6.8
深览指数
科技智东西··AI 生成
小米扔深水炸弹：100000h真实数据，首次系统验证机器人Scaling Law
小米发布具身基座模型 Xiaomi-Robotics-1，基于10万小时人类真实操作轨迹预训练，首次在国内系统验证了机器人领域的 Scaling Law。实验表明，数据规模和模型参数增加能稳定提升机器人在未知环境中的任务成功率，并支持跨本体迁移和低样本适应。这标志着具身智能从手工作坊式调参进入由数据和模型规模驱动的工业化2.0时代。适合关注具身智能、机器人产业和AI规模化落地的从业者与研究者阅读。原文 ↗
核心观点
- ▍小米 Xaomi-Robotics-1 是国内首次在机器人策略模型中对 Scaling Law 进行系统的完整验证，证明数据规模和模型参数增长能稳定提升机器人能力，使行业从依赖单任务调参走向规模驱动的工业化模式。
- 01模型基于10万小时人类真实世界操作轨迹进行预训练（通过自研UMI便携式采集设备获取），再用约1.1万小时跨本体数据完成后训练。
- 02预训练数据从2500小时扩大至2万小时时，模型验证集动作预测损失持续下降，小规模数据易过拟合，大规模数据更稳定。
- 03模型参数从20亿提升至50亿、100亿时，动作预测能力稳步改善，真实机器人任务成功率随之提高。
- 04在RoboDojo仿真基准中，模型以20.07分和13.93%的成功率排名第一，大幅领先此前最优的13.07分和8.80%。
- 05在RoboCasa365基准中，模型以57.4%的平均成功率刷新了由谷歌等团队保持的46.6%的最佳成绩。
- 06模型采用“预训练+后训练”双阶段范式：预训练阶段从人类轨迹学习通用动作表征，后训练阶段完成本体对齐和指令对齐，使模型具备在未见家庭环境中“开箱即用”的能力。
- 07在复杂操作任务中，模型仅需平均不足10小时数据微调，性能就大幅超过从零训练的模型。
反方 / 局限
- — 文章虽列举了多个权威基准的成绩，但未提及这些基准与真实环境任务之间的差异可能导致评估偏差，例如仿真环境与真实家庭场景的物理保真度差异。
- — 模型依赖的UMI设备虽可低成本采集人类数据，但人类与机器人在操作能力（如力控、关节极限）上存在根本差异，从人类轨迹到机器人控制的迁移可能存在效率瓶颈。
- — 文章未详细比较该模型与当前前沿方法（如谷歌的RT-2或斯坦福的ALOHA）在相同任务上的直接性能开销，例如训练成本、推理速度和硬件要求。
10 分钟 · 5 卡片 · 15 资料
读原文 →