10萬小時數據不搞對齊只靠規模,靈初智能Psi-R2登頂MolmoSpaces！

機器之心發布

具身智能，正在進入一個新的敘事階段。

一個越來越清晰的現實正在浮現：只靠真機遙操作數據，未必能把機器人真正送進大規模場景。

原因不難理解。數據貴，采得慢，節拍還往往不夠真實。實驗室里能跑通的 demo，到了工廠、倉儲和零售現場，常常會被速度、成本和穩定性重新審視。真正決定下一階段競爭的，已經不只是 “誰能做出一個演示”，而是誰能先把真實世界里的人類操作經驗，規?；剞D成機器人可學習、可迭代、可部署的能力。

4 月 10 日晚，靈初智能發布了大模型、數據集與合作計劃：包括策略模型 Psi-R2世界模型 Psi-W0，以及總規模近 10 萬小時的人類操作數據。它想回答的問題也很直接 —— 當真機數據不再是唯一解，機器人還能靠什么繼續 scaling？

表面看，這是一場新品發布；但更深一層看，它更像一次方法論發布：當具身智能沒有互聯網式的數據紅利時，下一步到底該靠什么繼續往前走。

當真機數據不再夠用

具身智能為什么轉向 “人類數據”

先看這次到底發布了什么。

• 技術博客鏈接：https://www.psibot.ai/from-human-skill-to-robotic-mastery/

模型側，是Psi-R2Psi-W0。數據側，是總規模近 10 萬小時的人類操作數據，以及首批開源的 1000 小時數據。這 1000 小時數據，被作為當前行業最大開源的人類手部操作全模態數據集之一來推出。

更具體地看，這套體系中包含5417 小時真機數據，來自靈初自研的 MobiDex 數采平臺；人類數據則達到95472 小時，覆蓋多場景、多任務、多物體。這也是少數明確把近 10 萬小時量級人類數據系統性用于機器人預訓練的模型方案。

為什么是 “人類數據”？

因為具身智能和大語言模型、自動駕駛不一樣。它沒有互聯網式的海量現成數據，也很難在商業運行中自然沉淀出足夠規模的高質量訓練樣本。數據從哪里來，已經成了這個行業最核心的問題之一。

而人類每天都在真實環境里，用雙手完成高頻、連續、精細的操作。這些數據天然貼近機器人未來要面對的工作世界。它們發生在真實任務中，帶著真實節拍，也帶著真實的操作細節。從落地角度看，這類數據的價值遠不只是 “多了一種數據源” 那么簡單。

但 Human Data 并不是采得多就夠了。

它最大的難點，首先是embodiment gap，也就是人手和機械手在運動學、動力學上的天然差異。其次是精度問題。很多人類操作數據來自第一視角視頻，軌跡恢復往往只有厘米級精度；一旦進入手機裝配這類亞毫米級任務，這種誤差就會被迅速放大。

為了解決這個問題，靈初自研了外骨骼觸覺手套和高精度感知硬件，把人手 3D 軌跡采集推到更高精度。另一部分裸手數據，精度沒那么高，但規模更大，主要負責提供泛化能力。

換句話說，靈初并不是簡單把 “人類數據” 當作替代真機數據的便宜選項，而是在試圖建立一套分層的數據結構：高精度數據負責上限，大規模數據負責泛化，兩者一起為機器人訓練提供新的底座。

一套系統

比單個模型更關鍵

更有意思的是，靈初最后并沒有走一條特別 “花哨” 的對齊路線。

他們嘗試過圖像修補、關鍵點輔助 loss、特征空間對齊等做法，想把人類數據盡可能修成更像機器人數據的樣子。但最后發現，數據量小的時候這些方法有幫助；數據量一旦上來，它們反而會變成瓶頸。

原因并不復雜。那些方法本質上都在努力模糊人和機器人的差異，但在長程、精細、接觸密集的任務里，這種差異恰恰不能被輕易抹平。越是復雜和精細的任務，越需要承認兩種 embodiment 的真實不同。強行 “抹平” 之后，模型反而更容易在關鍵動作上犯錯。

所以，靈初最后選了一條更樸素的路：只做必要的輸入輸出維度對齊，把人類關節通過運動學映射到機器人關節，圖像盡量不做處理，直接把原始數據喂給模型。它給這條路線的總結也很直白：raw data in, raw data out

在這套方法里，Psi-R2負責 “先學會怎么做”。

它的輸入是圖像和語言，輸出同時包括未來視頻和機器人動作。也就是說，它不是只學下一步動作，而是在同時學習 “接下來世界會怎樣變化”。這套設計建立在預訓練視頻生成模型之上，目標是把大規模人類數據里的任務知識，盡可能裝進策略模型。

在大規模預訓練之后，Psi-R2 僅需少于 100 條真機軌跡微調，就能完成手機裝配、工業包裝、疊紙盒等長程、精細任務。

但只學成功動作，還不夠。

因為成功示范只能告訴模型 “應該怎么做”，卻不能告訴它 “換一種做法，會在哪一步失敗”。而這恰恰是強化學習最需要的信息。

這也是Psi-W0的位置。

它接收圖像、語言和機器人動作軌跡，去預測未來視頻。相比 Psi-R2，Psi-W0 多了一項關鍵職責：建模失敗、建模反事實、建模試錯空間。為此，Psi-W0 的訓練中額外加入了約 30% 的失敗數據。

換句話說，Psi-W0 不只是一個 “會預測” 的模型，它更像一個可以用來評估和打磨策略的訓練場。Psi-R2 先從人類數據里學到任務知識，再把軌跡送進 Psi-W0 做 rollout；隨后在機器人動力學約束下，通過強化學習做小步修正，把 “人類會做” 的軌跡改造成 “機器人也能做” 的軌跡。好的軌跡回流訓練集，壞的軌跡幫助世界模型繼續變準，飛輪就這樣轉起來。

這也是這次發布最值得注意的地方：真正起作用的，不是某一個單點模型，而是Psi-R2、Psi-W0 與強化學習的系統協同。

圍繞 Human Data，靈初也給出了一組很值得行業參考的判斷：對數據分布來說，任務多樣性 > 物體多樣性 >> 場景多樣性；對模態價值來說，精準 3D 位姿 > 觸覺 > 2D 圖像特征

翻譯成更直白的話就是：背景是不是足夠復雜，未必最重要；真正決定模型上限的，是它見過多少任務、碰過多少物體，以及它是否真正理解了接觸和操作細節。

也因此，靈初把觸覺看成一種跨具身的 “通用語言”。人手和機械手的結構可以不同，但 “碰到了沒有”“接觸是怎樣發生的” 這類物理信號，本質上是相通的。

從論文到現場

落地還要跨過部署關

如果說前面解決的是 “技術上行不行”，那商業化真正關心的，始終是 “這條路值不值得走”。

答案很明確：值得，而且必須走。

原因很簡單。實驗室里，動作慢一點、路徑繞一點，很多 demo 依然可以做出來；但到了工廠、倉儲和零售現場，節拍、成本和穩定性會重新定義一切。真實作業里，一個動作多一步、一拍慢一點，最后都會落到良率和成本上。

從這個角度看，最有價值的數據，往往不是實驗室里的遙操作演示，而是一線工人的真實作業數據。

一方面，人類數據采集可以更便宜，其成本被壓到了傳統真機遙操作方案的十分之一以下。另一方面，它的節拍更真實，更貼近業務現場的 SOP 和速度要求。

工程側的進展，則讓這件事離落地又近了一步。

通過 DiT Caching、Torch Compile、量化等優化，單次推理時間已從 2.2 秒壓到 100 毫秒以內。對于連續、靈巧、順滑的操作來說，這已經不是 “優化得不錯”，而是能不能真正進場部署的一道門檻。

外部基準，也給了這套方法一個注腳。

截至發稿，公開榜單頁面顯示，在 MolmoSpaces Combined 榜單、且不使用 MolmoBot Data 的分組中，Psi-R2 以 46.4 的 Oracle Success Rate 排名第一，并覆蓋 4 個任務。

MolmoSpace 由美國艾倫人工智能研究所（AllenAI）發起，是全球具身智能領域權威基準評測平臺，NVIDIA、PI 等全球頂尖團隊均參與本次評測。靈初 Psi-R2 在評測中超越 PI、DreamZero 等國際知名模型，表現顯著優于其他基線模型，成功率大幅領先同類 VLA 產品，充分體現出企業自主研發路線的先進性與競爭力

這個細節的價值，不只是 “上榜”。更重要的是，它說明這套方法，正在進入一個公開、可比較的評價環境里接受檢驗。

把這些信息放在一起看，這次發布的重點并不只是 “又發了一個模型”，也不只是 “又開源了一批數據”。

它更像是在對外釋放一個判斷：

第一，具身智能的瓶頸是數據，而人類數據不是旁路，而是主線。

第二，真正能把人類經驗轉成機器人能力的，不是單個模型，而是Psi-R2、Psi-W0 和強化學習共同構成的系統

第三，所有技術問題的終點都不是論文，而是落地：節拍、成本、推理速度、數據飛輪能不能真正轉起來，才是最后的檢驗標準。

如果這套路線最終走通，這次開源的意義，就不只是 “放出一個模型，開放一批數據”。

它更像是在告訴行業：具身智能真正的分水嶺，也許已經不再是誰先做出更驚艷的 demo，而是誰能先把Human Data、世界模型和強化學習連成一條持續運轉的增長曲線。

從這個意義上說，這次想發布的，也許不只是一個新產品。

而是一個新階段。

文中視頻鏈接：https://mp.weixin.qq.com/s/8qnnf6J9sgh9thTbfg1ndg