機器人 AI 領域或正迎來類似大語言模型的能力躍遷時刻。
總部位於舊金山的機器人初創公司 Physical Intelligence 週四發佈最新研究，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，這標誌着機器人 AI 正在從&#34;死記硬背&#34;走向&#34;舉一反三&#34;，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採集或模型重訓練的前提下，被部署至全新環境並實時優化。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。
<h2>核心突破：從&#34;專項記憶&#34;到&#34;組合泛化&#34;</h2>
Physical Intelligence 成立僅兩年，此次發佈的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範式截然不同。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，再對下一項任務重複這一流程。π0.7 打破了這一模式。
Levine 將這一轉變類比於大語言模型領域曾出現的能力躍遷：&#34;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。&#34;
<h2>關鍵演示：空氣炸鍋實驗揭示&#34;知識湧現&#34;</h2>
此次研究中最具説服力的演示，來自一台模型幾乎從未在訓練中見過的空氣炸鍋。研究團隊事後排查發現，整個訓練數據集中僅有兩條相關記錄：一條是另一台機器人將空氣炸鍋推關，另一條來自開源數據集，記錄了一台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後，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後，成功率躍升至 95%。&#34;有時候失敗不在機器人，也不在模型，而在於我們自己——提示詞工程做得不夠好，&#34;她説。
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，&#34;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。&#34;
<h2>侷限性：研究人員主動劃定邊界</h2>
研究團隊對模型的侷限性保持坦誠。π0.7 目前尚無法從單一高層指令出發，自主完成複雜的多步驟任務。&#34;你不能對它説'去給我做片吐司'，&#34;Levine 説，&#34;但如果你一步步引導它——'對於烤麪包機，打開這個部分，按那個按鈕，做這個'——它通常能做得很好。&#34;
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製作咖啡、摺疊衣物、組裝箱子等複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&#34;早期跡象&#34;和&#34;初步演示&#34;。當被直接追問基於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。”
<h2>資本押注：估值或翻倍至 110 億美元</h2>
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，在相當程度上源於聯合創始人 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，儘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：&#34;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，機器人又沒在做後空翻。&#34;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。

特斯拉

機器人 AI 或迎” ChatGPT 時刻”：舊金山初創公司 Physical Intelligence 發佈新模型π0.7，展現出從未訓練過任務的自主執行能力，令研究人員自身都感到意外。這一” 組合泛化” 突破，有望徹底顛覆機器人商業化路徑，該公司估值也隨之從 56 億美元飆向 110 億美元。

- Physical Intelligence 發佈新模型 π0.7，展示機器人 AI 核心能力的突破。  
- 研究顯示該模型具備組合泛化能力，可執行未訓練任務，影響行業前景。  
- 該公司估值有望從 56 億美元翻倍至 110 億美元，正在進行新一輪融資。

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”