小米10万小时喂出来的机器人大脑，我来验收一把

脑子这边，今年2月发了首代VLA模型Robotics-0，4.7B参数，在LIBERO上刷到98.7%，CALVIN ABCD→D跑了4.75的平均链长，三个仿真基准全部SOTA。

Robotics-0的架构本身就挺有意思的。它没有拿一个模型把所有事全包了，拆成了两块，VLM负责看画面听指令，相当于机器人的眼和脑，DiT（扩散 Transformer）负责把意图变成一连串关节动作，相当于运动神经。在模型的后训练阶段还加了一个Λ型注意力掩码，解决的问题也很直觉。机器人是边算边动的，新动作特别容易偷懒直接抄前面算好的。掩码就是故意挡住一部分已有动作，逼模型根据当前状态重新规划。橙色格子是模型能看到的，灰色是被遮住的。

这模型部署在一张消费级4090上，推理延迟只有80ms。这些细节都在说明小米从第一代模型开始，就不是在做大玩具。它的工程化程度已经考虑到了真实机器人上的实时执行问题。今天发的Xiaomi-Robotics-1，是第二代大脑。这次升级背后藏着的一个信号，一个对整个机器人行业都很重要的信号。机器人的Scaling Law，被验证了。这句话可能有点抽象。我用大白话讲一下。大家都知道ChatGPT为什么这两年进步这么快。核心逻辑其实很朴素，数据越多，模型越大，算力越猛，能力就越强。这个规律叫Scaling Law，在大语言模型领域已经被反复验证了。OpenAI靠它从GPT2堆到GPT5，能力每一代都在可预测地增长。但在机器人领域，这条路没太走通。因为机器人需要的数据太贵了。训ChatGPT可以从互联网上爬几万亿token的文字，成本相对可控。但训一个机器人去操作物体需要的是真实世界的操作数据。一台机器人，一个操作员，一天能采集的数据就那么多。更麻烦的是，传统采集方式是绑在特定硬件上的。你用A机器人采的数据，换到B机器人上就用不了。每换一个平台就得重新来。规模化更是想都别想。数据都凑不够，验证个啥。小米这次把这个死结给解开了。它用了一个叫UMI的便携采集设备，全名Universal Manipulation Interface。这玩意妙的点就在它不绑定任何特定机器人。人拿着它就能在各种真实环境里采集操作数据。家里，办公室，商场，户外，什么场景都行。然后配合视觉语言模型做自动标注。传统做法是人工一帧一帧地标，慢得让人绝望。小米搞了一套自动化流水线，把长轨迹切成固定片段，让VLM自动识别每个片段里夹爪状态和物体状态的变化。靠这两招，小米把预训练数据从1万小时级，推到了10万小时级。对，10万小时，真实世界操作数据。

然后他们拿这些数据去训模型，发现了一件很兴奋的事。他们分别用2.5K，5K，10K，20K小时的UMI数据训练，结果显示数据越多，动作预测损失越低，而且较小数据规模下容易过拟合，大数据下训练更稳定。模型规模实验也是，2B，5B，10B三个版本对比，越大越好。这个增长是线性的，可预测的，没有出现明显的性能天花板。

这应该是国内第一次在机器人策略模型领域系统性验证了Scaling Law成立。以前机器人有点像作坊模式。每个任务单独训，每个场景单独调，换个环境就得重来。现在有了一条可规模化的路径，先训一个通用基座，然后往上堆数据堆参数，能力就会可预测地涨上去。那这模型到底能给机器人带来什么？小米给这个模型打了一个标签，叫开箱即用。

对于一个等着买机器人的消费者来说，这恰好也是我们在乎的事。买一台机器人回家，总不能还得先喂它几千小时数据、针对你家户型专门训练一轮才能用吧。正常应该只需要把机器人搬到一个它从没见过的房间里，语音告诉它把鞋子收到鞋柜里，它就能上手干。小米这次的测试就是在模型从未见过的环境里做的，做鞋柜收纳，书包打包，桌面整理等等等等。

机器人要识别不同的物品，判断大小和软硬，决定放置顺序，控制力度避免压坏东西。这是一连串需要推理，规划和力度控制的操作。重要的是，预训练阶段表现更好的模型，在后训练后的真实机器人评测中也取得更好的任务成功率。这说明Scaling Law没有停留在指标上，是真的转化成了机器人在你家客厅干活的能力。

回到模型能力这块，另一个让我觉得有意思的能力叫少样本适配。简单说就是，碰到模型从来没见过的全新任务，不需要从零开始训。只要喂少量真机数据做微调，就能达到很高的成功率。文档里给了一组数据。在每个任务平均不到10小时数据的条件下，Xiaomi-Robotics-1在四个新任务上全部超过了 Physical Intelligence的Pi-0.5。

Physical Intelligence可能很多朋友没听过，但它在机器人圈子里是真正的明星公司。创始团队从Google DeepMind出来的，融资超过10亿美金。小米能在新任务适配效率上超过他们。再看看榜单成绩，四个主流基准，全部第一。RoboDojo，平均20.07分，之前的行业纪录是13.07分，直接拉了超过50%的差距。RoboCasa365，57.4%的平均成功率，之前最好的是46.6%。其中最难的那个子项，长程复合未见任务，成功率达到32.1%，是第二名的4倍。RoboCasa，76.1%，也是第一。VLABench，59.1%，还是第一。

单榜单第一，还有可能是针对性刷出来的。但四个榜单全部第一，多维度领先，这说明模型的通用能力确实强，不是偏科生。然后啊然后，小米这次不只有了Robotics-1。它还同时发了另一个模型，叫Xiaomi-Robotics-U0。这个模型做的事情，比Robotics-1还让我觉得兴奋。Robotics-1是大脑，负责让机器人在真实世界里干活。Robotics-U0负责的是想象力。。。它是一个38B参数的统一具身合成模型，基于世界基础模型（World Foundation Model），能做一件事。给它一段文字描述场景，它能生成多视角，几何一致的机器人操作场景图像。给它一组真实轨迹数据，它能把场景迁移到完全不同的环境里去。好家伙，把英伟达的活都抢了。

训练机器人最贵的就是数据。一台机器人在一个厨房里采了40小时的操作数据，换到另一个厨房就不好使了。但如果你有一个模型，能把这40小时的轨迹想象成1000种不同的厨房，不同的灯光，不同的物体材质呢？小米就是这么干的。他们用Robotics-U0生成增强数据，然后把这些数据拿去训VLA策略模型。结果，Pi-0.5在真实机器人任务上的out-of-distribution成功率，从36.9%直接拉到了63.2%，几乎翻倍。。。这个模型在Embodied Scene Generation和Embodied Transfer两个任务上的人类评估中，胜率还超过了GPT Image2。

我直接好家伙，一个专门做机器人场景的模型，在图像生成质量上打赢了Image 2。当然，这是在机器人场景这个垂直领域里的比较。Image 2的通用能力肯定更强，但U0的多视角一致性，对深度信息的遵从，对机器人几何约束的理解明显有自己的理解。

所以你现在可以看到小米的完整技术栈了。这三个东西组在一起，构成的是一个完整的飞轮。U0造数据，之后Robotics-1用数据变强，变强之后又可以在更多场景里采集更好的数据给U0继续训。目前整个项目是开源的，代码和模型权重都会陆续放出来。这意味着不只是小米一家在做这件事，整个社区都可以在这个基座上面继续往前推。我反复想了想，觉得小米这次的发布，有点像2020年GPT3刚出来的时候。那时候也没有人拿GPT3当日常工具用。写的东西逻辑不通，数学一塌糊涂，幻觉满天飞，属于是看完直摇头的级别。但它证明了一件关键的事，这条路是通的。堆数据堆参数，能力就会涨。然后不到三年，从GPT3到ChatGPT再到GPT 5.6，从学术论文到现在活跃用户都快到900万了，我天天额度用不完。小米今天做的事，跟当年OpenAI做的事，是同样性质的。而且小米做了一件OpenAI当年没做的事。不只证明了Scaling Law能跑通，还同时造了一台数据永动机，让这条路跑得更快。至于什么时候能变成你家里的机器人管家。。。我也不确定，但我觉得可能比很多人想的要快。不过现在还不是最终验收的时候。今天算是提前拿到了工程样品的说明书，从头到尾翻了一遍。但这份说明书，让我对那一天的到来比以前有信心多了。毕竟开箱即用这四个字，用在模型能力上是技术术语，用在消费者上就是一个交付承诺。小米已经迈出了第一步，把前者做到了。剩下的，就是什么时候兑现后者。我的钱包都等着大出血了。