机器人要走向通用，光“会得多”还不够

最近整理WAIC智启具身论坛任至意关于通用机器人策略的分享，有一个判断很值得记住：机器人的下一步，不只是增加任务数量，而是让同一个模型看懂不同任务、环境、本体和数据质量。于是AI的落地，从能够生成到能够推理，再到现在能够自主学习了。

图1

｜通用策略要同时过两关

一条轴是能力广度，能不能换任务、换环境、换机器人；另一条轴是任务表现，成功率、速度和连续运行够不够好。会做十种任务，但每种都不稳定，不算真正通用；只把一个任务做到极致，也很难叫基础模型。

图2

｜机器人需要读懂完整上下文

模型输入不能只有当前画面。历史观察、细粒度指令、未来子目标、机器人本体、数据质量和错误位置，都应该成为上下文。信息给得越完整，模型越不容易把偶然动作学成错误规律。

图3

｜失败数据也有价值

机器人数据里既有成功示范，也有碰撞、洒落、卡住和人工恢复。重点不在于把“坏数据”全部删掉，而是标出哪里错了、为什么错、后来怎样恢复。模型知道数据质量，失败才能变成经验。

图4

｜让真实执行反过来训练模型

模型进入真实环境后，会暴露训练集没覆盖的卡点。人类介入一次，系统就多得到一段失败与恢复轨迹。数据回流后再训练，成功率提高，无人运行时间变长，人工接管逐渐减少。这才是能转起来的数据飞轮。

图5

｜跨本体迁移，迁移的是任务结构

同一项折叠技能，要能从低成本双臂机器人迁移到工业机械臂。模型不能死记关节轨迹，而要理解抓取、展开、对齐、折叠这些步骤，再根据新本体生成动作。

图6

｜教机器人，不一定要逐帧遥操作

当低层策略足够稳定，人可以直接说“右手打开闸门”“左手拿起物体”。机器人自己完成动作，系统再用这些指令与轨迹训练高层策略。人的角色开始由控制每个动作，转为描述目标和步骤。

图7

｜基础模型与真实场景一起迭代

通用模型进入家庭、仓库和工厂，收集成功、失败与接管数据，再反哺下一代基座。理想结果很直接：每代模型更强，下游需要的适配数据更少，新场景部署更快。

通用机器人最终拼的，不只是模型参数，也不是某一批漂亮Demo。它要能理解上下文、利用失败、迁移技能，并在真实工作中继续学习。

以下为广告部分：

买书么？自动驾驶的，机工社权威出版的，汽车行业高薪岗位，未来具身智能必备书籍