从RDT-1B到Liber-0：具身智能大模型两年的跨越与AI新闻解析

type

status

date

slug

summary

从双臂夹爪到灵巧手：Zero-shot跨越长程复杂任务边界

评价机器人基础模型的通用泛化能力，最硬核的标准莫过于面对从未专门训练过的陌生任务时的自主执行水平。以往研究多局限于单步、短周期的简单抓取（Pick-and-Place, PnP），而物理现实中的真实操作往往是非结构化且充满动态变化的。

在最新的基准测试中，业界前沿开始引入大模型随机生成任务库，将操作划分为基础抓取、复杂接触交互（如按压、折叠、开合等Non-PnP），以及最具挑战性的多步骤长程交互任务。在完全没有目标任务真机示范的前提下，机器人开始依赖基础动作模型实现长程任务的连贯执行。

以食品打包为例，机器人必须在没有预设硬编码轨迹的情况下，先双手配合撑开极易变形的纸袋，在保持开口状态的同时分拣不同几何外形的物体，最终规整并折叠袋口。这种长程操作中，前一个动作会不可逆地改变物理状态，任何微小的力控与姿态误差都会迅速累积放大。基础模型能够依靠高自由度灵巧手在零样本条件下完成此类多步骤操作，证明了世界动作模型正在突破从离散动作到连续动态物理推演的瓶颈。

与此同时，研究表明纯逻辑推理的语言模型或通用大模型，直接用于微观物理执行时依然存在姿态精度不足与接触反馈延迟的问题。当下更可行的技术路线是分层协同：由上层Agent承担任务规划、状态跟踪与Prompt拆解，底层动作模型则专注高频精细控制，软硬协同构成了通向物理世界自主智能的关键闭环。更多关于智能体协同与模型架构的深度解读，可在权威的AI门户获取最新动态。

动作接地革命：为何1万小时手套数据超越200万小时互联网视频？

具身智能领域的另一大核心争议在于“能力的源头来自哪里”。近年来，借鉴多模态LLM的预训练经验，大量团队尝试通过数百万小时的互联网人类第一视角视频来训练机器人。这类数据蕴含着海量的场景、物体语义与操作常识，极具规模化潜力。

然而，最新的数据Scaling对比实验揭示了一个惊人的现象：仅仅1万小时配备精准姿态捕捉的柔性手套数据，在操作基准测试中的提升表现，大幅超越了200万小时无标注的互联网通用视频。

这一差异的核心在于“动作接地（Action Grounding）”。 * 互联网视频能够让模型理解人类与环境交互的高级概念，但由于遮挡、单目深度缺失和视角局限，模型极难还原微观层面上每一根手指的力矩、运动轨迹与细微接触点。 * 配备多传感器的人类手套则在采集端补足了这层高精度的动作监督信号。穿戴轻量化手套的人类在真实场景中完成日常动作，无需复杂且昂贵的真机现场部署，就能同步捕获第一视角视频与精准的双手姿态轨迹。

这并不意味着视频预训练无用，而是在于明确了不同层级数据的分工：海量互联网视频负责奠定广泛的物理先验常识，而具备精准动作监督的高质量数据则充当锚点，将视觉先验高效映射为真实的机械执行指令。这种数据效率的飞跃，对于正在布局AI变现与机器人落地应用的团队而言，具有极其重要的工程参考价值。

跨越数据鸿沟：直接从人类动作中迁移新技能

传统机器人学习高度依赖操作员通过遥操作设备采集真机数据，这种方式成本极其高昂、扩展速度极慢，且受制于具体硬件平台的运动学限制。如果基础模型必须通过昂贵的真机示范才能掌握特定技能，那么通往通用机器人的Scaling逻辑将难以维系。

最新的实验给出了振奋人心的解答：当大幅削减真机示范，转而引入高质量的人类动作数据时，混合训练后的模型综合表现不仅没有下降，反而超越了100%纯真机示范的基线基准。

更为关键的突破在于“无目标真机数据的跨模态技能迁移”。在测试中，即便完全剥离某一类精细操作技能（如非抓取类的折叠与旋转接触）的机器人真机示范，仅向模型投喂人类采集的动作数据，机器人依然能够通过人类经验自主学会该类技能，并在真机上实现高成功率的执行。

这一发现意味着，人类经验能够直接转化为机器人的可泛化动作库。未来，不再需要让每台机器人都重新“经历”每一个物理任务，人类数十万年来积累的操作智慧，正借助轻量化感知设备源源不断地注入大模型底座之中。

统一物理表征与Morphology Scaling：全栈扩展引擎的建立

让人类动作无缝迁移到机器人端，还必须克服一个物理本体的客观鸿沟——人和机器人的身体结构完全不同。不同个体的人手尺寸、关节灵活度存在天然差异，而机器人的机械手臂、自由度配置更是形态各异。

传统的硬性重定向映射（Retargeting）容易丢失动态交互细节，而新一代世界动作模型（World Action Model）引入了统一本体（Unified Embodiment）表征技术。 1. 多模态物理上下文输入：模型将人体的几何尺寸、手部运动学以及机械本体结构一并作为上下文信息读入。模型学习的不只是某个绝对轨迹，而是“不同形态的物理躯体应当如何协调完成同一目标”。 2. 形态扩展定律（Morphology Scaling）：实验证明，在数据采集时长保持恒定的情况下，仅将示范者的数量从1人扩大到100人，机器人的泛化执行评分便会迎来成倍增长。这意味着“身体形态的多样性”本身已经成为基础模型继参数量、数据量之后的第三个全新Scaling维度。

在整体架构上，结合视觉、语言与动作专家流的Mixture-of-Transformers正逐渐取代单纯的扩散模型，让模型在预训练阶段就联合预测未来视觉演变与连续物理动作，显著降低了后续微调与后训练的成本。关注每日AI日报的读者会发现，大模型正在从单纯的Next Token Prediction演化为Next State & Action Prediction，物理AI的基础技术栈正在快速趋于成型。

结论：走向物理世界的通用智能（AGI）

从RDT-1B的双臂抓取，到如今Liber-0展现的多步骤长程灵巧操作与跨本体技能迁移，短短两年间，具身智能已经走过了“纯规则逻辑控制”与“单任务模仿学习”的初级阶段，全面迈入以数据驱动、规模法则（Scaling Law）为核心的基础模型新纪元。

但客观而言，我们距离真正随处可见的通用家庭服务机器人仍有显著距离。长程复杂任务中的绝对成功率、柔性物体交互时的触觉力觉精细反馈、极端偶发物理扰动下的鲁棒性，依然是摆在所有研究者面前的难题。正如纯文本大模型通过更优的提示词工程与模型迭代不断演进，物理AI大模型同样需要从算法、数据采集硬件到拟人本体的全栈突破。

那些曾经看似遥不可及的科学直觉，正被一项项严密的数据对照实验转化为可衡量的工程事实。追踪全球AI新闻的前沿突破，我们可以清晰地感知到：在通往AGI的征途上，大模型不仅在重塑数字世界，更在一步一个脚印地赋予机器真正理解并改变物理世界的力量。