用上的三件事 第一，去看开源。PI 把模型开源了，GitHub 上叫 openpi，官网挂着13小时咖啡的长镜头实录。做机器人相关工作的人，可以直接拿开源权重试自己的任务，这可能是目前离实用最近的机器人基础模型。 第二，拿「能力、泛化、性能」当评估框架。看任何一家具身智能公司，问三个问题：有数据的任务能不能学会？换个环境还灵不灵？连续跑多久不出错？第三问最能挤水分，因为演示视频可以拍一百条选一条，可靠性骗不了人。 第三，做 AI 产品的人记住 π*0.6 真正补上的那一环：**部署本身就是最好的数据引擎，边干活边回流数据，成本是负的。**想清楚自己的产品怎么让每一次使用都变成训练数据，这个飞轮一旦转起来，后来者拿钱都追不上。