“大规模后训练，是具身公司最重要的事”。

特约记者丨王与桐

2018 年 11 月 27 日，蔚来第 1 万辆 ES8 在合肥工厂下线，李斌赢了。四个月前，他和何小鹏就新造车公司当年能不能交付 1 万辆汽车打过赌。那会儿多数新势力车企刚进入量产阶段，从样车走到万辆交付，供应链配套、产能爬坡、质量控制都要解决，还得把覆盖全国的销售与交付体系建起来。

8 年后，人形机器人赛道又走到类似的 “万台” 节点。

2026 年 11 月，上纬新材旗下消费级品牌 “启元机器人” 的第 1 万台机器人将下线。

同样是 1 万台，新能源汽车 2018 年碰到的难题，机器人行业如今也得碰；而新能源汽车当时不用攻克的技术难关，恰恰卡在机器人行业脖子上。

新能源汽车当年还要突破续航、成本、规模化生产等限制，但它背后有积累上百年的全球汽车工业体系撑着，控制车辆行驶、保障驾驶安全，早就有经过长期验证的技术和工程方案。

人形机器人不一样。这个行业至今只有几岁，就算跨过万台关口，怎么让机器人理解千差万别的物理环境、稳定完成复杂操作、出意外时及时调整，仍然没有成熟可靠、被充分验证的技术路径。

最近启元机器人亮出了几项进展：把 GPT-6 Astra 与自研具身模型结合，让机器人能参与大富翁等游戏；开源生成式世界模型 PrimeSim，尝试让机器人在虚拟环境里做强化学习；还通过 HIL-UMI 减少数据采集对机器人本体的依赖，摸索大规模后训练的可能。

技术路线之外，启元机器人也把衣物整理、洗衣等具体家务任务当作重点方向，并提出研发思路：先把有限场景中的任务成功率提到 95% 以上，再逐步扩大泛化范围。

这些探索看着分散，其实都指向家庭机器人的核心瓶颈：通用大模型越来越强之后，机器人怎么以足够高的成功率、可承受的成本，在千家万户里稳定完成物理劳动？

“快慢脑的分工，会长期存在”

2026 年 9 月 GPT-6 Astra 发布后，一段演示视频迅速传开。第三方机构 RoboCurve 的测试显示，没做针对性微调的 Astra 只凭视觉输入与硬件实时状态，就能直接输出机械臂动作指令，在把红色方块放进碗里的任务中， 20 次尝试成功了 19 次。

具身智能如今要面对的，是一个早先缠住 NLP、法律和医疗 AI 的老问题：95% 的零样本成功率把这道题摆到了台前。2023 年以来，原本要靠专项训练才能守住的那些专业门槛，被通用大模型一点点啃掉——写代码、改代码的活儿，编程端直接接手；没做任何专项准备，法律端就通过了美国律师资格考试；医疗端在多国执照考试里也越过了及格线。

通用大模型既然已经能理解物理环境，甚至直接控制机械臂，机器人公司还有多少智能能力需要自己研发？

启元机器人用一段机器人玩 “大富翁” 的演示视频回应了这场讨论。

视频里，机器人能理解规则、根据骰子点数决策，再用机械臂抓取棋子完成移动。这套方案背后是 Astra 与自研具身模型的结合——启元机器人把二者分别叫作 “慢脑” 与 “快脑”：Astra 管环境理解、推理与任务规划，自研具身模型则专注物理动作的实时执行。

启元机器人首席科学家、北大长聘副教授董豪告诉《晚点 LatePost》，不接入 Astra、只靠自研模型，机器人缺少复杂规则理解能力，游戏完不成；可完全交给 Astra 也不行。团队测试显示，让通用大模型直接操控机械臂抓取一次棋子，耗时超过半小时，单次推理成本约 1 美元；同样的动作交给启元机器人的自研模型，只要数秒。

董豪认为，Astra 的出现正让机器人 “慢脑” 的技术路线逐渐收敛。过去要具身模型独立解决的场景理解、复杂推理和任务规划问题，现在可以越来越多地交给通用大模型。机器人公司也不必再从头研发所有层次的智能能力。

不过，通用大模型能多担一些思考和规划，不代表它能取代机器人的全部智能。

董豪把机器人智能分成三层：思维智能、作业智能和运动智能。思维智能管理解、推理和规划；作业智能管抓取、整理等物理操作；运动智能管行走、奔跑、跳舞等身体运动。

董豪拿人的肌肉记忆解释这种区别。人伸手拿杯子，不需要每移动一点距离就重新想一遍手和杯子的关系。可要是让通用大模型直接控制机械臂，它可能得不断观察、推理，再生成下一步动作。

大富翁演示里半小时与几秒钟的差距，正是这种分工在特定任务中的体现。

“用慢脑覆盖掉快脑，首先是不现实的，而且不经济的。” 董豪说。

于是，启元机器人把“快脑”和“慢脑”拆开来用：通用大模型负责推理，专用模型负责物理操作。董豪的判断是，这种分工往后很长一段时间都会存在。

对多数具身智能公司来说，这套新分工未必算好消息。“大脑”这块正被通用大模型吃掉一部分，过去砸进去的研发投入得重新算算还剩多少价值，模型架构和研发路线也要跟着重做。

往后具身公司的技术壁垒，就看能不能把通用模型给出的决策，变成又快又稳的实际动作。

“成功率必须优先于泛化”

泛化能力向来是具身智能行业绕不开的难题。家庭场景尤其如此：空间布局不一样、物品不一样、任务不一样，机器人都得适应陌生的环境。

业内一条主流路子，是把训练数据的规模和多样性做大，借此提升模型的泛化能力。

董豪的看法是，眼下比扩大泛化范围更急的，是把任务成功率提上去。他举了个极端的例子：就算机器人能适应 100% 的环境，可完成任务的成功率只有 10%，这种泛化能力的实际价值依然有限。他更想先在少数环境里把成功率做到 95% 甚至 99%，再一点点扩大机器人能可靠工作的范围。

他把这个思路叫作“横向 Scaling Law”。按他的设想，机器人可以先在一个房间里把任务练到足够可靠，再逐步铺到更多房间、更多任务，同时尽量保住原来的成功率。

可真要按董豪设想的那样横向铺开，光加预训练数据还不够。

一般来说，具身智能模型的基础能力靠模仿学习建立。研究人员先采集人类操作机器人的示范数据，拿这些数据训练模型，让机器人学会对应动作。这样能让机器人很快掌握一项任务的基本操作，但到了真实环境里，机器人难免出错。问题是，模仿学习用的大量数据记录的都是人类正确完成任务的过程，机器人出错之后该怎么调整，未必覆盖得到。

所以启元机器人不打算一味扩大示范数据的规模，而是更有针对性地去补模型的能力缺口。

董豪举例说，做整理桌面这个任务，机器人只靠模仿学习，成功率很难超过 90%；加上人在环路（Human-in-the-loop）的后训练之后，成功率才继续往上走。

这里说的后训练，是指机器人已经具备基础操作能力之后，针对执行中暴露出来的问题补充纠错数据，持续优化模型，让它学会处理以前应付不了的情况。

更关键的变化在训练周期上。

按传统流程，团队一般先采一批数据，训练出新模型，再部署测试、记录问题，然后重新采数据、重新训练。一轮迭代下来，可能要几周，甚至一个月。

启元机器人正在试的在线后训练，则把数据采集、模型更新和测试串了起来。机器人在执行任务时出了错，研究人员就针对这个错误补修正数据，新的训练结果大约 5 至 10 分钟内就能反映到模型表现上。

对后训练的分量，董豪说得很肯定，甚至认为“这应该是具身智能公司唯一要做的一件事了。”

“大规模后训练，是具身公司最重要的事”

2024 年，《晚点》访谈智元机器人联合创始人彭志辉时，他提出机器人应该先进工厂、再进家庭。工厂的环境和任务相对固定，变量可控，机器人靠专项训练提成功率更容易。目前进厂的机器人，也大多用在抓取、放置和转运这类标准化环节；家庭里则到处是随机变量，要求机器人在多变场景下始终稳得住。

董豪想用大规模后训练来解决“机器人适应人类不断造成的混乱”这个问题。但要把它铺到成千上万个不同环境，第一步得把数据采集和训练的成本降下来。

这也是启元机器人最近研究 HIL-UMI 的原因。

过去，机器人要靠后训练纠正操作中的错误，通常得在真实环境里执行任务，由人观察、接管并补充纠错数据。机器人本体成本高、执行速度慢，反复恢复现场还要搭人工，这些都让这种方式很难上规模；用手持设备采集数据虽然便宜，但主要记录的是人类的正确示范，判断不了哪些操作是模型真正需要补课的。

把两者结合起来，是 HIL-UMI 的思路：人拿着手持设备在真实环境里操作，模型看着同一批画面去预判动作。两边一比，差异就出来了，模型哪些情形容易失手也就清楚了，随后再针对这些短板补数据。整理桌面那组实验里，HIL-UMI 采数据的效率是传统真机人在环路方法的 5.63 倍。

在董豪看来，HIL-UMI 让后训练扩展到数千、上万个不同环境有了可能。

不过，后训练的成本未必就比预训练低。训练环境和任务越铺越多，将来大规模后训练所要砸进去的资源，甚至可能反超今天的预训练。

所以启元机器人的路子是两条腿走：一边改进真实环境里的数据采集方式，一边想方设法给机器人增加可供训练的环境。最近推出的生成式世界模型 PrimeSim 就是其中一次探索，该模型已于 11 月 6 日正式开源。

传统仿真环境靠显式的物理规则和图形学方法来搭建，PrimeSim 走的是另一条路：用真实数据去学习环境和物体的变化规律，让机器人策略能在模型生成的环境里交互，再通过强化学习把动作改得更好。

按启元机器人给出的实验结果，在受测策略与任务范围内，对策略成功率的判断上，PrimeSim 和传统 LIBERO 仿真器表现出很高的相关性，相关系数 0.99。策略先在 PrimeSim 中做强化学习，再迁回传统仿真器，成功率同样有所上升。

这些结果该怎么看？生成式世界模型不只是一把评估训练效果的尺子，它还可能成为机器人反复练习、打磨操作能力的训练场。

但董豪并不认为世界模型会把传统仿真器整个替掉。

他向《晚点》解释，世界模型说到底是用数据学出来的仿真系统，长处是数据规模越大，能学到的环境和任务变化规律就越多。短板则卡在训练数据上——它生成的环境，未必时时都符合真实的物理规律。

比如机器人导航任务，董豪反倒更愿意用传统图形学仿真。这类方法能方便地生成大量结构明确的房间，空间布局的正确性也更容易保证。换成生成式世界模型，成本可能更高，结果也未必更可靠。

“数据是永远逃不掉的。” 董豪说。

HIL-UMI 管的是数据采集，PrimeSim 管的是模型训练，两者分别从这两个环节压低成本，让机器人少在真实环境里反复试错。

毕竟，一台机器人要是得先在每个家庭里反复试错，才能学会稳定地做家务，那它想真正走进千家万户依然很难。

“三年后，物理 AI 进入 RSI 阶段”

启元机器人已经在成千上万种家庭场景里做适应性探索，可个人机器人进入家庭的切口，或许比想象中更窄——它未必非得学会所有家务。

启元机器人的思路是分步走：先让个人机器人解决失败代价较低、需求又相对明确的日常劳动，比如整理衣物、打扫卫生和收拾餐桌，再慢慢扩大它能承担的工作范围。

与此同时，个人机器人的用途也未必都要由机器人厂商自己开发。启元机器人正在尝试与 WorkBuddy 等外部生态合作，把更多应用和交互能力接进机器人。

在董豪看来，除了后训练，“交互能力” 是唯一有价值的事情。交互让机器人能理解人的意图，在执行过程中与人协作，把已有的操作能力变成真正可用的家庭服务；交互也是获取高质量人机协同数据的入口，为后续训练提供反馈。

董豪设想，将来可以由 Agent 统一调配通用大模型、第三方应用和机器人自身的作业智能。随着开发者生态丰富起来，个人机器人的服务范围也可能跟着扩大。

不过，外部应用主要扩展的是软件和交互能力，机器人能不能完成实际的物理劳动，仍然取决于自身的作业智能。

物理劳动这一侧，启元机器人想建立另一种能力扩展机制：机器人能完成的任务越来越多、适应的环境越来越广，它们在真实工作中积累的交互数据也就越多；这些数据经过反馈和后训练，又能进一步提高模型的任务成功率，帮助机器人进入更多环境，形成持续迭代的循环。

只是，眼下的循环仍然高度依赖人。机器人执行任务时出了错，需要人来判断、纠正，再把反馈转化为新的训练数据。

董豪拿 AlphaGo 和 ChatGPT 的训练路径作类比：前者先学人类棋谱，再靠自我对弈的强化学习超越人类；后者在大规模预训练之后，通过人类反馈强化学习（RLHF），让回答更符合人的要求。区别在于，围棋有明确的胜负，语言里的许多问题却难以直接判定好坏，得靠人类反馈提供评价依据。

他的看法是，具身智能当下也走到了差不多的 “RLHF 阶段”。随着后训练系统越做越完善，机器人能独立完成的任务变多，需要人插手的情形预计会慢慢变少。届时一个人能同时照看更多机器人，人在训练系统里的参与比例也会跟着降下来。

他判断，物理 AI 大约三年后或将迈入递归自我改进（RSI）阶段。到那时，机器人除了能在执行任务中不断积累经验、持续学习，还可能一点点改进自己的学习方式。

不过，减少人工参与只是第一步。要实现真正的递归自我改进，机器人还得从改进任务表现，进一步走向改进自身的学习方法。

近几个月，这条路线在学界被反复讨论。2025 年，Physical Intelligence 拿出 π*0.6，靠机器人在真实环境里的执行经验和人工纠错来不断打磨模型；到了 2026 年，NVIDIA、卡内基梅隆大学等机构参与的 ENPIRE 研究更进一步，试着让 AI Agent 自己去分析机器人实验的结果、动手改训练代码，再通过真实操作检验改得对不对。

放到家庭场景里，这种持续改进的本事比工业机器人更有想象余地：模型越聪明，机器人就越能适应不同家庭的居住环境、物件和日常习惯，做家务的成功率也随之提高。从启元机器人自身和整个行业的角度看，万台下线说明制造能力迈过了一个阶段性门槛；可站在消费者这边，只有当机器人成功率够高、动作够快、成本够低，真能替人分担家务，他们才愿意掏钱。

题图来源：《末路狂花》