機器人轉折點來了？這家美國公司稱其新模型能“讓機器人執行從未訓練過的任務”

機器人AI領域或正迎來類似大語言模型的能力躍遷時刻。

總部位于舊金山的機器人初創公司Physical Intelligence周四發布最新研究，稱其新模型π0.7能夠指揮機器人完成從未經過專項訓練的任務——這一能力甚至令公司自身研究人員感到意外。

該公司聯合創始人、加州大學伯克利分校教授Sergey Levine表示，這標志著機器人AI正在從"死記硬背"走向"舉一反三"，其能力提升速度將超越訓練數據規模的線性增長。

這一突破若得到外部驗證，將對機器人行業的商業化路徑產生深遠影響——機器人有望在無需額外數據采集或模型重訓練的前提下，被部署至全新環境并實時優化。與此同時，據報道Physical Intelligence正就新一輪融資進行洽談，估值或從56億美元接近翻倍至110億美元。

核心突破：從"專項記憶"到"組合泛化"

Physical Intelligence成立僅兩年，此次發布的π0.7模型所展示的核心能力被研究人員稱為“組合泛化”（compositional generalization）——即將在不同場景下習得的技能加以組合，從而解決模型從未遇到過的新問題。

這與此前機器人訓練的主流范式截然不同。過去的標準做法本質上是“死記硬背”：針對每一項具體任務收集數據、訓練專項模型，再對下一項任務重復這一流程。π0.7打破了這一模式。

Levine將這一轉變類比于大語言模型領域曾出現的能力躍遷："一旦跨越那個臨界點，從只能完成有數據支撐的任務，轉變為能夠以新方式重新組合技能，能力提升的速度就會超過數據量增長的線性比例。這種更有利的擴展特性，我們此前已在語言和視覺領域觀察到過。"

關鍵演示：空氣炸鍋實驗揭示"知識涌現"

此次研究中最具說服力的演示，來自一臺模型幾乎從未在訓練中見過的空氣炸鍋。研究團隊事后排查發現，整個訓練數據集中僅有兩條相關記錄：一條是另一臺機器人將空氣炸鍋推關，另一條來自開源數據集，記錄了一臺機器人按指令將塑料瓶放入其中。

然而，π0.7將這兩段碎片化信息與更廣泛的網絡預訓練數據加以整合，形成了對該設備運作方式的功能性理解。在零提示的情況下，模型嘗試用空氣炸鍋烹飪紅薯，取得了基本可接受的結果；在獲得逐步語言指引后，任務執行成功。

Physical Intelligence研究員、斯坦福大學計算機科學博士生Lucy Shi描述了一個早期實驗的戲劇性轉變：初始成功率僅為5%，但在花費約半小時優化對任務的描述方式后，成功率躍升至95%。"有時候失敗不在機器人，也不在模型，而在于我們自己——提示詞工程做得不夠好，"她說。

研究科學家Ashwin Balakrishna則表示，過去他總能根據訓練數據預判模型的能力邊界，"但過去幾個月是我第一次真正感到驚訝。我隨手買了一套齒輪，問機器人能不能轉動它，它就直接做到了。"

局限性：研究人員主動劃定邊界

研究團隊對模型的局限性保持坦誠。π0.7目前尚無法從單一高層指令出發，自主完成復雜的多步驟任務。"你不能對它說'去給我做片吐司'，"Levine說，"但如果你一步步引導它——'對于烤面包機，打開這個部分，按那個按鈕，做這個'——它通常能做得很好。"

此外，機器人領域目前缺乏標準化基準測試，使得外部驗證存在相當難度。Physical Intelligence選擇將π0.7與自家此前的專項模型進行對比，結果顯示這一通用模型在制作咖啡、折疊衣物、組裝箱子等復雜任務上達到了專項模型的水準。

論文本身在措辭上也保持審慎，將π0.7描述為展現出泛化能力的"早期跡象"和"初步演示"。當被直接追問基于上述研究的系統何時能夠實際部署時，Levine拒絕給出預測：“我認為有充分理由保持樂觀，進展速度也比我兩年前預期的要快。但這個問題我很難回答。”

資本押注：估值或翻倍至110億美元

Physical Intelligence迄今已累計融資逾10億美元，最新估值為56億美元。據報道，該公司目前正就新一輪融資進行洽談，估值或接近翻倍至110億美元。

投資者對這家公司的熱情，在相當程度上源于聯合創始人Lachy Groom的背書。Groom此前是硅谷最受認可的天使投資人之一，曾投資Figma、Notion和Ramp等知名公司，在決定聯合創立Physical Intelligence之前，他將其視為自己一直在尋找的那家公司。這一背景幫助這家初創公司吸引到了機構資金，盡管公司始終拒絕向投資者提供商業化時間表。

Levine在談及外界可能的質疑時，主動預判了批評方向："針對任何機器人泛化演示，永遠可以提出的批評是——任務太無聊了，機器人又沒在做后空翻。"他對此提出反駁：真正能夠泛化的機器人系統，看起來永遠不如精心編排的特技演示那般震撼，但其實用價值要高得多。