机器人基础模型
在海量多本体机器人数据上预训练、可零样本泛化到新任务/新硬件的通用模型，是具身智能从'专用 demo'走向'通用部署'的关键。
发布 2026-07-23更新 2026-10-07什么是机器人基础模型
机器人基础模型（Robot Foundation Model） 指的是：在跨本体、跨任务、跨场景的海量机器人数据上预训练出来的通用模型。它像 NLP 里的 GPT、视觉里的 ViT——一次训练，处处可用：换一台没见过的机器人、换一个没做过的任务，也能靠"泛化"直接上手，而不是每个场景重新写控制代码。
关键特征是三个"跨"：
- 跨本体（Cross-embodiment）：同一份模型权重，既能驱动双足人形，也能驱动机械臂、轮式底盘；
- 跨任务（Cross-task）：没见过的抓取 / 装配 / 整理，靠语言指令零样本触发；
- 跨模态（Cross-modal）：视觉、语言、动作、甚至力觉统一表示。
为什么需要它：从"专用 demo"到"通用部署"
2024 年之前的机器人，绝大多数是专用设备：焊汽车的只焊汽车，扫地的只扫地。每换一个任务就要重新设计控制逻辑、重新采集数据，根本无法规模化。
机器人基础模型想破的正是这个局：
当"教机器人做一件新事"的成本，从"养一个工程师团队半年"降到"说一句话"，机器人产业才真正具备消费电子级的扩张速度。
这也是为什么 2026 上半年会出现"万台下线""73 天 IPO 过会"这种以往不敢想的节奏——背后是量产数据反哺模型、模型提升本体智能的飞轮开始转起来。
机器人 Scaling Law：灵巧度也能"大力出奇迹"
2026 上半年最值得记的一笔，是 NVIDIA 在 GR00T N1.7/N2 中首次提出"机器人灵巧度 Scaling Law"——即机器人的操作成功率，会随训练数据量 / 算力规模呈现可预测的爬升，和语言模型的 Scaling Law 同源。
这意味着机器人能力不再靠"调参玄学"，而可以像训练 LLM 一样靠堆数据和算力系统性提升。叠加 NVIDIA 的 GR00T-Dreams 仿真数据流水线（用仿真补真实数据，任务成功率约 +40%），行业第一次有了"可复制的能力扩张公式"。
世界模型：让机器人"先想后动"
基础模型负责"懂"，但要在物理世界不翻车，还需要世界模型（World Model）——能在脑内模拟"我这么做，下一帧世界会怎样"。
- NVIDIA Cosmos 3：世界基础模型，帮机器人理解现实物理属性与空间关系；
- NVIDIA Newton 1.0：与 DeepMind 合作开发的物理引擎，专攻接触、形变、抓取等刚柔耦合仿真；
- Google Genie / V-JEPA 2（Meta 开源）：自监督预测物理世界的通用世界模型。
世界模型让 agent 在真正执行前先"想象-验证"一遍，显著降低长程任务漂移。
代表模型（2025–2026）
| 模型 | 机构 | 定位 |
|---|---|---|
| Isaac GR00T N1 / N1.5 / N2 | NVIDIA | 开放人形基础模型 + Cosmos + Newton 全栈，Unitree H2 Plus 为参考本体 |
| Gemini Robotics | Google DeepMind | 基于 Gemini 2.0，可现场生成控制代码，支持本机本地推理 |
| RT 系列（RT-1/RT-2） | Google DeepMind | 早期把网络知识迁移到动作的奠基性探索 |
| Helix | Figure AI | 双系统架构，验证未知环境双机协作 |
| WVLA 2.0 | 宇树 | 量产数据反哺的本土具身大模型 |
与 LLM 基础模型的异同
| 维度 | LLM 基础模型 | 机器人基础模型 |
|---|---|---|
| 输入 | 文本 | 图像 / 语言 / 传感器 |
| 输出 | token | 关节动作 / 轨迹 |
| 训练数据 | 互联网文本（海量易得） | 机器人演示（稀缺、贵） |
| Scaling Law | 已验证 | 2026 才被明确提出 |
| 落地风险 | 幻觉 | 物理伤害（更高危） |
正因为训练数据稀缺且危险，机器人基础模型格外依赖仿真 + 真实数据混合和可验证的安全护栏。
评测：为什么机器人模型没有「跑分」可比
LLM 可以靠统一榜单横向比较，机器人基础模型目前做不到，原因是变量太多且互相耦合：
| 变量 | 为什么影响结果 | 榜单为什么难做 |
|---|---|---|
| 本体形态 | 同一条指令，人形手、夹爪、轮式底盘的可行动作完全不同 | 分数只在特定本体上有意义 |
| 传感器配置 | 相机数量、位姿、是否带力控决定输入质量 | 换一套传感器，结论可能反转 |
| 任务定义 | 「把杯子放进水槽」可以拆成 3 步也可以拆成 30 步 | 成功率的定义不统一 |
| 初始条件 | 物体摆放位置、光照、桌面材质的微小差异 | 同模型同任务也可能相差几十个百分点 |
| 是否允许遥操作接管 | 有人兜底的成功率与完全自主不是一回事 | 论文与 demo 常不写明 |
因此看机器人模型的进展，比看分数更可靠的三件事：① 是否公开了同一本体 + 同一任务的对比；② 是否说明了接管规则；③ 是否包含未在训练集中出现过的物体 / 场景（泛化，而不是记忆）。
落地路径：从仿真到真机的四道关
机器人基础模型从「能演示」到「能部署」，通常要连续过四道关，每一道都会淘汰一批方案：
- 仿真验证（Sim） —— 便宜、可并行、可无限重试，但仿真与真机之间存在现实差距（sim-to-real gap）：接触力学、材质摩擦、光照与相机噪声在仿真里很难还原。
- 真机小样本（Real, few-shot） —— 只在真机上跑几十到几百次，验证 sim 里学到的策略是否迁移得过来。这一关最常见的失败是在仿真里 95% 成功，真机上 40%。
- 长程任务稳定性 —— 单次动作成功不等于长任务成功。把 10 个各 90% 成功率的步骤串起来，端到端只剩约 35%；错误恢复能力（失败后能否回到安全状态重试）决定能否上产线。
- 安全与责任边界 —— 与 LLM 最大的不同：输出错误会直接造成物理伤害或设备损坏。部署前必须明确急停机制、人员隔离范围、以及在「模型不确定」时的降级行为。
这四道关也解释了为什么机器人模型的迭代速度天然慢于 LLM：数据稀缺、每次验证都要消耗真实机器时间，且失败代价不可回滚。
常见误区
误区一：把「demo 成功」当成「能力达成」。 公开的演示视频通常经过挑选，且初始条件往往是最优的。判断真实水平要看同一任务在随机初始条件下重复 N 次的成功率分布。
误区二：以为 Scaling Law 会自动生效。 LLM 的 Scaling Law 建立在「互联网文本海量易得」之上；机器人演示数据稀缺且昂贵，数据规模差着几个数量级。仿真数据能补一部分，但补不齐接触力学。
误区三：忽略「世界模型」与「执行」的落差。 在想象中验证通过不代表可执行——规划出的动作可能超出本体运动学或动力学限制。世界模型的价值在于减少无效尝试，不能替代执行层的安全约束。
误区四：把机器人基础模型当通用件采购。 它通常是绑定本体形态与传感器配置的：换一款手爪、换一套相机布局，都可能需要重新微调。选型时应先确定本体，再选模型，而不是反过来。
更新说明
- 2026-10-07：本站新增「评测」「落地路径」「常见误区」三节，目的补齐本文此前的两处结构缺口——此前只讲了「它是什么」与「为什么需要」，没有讲「怎么判断进展」与「为什么落地慢」。原有「代表模型」与「与 LLM 基础模型的异同」两节未作改动。
- 待核实：文中四道关与评测变量为方法性归纳，非厂商公布的官方流程；「代表模型」一节各家定位与型号更新快，请以官方发布为准。
延伸阅读
- 落地形态：VLA 模型（视觉-语言-动作）
- 上位概念：具身智能
- 代表实现：NVIDIA Isaac GR00T / Google Gemini Robotics
- 行业信号：2026 上半年具身智能十大进展