π0.5

是什么

π0.5 是 Physical Intelligence 于 2025 年 4 月 22 日发布的视觉-语言-动作模型（vision-language-action model，VLA），公司称它具有开放环境泛化（open-world generalization）能力^[1]。这类模型把三件事放进同一个神经网络：看图像、读指令、输出动作。视觉部分理解场景，语言部分理解要求，动作部分把两者转成机器人执行所需的运动。π0.5 是在同系列早前模型 π0 的基础上扩展而来^[1]。

为什么做它

公司说，π0.5 的目标是泛化到新的环境，而不是学会新技能或提高操作的精细程度^[1]。这个区分决定了应该怎样理解这项工作。在固定实验室里把某一个动作做得很漂亮，是一次演示；被放进一个没见过的房间还能做点有用的事，是另一个问题。房间与房间之间在布局、物品摆放、光线和杂乱程度上都不同，还总有训练数据里不会预先列出的意外：打翻的盒子、被推歪的椅子。π0.5 针对的是后一个问题。

怎么做的：异构数据共同训练

Physical Intelligence 表示，π0.5 背后的主要原则是异构数据共同训练（co-training on heterogeneous data）^[1]。共同训练指的是用多种不同类型的数据同时训练同一个模型，而不是只用一份同质的数据集。π0.5 使用的数据组合包括机器人动作数据、口头指令、子任务命令、目标检测标注和多模态网络数据^[1]。这些来源各自提供不同的东西：机器人动作数据把感知和运动连起来；口头指令和子任务命令把行为与语言对应，而且能提供比单个动作更粗粒度的语言描述；目标检测标注把名字贴在看得见的物体上；多模态网络数据则带来关于物体和场景通常长什么样、词语是什么意思的一般性知识，不需要任何机器人参与。

在机器人数据方面，公司说 π0.5 的训练数据来自野外移动机器人、野外固定机器人、办公室内固定机器人和通用机器人数据^[1]。这种分布是有意为之：会移动的机器人能看到固定实验室机械臂永远看不到的场景，固定机器人则能贡献大量更稳定的操作经验。

两个层面的预测

模型同时工作在两个层面。Physical Intelligence 说，π0.5 会对下一个语义步骤作出高层推断，也会作出低层预测，生成机器人各关节的运动指令^[1]。实际运行时，这相当于先判断任务接下来该做哪一部分，再把这个判断翻译成驱动手臂、夹爪和底座的连续信号。把问题这样拆开，可以让具有语言形态的计划和一个贴着物理现实的控制器共存在同一个模型里。

能做到什么

公司说，π0.5 能控制一台移动操作机器人整理一间完全陌生的厨房或卧室^[1]。但它并不被描述成可靠的。Physical Intelligence 表示，这个模型并非每次都能一次成功，不过常常表现出一点人在面对新挑战时会有的灵活和应变^[1]。

处在什么位置

π0.5 更适合被看作通往「在普通、不受控的空间里干活的机器人」的一步，而不是一件完成品。它的贡献在于提出这样一种主张：把机器人经验与语言、标注和网络数据混合起来，可以让一个模型把它学到的东西带进从未进入过的房间；同时也承认，这种泛化目前仍然是不完全的。