来源：市场资讯

（来源：智东西）

更令人振奋的是，当研究者采用“语言指导”的方式，像向新员工解释事情一样，逐步给出指令：“打开空气炸锅”“拿起红薯”“把红薯放进炸篮”“关闭空气炸锅”……π0.7能够精准地跟随这些实时指令，成功完成整个任务。

Physical Intelligence研究员、斯坦福大学计算机科学博士生Lucy Shi透露，早期的一个空气炸锅实验成功率只有5%，但在花了大约半小时优化提示工程（prompt engineering）后，成功率跃升至95%。“有时失败模式不在机器人或模型上，”她说，“而在于我们不擅长提示工程。”

这一现象让人不禁联想到大语言模型的“涌现”能力：就像GPT-2能写出关于“安第斯山脉独角兽”的奇怪故事一样，π0.7也能将从未一起出现过的技能重新组合。

Physical Intelligence联合创始人、UC Berkeley教授Sergey Levine评价道：“它到底从哪里学会空气炸锅是什么？这很难追溯。但看到机器人领域出现这种情况，真的很特别。”

指令遵循成功率

四、π0.7的技术核心：5B参数、异构数据与跨任务泛化

π0.7模型架构概览：

π0.7是一个参数量约50亿（5B）的视觉-语言-动作模型（VLA），其核心组件包括：

1、视觉-语言骨干网络：基于Gemma3 4B模型（含4亿参数的视觉编码器），负责处理多视角图像、语言指令和机器人本体感知信息。

2、动作专家模块：一个8.6亿参数的Transformer，采用流匹配（Flow Matching）目标生成连续动作，输出长度为50步的动作块（action chunk）。

3、记忆机制：沿用MEM（多尺度具身记忆，Multi-scale Embodied Memory）架构，对历史观测进行时空压缩，使模型能处理变长的历史帧。

4、多模态上下文：训练时模型接受四种额外提示——子任务语言指令、子目标图像（subgoal image）、片段元数据（episode metadata）和控制模式（关节空间或末端执行器控制）。训练时每种提示会随机丢弃一部分，使模型在推理时能灵活组合使用。

开箱即用性能对比: 展示π0.7与π0.6*专家模型在浓缩咖啡、盒子搭建、衣物折叠等任务上的成功率和吞吐量对比

元数据消融实验结果

五、能力突破拐点已至，三大局限仍待突破

尽管π0.7取得了令人瞩目的成果，但研究团队并没有回避其局限性。

首先，π0.7目前还无法仅凭一个高层次的指令自主执行复杂的多步骤任务。

“你不能告诉它，‘嘿，去给我烤些面包片’，”Sergey Levine坦言。“但如果你逐步引导它——‘对于烤面包机，打开这个部分，按下那个按钮，这样做’——那么它实际上往往能做得很好。”也就是说，对于长时程、多阶段的新任务，仍然需要人类通过语言进行“指导”或训练一个高层策略来分解子任务。

其次，机器人领域缺乏标准化的基准测试，这使得外部验证变得困难。

Physical Intelligence主要依靠与自家前代模型的对比，以及内部设计的一系列评分规则（如削蔬菜皮的完成百分比、折叠衣物的质量评分）。不同实验室之间的任务和环境差异很大，难以直接比较。

第三，也是根本性的问题：语言模型有整个互联网可以学习，而机器人没有。

尽管π0.7也使用了网络预训练、人类视频等数据，但物理世界的交互数据仍然稀缺且昂贵。研究者承认，对于某些任务，零样本泛化的成功率（60-80%）仍然低于分布内任务（超过90%）。未来需要更高效的数据利用方法，例如利用π0.7本身的可引导性进行自主强化学习。

此外，由于训练数据集规模巨大且内容庞杂，研究者往往难以确切知道某个能力究竟来自哪个具体片段。例如，空气炸锅的知识可能来自那两个片段，也可能来自网络上无数张厨房图片的预训练。这种“黑箱”特性与大型语言模型如出一辙，但也意味着真正的组合泛化（compositional generalization）正在发生：模型不是在检索记忆，而是在重新混合。

Levine回忆起当年GPT-2生成“安第斯山脉独角兽”故事时的震撼：“它到底从哪里学到秘鲁的独角兽？那是非常奇怪的组合。现在在机器人领域看到这种情况，真的很特别。”

批评者可能会指出，机器人演示的任务看起来不如“后空翻”那样酷炫。但Levine反驳说，泛化本身看起来总是不如精心编排的特技表演那么戏剧化——但它要有用得多。

数据扩展性曲线：左图显示有元数据时，即使在数据质量下降的情况下，π0.7的性能仍能随数据量增加而持续提升；右图显示高任务多样性数据对泛化性能的关键贡献

结语：组合泛化实现突破，通用机器人“大脑”将至

π0.7的发布，标志着机器人基础模型从“死记硬背”走向“组合泛化”的初步突破。它能够在零样本下完成空气炸锅烹饪、跨具身折叠衣物等从未见过的任务，性能媲美人类专家和RL微调专用模型。这背后是多样化上下文提示、元数据条件化（conditioning on metadata）和超大规模异构数据训练的共同作用。

如今，物理智能的“GPT时刻”似乎也在悄然临近。Physical Intelligence已融资超10亿美元，最新估值达56亿美元，并正洽谈新一轮可能将其推至110亿美元的融资。

当然，也有人对此持保留态度，认为π0.7的跨具身能力目前仅限于夹爪操作，尚未涉及更复杂的全身控制，但这类质疑并未掩盖多数人对该方向的乐观预期。

尽管其仍有诸多限制：无法自主完成长链条任务、缺乏标准化评测、数据依赖性依然存在……但他们的研究成果已经向世界证明：一个可引导、可教会、可迁移的通用机器人“大脑”，不再是科幻。