总部位于旧金山、成立仅两年的机器人初创公司Physical Intelligence，已成为湾区最受关注的AI企业之一。周四，该公司发布新研究，显示其最新模型π0.7能够指挥机器人执行从未明确训练过的任务——这一能力令研究人员感到意外。
π0.7代表了迈向“通用机器人大脑”目标的早期但关键一步：通过自然语言指导，使机器人理解并完成陌生任务。若该发现经得起检验，表明机器人AI正接近类似大语言模型的拐点，即能力开始以超出底层数据预测的方式累积增长。
组合泛化：打破死记硬背的训练模式
论文核心主张为“组合泛化能力”，即结合不同情境下学到的技能解决新问题。传统机器人训练多为针对特定任务的死记硬背，而π0.7打破了这一模式。
Physical Intelligence联合创始人、加州大学伯克利分校教授谢尔盖·列维诺夫（Sergey Levine）表示：“一旦跨越阈值，从单纯执行指定内容转变为重新组合事物，其能力将随数据量增加呈超线性增长。这种有利的缩放特性曾在语言和视觉领域出现过。”
空气炸锅测试：知识来源与指导的重要性
最令人惊讶的演示涉及一台训练中几乎未见的空气炸锅。整个训练集中仅有两个相关片段：一是另一台机器人推合炸锅，二是开源数据中机器人按指令放入塑料瓶。模型综合这些片段及网络预训练数据，形成了对该电器的功能性理解。
Physical Intelligence研究员、斯坦福大学博士生露西·施（Lucy Shi）坦言：“很难追踪知识来源或预测成败。”在无指导情况下，模型尝试烤红薯表现尚可；在逐步口头指令引导下，则成功完成任务。
这种指导能力至关重要，意味着机器人可在新环境中部署并实时改进，无需额外收集数据或重训模型。
局限性与提示工程的关键作用
研究人员对模型局限性保持谨慎。施指出，有时故障源于团队不擅长提示工程。在一次早期实验中，成功率仅5%；经半小时优化任务解释方式后，成功率跃升至95%。
目前，模型无法仅凭高层级指令自主执行复杂多步骤任务。莱文举例：“不能说‘去烤吐司’，但若一步步引导‘打开部分、按下按钮、做动作’，它通常表现不错。”
此外，行业缺乏标准化基准测试，外部验证困难。公司将π0.7与自身专用模型对比，发现在制作咖啡、折叠衣物和组装盒子等复杂工作中，通用模型性能相当。
超越预期的泛化能力
研究最引人注目的并非单一演示，而是结果令熟悉数据的专家感到惊讶的程度。研究科学家阿什温·巴拉克里希纳表示：“过去几个月是我第一次真正感到惊讶。随机购买齿轮组让机器人旋转，它竟真的做到了。”
莱文将其比作GPT-2生成安第斯山脉独角兽故事的时刻：“这种组合很奇怪，但在机器人领域看到这一点非常特别。”
针对“机器人缺乏互联网级学习资源”的质疑，莱文反驳称，真正的泛化能力虽不如精心编排的特技引人注目，但实际上更有用。
商业化前景与资本热度
论文措辞谨慎，将π0.7描述为泛化的“早期迹象”及新能力的“初步演示”，属于研究成果而非已部署产品。对于现实世界部署时间，莱文拒绝猜测，但表示进展速度远超预期。
Physical Intelligence迄今融资超10亿美元，最近估值56亿美元。投资者热情很大程度上源于联合创始人拉奇·格罗姆（Lachy Groom），他曾是Figma、Notion等公司的天使投资人。据悉，公司正洽谈新一轮融资，估值或翻倍至110亿美元，团队对此拒绝置评。