7.8
深览指数
科技Bestblogs·张小珺··AI 生成
146. 对 Physical Intelligence 柯丽一鸣 4 小时访谈：Pi 的开源模型研究，机器人的江湖、族谱与主角
Physical Intelligence 研究员柯丽一鸣将机器人学术圈划分为「传统派」与「机器学习派」，并详述了其所在团队 Pi 的开源模型迭代路线：从追求多任务能力的 π0，到强调泛化的 π0.5，再到打磨极致表现的 π*0.6。访谈还独家披露了仍在保密阶段的 π0.7，并延伸至中美硬件与软件实力的对比、人形机器人的争议，以及作者对机器人自我繁殖可能性的哲思。适合对具身智能、机器人技术前沿和产业生态有深度兴趣的读者。原文 ↗
核心观点
- ▍机器人学术和产业江湖可划分为两大派系：以 CMU 为代表的「传统派」（强调全栈与控制）和以伯克利为代表的「机器学习派」（主张端到端数据驱动），当前最前沿的创业公司多由这两派融合而生。
- ▍Pi 的开源模型系列（π）正沿着「能力、泛化、表现」的清晰路径迭代：π0 追求多任务能力，π0.5 强调泛化性，π*0.6 则通过强化学习打磨具体任务上的极致表现。
- 01传统派以 CMU 为首，强调路径规划、控制理论，注重全栈能力；机器学习派以伯克利为代表，主张端到端学习，但初期在泛化性上存在短板。
- 02Pi 的早期模型 π0 是一个通用模型，能执行多种任务，但在新环境或新物体上的泛化能力不足。
- 03π0.5 的改进重点在于提升泛化性，使模型能适应更多未曾见过的场景和物体，这通常需要更庞大的数据集和更先进的数据混合策略。
- 04π*0.6 是经过强化学习优化的版本，专注于在特定任务（如叠衣服、整理桌面）上达到接近人类的表现水平，但代价是牺牲了一定的泛化能力。
- 05一鸣认为「灵巧的关键不在于这个手本身，而在于大脑」，即通用智能是解决精细操作问题的核心，而非硬件形态。
- 06中美在机器人领域呈现「软硬互补」格局：中国在制造业和硬件成本上优势明显，而美国在算法框架和通用大脑研发上仍具先发优势。
反方 / 局限
- — 一鸣本人对「人形机器人」方向持保留态度，认为其形态可能不是最优解，但并未深度展开其反对的具体行业案例或论证。
- — 强化学习在机器人领域的应用面临奖励函数设计的巨大挑战，如何将人类意图准确编码为数学奖励信号，在叠衣服等复杂任务中极为困难，这构成了当前技术路径的显著局限。
- — 文章主要介绍了 Pi 的路径，但未深入讨论其他主流机器人公司（如波士顿动力、特斯拉 Optimus）的技术路线选择及其与 Pi 的竞争优劣。
3 分钟 · 5 卡片 · 9 资料
读原文 →