Physical Intelligence 发布 π0.5

背景

在实验室里表现良好的机器人，一旦被放到陌生环境里往往就会失灵。Physical Intelligence 提出的判断是：机器人技术最大的难题不是敏捷性（agility）或灵巧性（dexterity），也就是快速而精确地运动的能力，而是泛化（generalization），即在机器人此前没有经历过的地点和情境中完成有用的工作 ^[1]。只能在被测试过的那个房间里工作的机器人，用处有限，因为家庭、厨房和办公室在布局、物品和光线上各不相同。

发布内容

2025 年 4 月 22 日，Physical Intelligence 发布了 π0.5 ^[1]。该模型属于所谓「视觉-语言-动作模型」（vision-language-action model，简称 VLA）：这类系统接收摄像头图像和文字指令，输出的不是对图像的回答，而是电机的动作指令。π0.5 建立在该公司更早的视觉-语言-动作模型 π0 之上 ^[1]，因此它延续的是一条已有的技术路线，而不是从零开始。

训练与测试方式

据公司介绍，该模型是在动作、图像、文本以及其他多模态标注（multimodal annotation）的组合数据上训练的 ^[1]。混合这些来源意味着，模型看到的不只是场景长什么样，还包括机器人在其中做了什么，以及这些行为在语言中是怎么被描述的。

公司强调的重点在于评测地点：Physical Intelligence 称 π0.5 是在训练数据中完全没有出现过的全新家庭里接受评测的 ^[1]。这些是普通的居家环境，而不是布置好的实验室模拟场景，任务也是日常事务——整理物品，例如把餐具放进水槽，以及用海绵擦掉洒出来的东西 ^[1]。擦桌子这类任务很能说明难点所在：机器人要先找到洒出的液体，握住并移动一件柔软的工具，还要在看不清楚的表面上保持压力。

意义

机器人学习领域的许多进展都是在受控环境中展示的，那里的物品和布局事先已知。在训练中从未遇到过的家庭里进行测试，把问题从「机器人能在这里做这件事吗」变成了「机器人能在它从没去过的地方做这件事吗」。正是这个问题决定了通用机器人能否真正走进家庭，而不只是在某个工厂工位上被专门编程。

把泛化视为该领域的核心难题，等于给自家模型定下了一把标尺：衡量标准是它在陌生家庭中的表现，而不是演示视频里的敏捷或灵巧 ^[1]。建立在 π0 之上、用混合多模态数据训练的 π0.5，是朝这个方向迈出的一步 ^[1]。