机器人基础模型（Robot Foundation Model）

机器人基础模型把语言与视觉领域「先大规模预训练、再适配下游」的路线搬到机器人上：用来自多种机器人、多种任务的轨迹数据训练一个通用策略，再迁移到具体本体与场景。目标是缓解每换一台机器、每换一个任务就要重新采数据、重新训练的重复劳动。

与专用策略的区别

• 数据跨本体：训练数据来自不同自由度、不同传感器配置的平台，模型需要学会忽略本体差异、保留可迁移的操作常识。
• 任务接口统一：用自然语言指令或目标图像表达任务，而不是为每个任务单独设计奖励函数与动作头。
• 泛化优先：评价重点是没见过的物体、场景与指令上的成功率，而不是单一基准上的最优成绩。
• 多模态输入：视觉、语言与本体状态（关节角、末端位姿）在同一个模型里融合，输出通常是动作序列或动作块。
• 以微调为主：下游一般用少量示教数据做适配，而不是从零训练一个新策略。

现实约束与路线之争

最现实的瓶颈是数据：真机轨迹采集慢、成本高、失败样本多，不同团队的数据格式与标注口径又不统一，跨本体的动作空间对齐本身就是研究问题。此外动作频率与安全约束要求模型在端侧低延迟运行，参数量与实时性之间存在取舍，常见做法是让大模型负责理解与规划、让轻量策略负责高频控制。因此这条路线目前更像方向共识，争议集中在堆数据能否稳定换来泛化，以及通用策略是否会在具体任务上不如针对性设计的专用方案。

适用边界

• 适合任务多样、变化频繁的场景：抓取、分拣、整理等指令与物体经常变化的场合收益明显。
• 不适合高精度与高节拍场景：对位置精度与周期时间要求苛刻的工序，专用控制方法往往更可靠。
• 安全必须外置：模型的输出不能作为唯一安全屏障，需要限位、力矩限制与急停等独立保护。
• 数据闭环决定上限：部署后能否持续收集失败样本并回流训练，通常比初始模型规模更影响长期效果。

与自动驾驶端到端方案的区别是：后者的本体与任务相对固定，但环境同样开放、长尾情形很多；机器人基础模型要在差异极大的本体与任务之间共享知识，泛化的跨度更大。评测上也缺少公认标准：不同团队使用的物体集合、场景布置与成功判定口径都不一样，跨方案的成绩难以直接比较，这也是该方向进展看起来反复的原因之一。