小米10萬小時(shí)喂出來的機(jī)器人大腦，我來驗(yàn)收一把

今天小米悄悄發(fā)了新個(gè)東西。

名字叫Xiaomi-Robotics-1，在我翻完它的技術(shù)文檔和演示視頻之后隱約覺得，

機(jī)器人這條賽道，可能真的要變天了。

我先交代一下，為什么會(huì)關(guān)注這件事。過去一年多，我零零散散地在看機(jī)器人賽道，萬元級(jí)的人形機(jī)器人整了兩，機(jī)器狗也買了一只，還有一個(gè)勉強(qiáng)算有AI功能的掃地機(jī)器人，我就是想知道一件事。

年輕人的第一臺(tái)家用機(jī)器人，什么時(shí)候能到。

真能收拾屋子，整理桌面，打包行李箱那種。就是下班回家往沙發(fā)上一癱，跟它說一句把桌上那堆東西收了，它就去了。

所以當(dāng)我看到小米這次的發(fā)布，我是有點(diǎn)興奮的。

因?yàn)樾∶卓赡苁悄壳吧贁?shù)幾個(gè)，從硬件到模型到數(shù)據(jù)引擎，整條技術(shù)棧都在自己手里的玩家。

身體那邊，從2021年的鐵蛋到2022年的鐵大，再到新一代人形機(jī)器人。硬件一直在迭代，從來沒停過。

腦子這邊，今年2月發(fā)了首代VLA模型Robotics-0，4.7B參數(shù)，在LIBERO上刷到98.7%，CALVIN ABCD→D跑了4.75的平均鏈長，三個(gè)仿真基準(zhǔn)全部SOTA。

Robotics-0的架構(gòu)本身就挺有意思的。

它沒有拿一個(gè)模型把所有事全包了，拆成了兩塊，VLM負(fù)責(zé)看畫面聽指令，相當(dāng)于機(jī)器人的眼和腦，DiT（擴(kuò)散 Transformer）負(fù)責(zé)把意圖變成一連串關(guān)節(jié)動(dòng)作，相當(dāng)于運(yùn)動(dòng)神經(jīng)。

在模型的后訓(xùn)練階段還加了一個(gè)Λ型注意力掩碼，解決的問題也很直覺。機(jī)器人是邊算邊動(dòng)的，新動(dòng)作特別容易偷懶直接抄前面算好的。掩碼就是故意擋住一部分已有動(dòng)作，逼模型根據(jù)當(dāng)前狀態(tài)重新規(guī)劃。

橙色格子是模型能看到的，灰色是被遮住的。

這模型部署在一張消費(fèi)級(jí)4090上，推理延遲只有80ms。

這些細(xì)節(jié)都在說明小米從第一代模型開始，就不是在做大玩具。它的工程化程度已經(jīng)考慮到了真實(shí)機(jī)器人上的實(shí)時(shí)執(zhí)行問題。

今天發(fā)的Xiaomi-Robotics-1，是第二代大腦。

這次升級(jí)背后藏著的一個(gè)信號(hào)，一個(gè)對(duì)整個(gè)機(jī)器人行業(yè)都很重要的信號(hào)。

機(jī)器人的Scaling Law，被驗(yàn)證了。

這句話可能有點(diǎn)抽象。我用大白話講一下。

大家都知道ChatGPT為什么這兩年進(jìn)步這么快。

核心邏輯其實(shí)很樸素，數(shù)據(jù)越多，模型越大，算力越猛，能力就越強(qiáng)。

這個(gè)規(guī)律叫Scaling Law，在大語言模型領(lǐng)域已經(jīng)被反復(fù)驗(yàn)證了。

OpenAI靠它從GPT2堆到GPT5，能力每一代都在可預(yù)測(cè)地增長。

但在機(jī)器人領(lǐng)域，這條路沒太走通。因?yàn)闄C(jī)器人需要的數(shù)據(jù)太貴了。訓(xùn)ChatGPT可以從互聯(lián)網(wǎng)上爬幾萬億token的文字，成本相對(duì)可控。但訓(xùn)一個(gè)機(jī)器人去操作物體需要的是真實(shí)世界的操作數(shù)據(jù)。

一臺(tái)機(jī)器人，一個(gè)操作員，一天能采集的數(shù)據(jù)就那么多。更麻煩的是，傳統(tǒng)采集方式是綁在特定硬件上的。

你用A機(jī)器人采的數(shù)據(jù)，換到B機(jī)器人上就用不了。每換一個(gè)平臺(tái)就得重新來。規(guī)模化更是想都別想。數(shù)據(jù)都湊不夠，驗(yàn)證個(gè)啥。

小米這次把這個(gè)死結(jié)給解開了。它用了一個(gè)叫UMI的便攜采集設(shè)備，全名Universal Manipulation Interface。

這玩意妙的點(diǎn)就在它不綁定任何特定機(jī)器人。人拿著它就能在各種真實(shí)環(huán)境里采集操作數(shù)據(jù)。家里，辦公室，商場(chǎng)，戶外，什么場(chǎng)景都行。然后配合視覺語言模型做自動(dòng)標(biāo)注。

傳統(tǒng)做法是人工一幀一幀地標(biāo)，慢得讓人絕望。小米搞了一套自動(dòng)化流水線，把長軌跡切成固定片段，讓VLM自動(dòng)識(shí)別每個(gè)片段里夾爪狀態(tài)和物體狀態(tài)的變化。

靠這兩招，小米把預(yù)訓(xùn)練數(shù)據(jù)從1萬小時(shí)級(jí)，推到了10萬小時(shí)級(jí)。

對(duì)，10萬小時(shí)，真實(shí)世界操作數(shù)據(jù)。

然后他們拿這些數(shù)據(jù)去訓(xùn)模型，發(fā)現(xiàn)了一件很興奮的事。他們分別用2.5K，5K，10K，20K小時(shí)的UMI數(shù)據(jù)訓(xùn)練，結(jié)果顯示數(shù)據(jù)越多，動(dòng)作預(yù)測(cè)損失越低，而且較小數(shù)據(jù)規(guī)模下容易過擬合，大數(shù)據(jù)下訓(xùn)練更穩(wěn)定。

模型規(guī)模實(shí)驗(yàn)也是，2B，5B，10B三個(gè)版本對(duì)比，越大越好。

這個(gè)增長是線性的，可預(yù)測(cè)的，沒有出現(xiàn)明顯的性能天花板。

這應(yīng)該是國內(nèi)第一次在機(jī)器人策略模型領(lǐng)域系統(tǒng)性驗(yàn)證了Scaling Law成立。

以前機(jī)器人有點(diǎn)像作坊模式。

每個(gè)任務(wù)單獨(dú)訓(xùn)，每個(gè)場(chǎng)景單獨(dú)調(diào)，換個(gè)環(huán)境就得重來。

現(xiàn)在有了一條可規(guī)模化的路徑，先訓(xùn)一個(gè)通用基座，然后往上堆數(shù)據(jù)堆參數(shù)，能力就會(huì)可預(yù)測(cè)地漲上去。

那這模型到底能給機(jī)器人帶來什么？

小米給這個(gè)模型打了一個(gè)標(biāo)簽，叫開箱即用。

對(duì)于一個(gè)等著買機(jī)器人的消費(fèi)者來說，這恰好也是我們?cè)诤醯氖隆?/p>

買一臺(tái)機(jī)器人回家，總不能還得先喂它幾千小時(shí)數(shù)據(jù)、針對(duì)你家戶型專門訓(xùn)練一輪才能用吧。

正常應(yīng)該只需要把機(jī)器人搬到一個(gè)它從沒見過的房間里，語音告訴它把鞋子收到鞋柜里，它就能上手干。

小米這次的測(cè)試就是在模型從未見過的環(huán)境里做的，做鞋柜收納，書包打包，桌面整理等等等等。

機(jī)器人要識(shí)別不同的物品，判斷大小和軟硬，決定放置順序，控制力度避免壓壞東西。

這是一連串需要推理，規(guī)劃和力度控制的操作。

重要的是，預(yù)訓(xùn)練階段表現(xiàn)更好的模型，在后訓(xùn)練后的真實(shí)機(jī)器人評(píng)測(cè)中也取得更好的任務(wù)成功率。這說明Scaling Law沒有停留在指標(biāo)上，是真的轉(zhuǎn)化成了機(jī)器人在你家客廳干活的能力。

回到模型能力這塊，另一個(gè)讓我覺得有意思的能力叫少樣本適配。

簡(jiǎn)單說就是，碰到模型從來沒見過的全新任務(wù)，不需要從零開始訓(xùn)。只要喂少量真機(jī)數(shù)據(jù)做微調(diào)，就能達(dá)到很高的成功率。

文檔里給了一組數(shù)據(jù)。在每個(gè)任務(wù)平均不到10小時(shí)數(shù)據(jù)的條件下，Xiaomi-Robotics-1在四個(gè)新任務(wù)上全部超過了 Physical Intelligence的Pi-0.5。

Physical Intelligence可能很多朋友沒聽過，但它在機(jī)器人圈子里是真正的明星公司。

創(chuàng)始團(tuán)隊(duì)從Google DeepMind出來的，融資超過10億美金。小米能在新任務(wù)適配效率上超過他們。

再看看榜單成績，四個(gè)主流基準(zhǔn)，全部第一。

RoboDojo，平均20.07分，之前的行業(yè)紀(jì)錄是13.07分，直接拉了超過50%的差距。

RoboCasa365，57.4%的平均成功率，之前最好的是46.6%。其中最難的那個(gè)子項(xiàng)，長程復(fù)合未見任務(wù)，成功率達(dá)到32.1%，是第二名的4倍。

RoboCasa，76.1%，也是第一。

VLABench，59.1%，還是第一。

單榜單第一，還有可能是針對(duì)性刷出來的。

但四個(gè)榜單全部第一，多維度領(lǐng)先，這說明模型的通用能力確實(shí)強(qiáng)，不是偏科生。

然后啊然后，小米這次不只有了Robotics-1。它還同時(shí)發(fā)了另一個(gè)模型，叫Xiaomi-Robotics-U0。

這個(gè)模型做的事情，比Robotics-1還讓我覺得興奮。

Robotics-1是大腦，負(fù)責(zé)讓機(jī)器人在真實(shí)世界里干活。Robotics-U0負(fù)責(zé)的是想象力。。。

它是一個(gè)38B參數(shù)的統(tǒng)一具身合成模型，基于世界基礎(chǔ)模型（World Foundation Model），能做一件事。

給它一段文字描述場(chǎng)景，它能生成多視角，幾何一致的機(jī)器人操作場(chǎng)景圖像。

給它一組真實(shí)軌跡數(shù)據(jù)，它能把場(chǎng)景遷移到完全不同的環(huán)境里去。

好家伙，把英偉達(dá)的活都搶了。

訓(xùn)練機(jī)器人最貴的就是數(shù)據(jù)。一臺(tái)機(jī)器人在一個(gè)廚房里采了40小時(shí)的操作數(shù)據(jù)，換到另一個(gè)廚房就不好使了。

但如果你有一個(gè)模型，能把這40小時(shí)的軌跡想象成1000種不同的廚房，不同的燈光，不同的物體材質(zhì)呢？

小米就是這么干的。

他們用Robotics-U0生成增強(qiáng)數(shù)據(jù)，然后把這些數(shù)據(jù)拿去訓(xùn)VLA策略模型。結(jié)果，Pi-0.5在真實(shí)機(jī)器人任務(wù)上的out-of-distribution成功率，從36.9%直接拉到了63.2%，幾乎翻倍。。。這個(gè)模型在Embodied Scene Generation和Embodied Transfer兩個(gè)任務(wù)上的人類評(píng)估中，勝率還超過了GPT Image2。

我直接好家伙，

一個(gè)專門做機(jī)器人場(chǎng)景的模型，在圖像生成質(zhì)量上打贏了Image 2。

當(dāng)然，這是在機(jī)器人場(chǎng)景這個(gè)垂直領(lǐng)域里的比較。Image 2的通用能力肯定更強(qiáng)，但U0的多視角一致性，對(duì)深度信息的遵從，對(duì)機(jī)器人幾何約束的理解明顯有自己的理解。

所以你現(xiàn)在可以看到小米的完整技術(shù)棧了。

這三個(gè)東西組在一起，構(gòu)成的是一個(gè)完整的飛輪。U0造數(shù)據(jù)，之后Robotics-1用數(shù)據(jù)變強(qiáng)，變強(qiáng)之后又可以在更多場(chǎng)景里采集更好的數(shù)據(jù)給U0繼續(xù)訓(xùn)。

目前整個(gè)項(xiàng)目是開源的，代碼和模型權(quán)重都會(huì)陸續(xù)放出來。

這意味著不只是小米一家在做這件事，整個(gè)社區(qū)都可以在這個(gè)基座上面繼續(xù)往前推。

我反復(fù)想了想，覺得小米這次的發(fā)布，有點(diǎn)像2020年GPT3剛出來的時(shí)候。

那時(shí)候也沒有人拿GPT3當(dāng)日常工具用。

寫的東西邏輯不通，數(shù)學(xué)一塌糊涂，幻覺滿天飛，屬于是看完直搖頭的級(jí)別。

但它證明了一件關(guān)鍵的事，這條路是通的。堆數(shù)據(jù)堆參數(shù)，能力就會(huì)漲。

然后不到三年，從GPT3到ChatGPT再到GPT 5.6，從學(xué)術(shù)論文到現(xiàn)在活躍用戶都快到900萬了，我天天額度用不完。

小米今天做的事，跟當(dāng)年OpenAI做的事，是同樣性質(zhì)的。

而且小米做了一件OpenAI當(dāng)年沒做的事。

不只證明了Scaling Law能跑通，還同時(shí)造了一臺(tái)數(shù)據(jù)永動(dòng)機(jī)，讓這條路跑得更快。

至于什么時(shí)候能變成你家里的機(jī)器人管家。。。

我也不確定，但我覺得可能比很多人想的要快。

不過現(xiàn)在還不是最終驗(yàn)收的時(shí)候。

今天算是提前拿到了工程樣品的說明書，從頭到尾翻了一遍。

但這份說明書，讓我對(duì)那一天的到來比以前有信心多了。

畢竟開箱即用這四個(gè)字，

用在模型能力上是技術(shù)術(shù)語，

用在消費(fèi)者上就是一個(gè)交付承諾。

小米已經(jīng)邁出了第一步，把前者做到了。

剩下的，就是什么時(shí)候兌現(xiàn)后者。

我的錢包都等著大出血了。

@ 作者 / 卡爾

最后，感謝你看到這里如果喜歡這篇文章，不妨順手給我們點(diǎn)贊｜在看｜轉(zhuǎn)發(fā)｜評(píng)論

如果想要第一時(shí)間收到推送，不妨給我個(gè)星標(biāo)

如果你有更有趣的玩法，歡迎在評(píng)論區(qū)聊聊

更多的內(nèi)容正在不斷填坑中……