机器人基础模型：一个模型通吃多任务

前情提要：上一回《VLA 模型：看见、听懂、然后行动》讲到，把摄像头画面和人说的话一起塞进一个神经网络，模型就能直接输出机器人该做的动作序列，做到"看一眼、听一句、动一下"的端到端控制。本篇把镜头拉远：与其给每个机器人、每个任务都从头训练一个专用模型，不如先攒一个"通用底子"，让换身子和换任务都尽量少重训。

先抛一个有点贪心的想法：能不能训练一个"通用机器人脑"，今天让它叠毛巾，明天让它开门，后天让它收拾桌子，都不用重新训练，顶多教它两三次就上手？

这听起来像偷懒的幻想，但最近几年，它真的成了一个正经的研究方向，名字叫"机器人基础模型"（foundation model for robotics）。它的野心一句话就能说清：用来自很多种机器人、很多种任务的大规模数据先做一次"通识教育"，得到一个能举一反三的底子；等新任务来了，只要很少的示范，甚至一个示范都不用，就能直接干活。

打个比方。过去的机器人模型有点像"师徒手把手"：你要教它开门，就录几千段开门的视频和动作；要教它抓杯子，再录几千段。每学一样东西，几乎都是从零开始。机器人基础模型想做的事情，更接近"上学"。先把各种机器人干过的活儿——机械臂拧瓶盖、四足机器人爬台阶、轮式小车绕开障碍物——全都收集起来，混在一起喂给一个大模型。这个模型在海量数据里慢慢总结出一条经验："原来世界里的物体大多能抓、能推、能转；原来'把 A 放到 B 上面'这种指令，不管谁的身体、谁的手，套路都差不多。"有了这层通识，它再去学具体任务，就快得多了。

这一思路里最有名的几个例子，思想其实出奇地一致。RT-2 把机器人动作"翻译"成一种语言模型能读懂的格式，于是谷歌训练的大语言模型里那些关于世界的常识，能被直接借用到机器人身上——它甚至能对从没见过的新物体说出"把快要掉下去的那个东西扶住"。PaLM-E 更进一步，把图像、声音、机器人状态通通压进同一个模型，让它既能聊天，也能指挥身体。Octo 则更"平民"，它专门设计成开放框架，谁家的机器人数据都能往里塞，谁家的机械臂都能接上用。它们名字不同、出身不同，但共通的那条心法是一样的：别再为每个任务单开炉灶，先建一个尽量通用的底子，再在上面做轻量适配。

那"一个模型通吃多任务"到底香在哪？主要有两味药。第一味是泛化：因为见过太多花样，模型遇到陌生物体、陌生摆设时，更可能凭"经验"猜出该怎么办，而不是当场死机。第二味是数据复用：过去这家实验室的门数据、那家工厂的抓数据，各自锁在各自的硬盘里；基础模型鼓励大家把数据汇成大河，谁都能从中取水，单家单户"数据不够"的窘迫就缓解了。对研究者来说，这还可能把机器人研发从"手搓每一个功能"变成"在通用底子上做填空题"，省时省力。

但现实很快泼来冷水，而且不止一盆。

第一盆是"身体不一样"。人类的常识能跨身体迁移，是因为我们骨架大同小异。可机器人世界五花八门：有的有两条胳膊，有的只有一根夹爪，有的是轮子有的有腿，摄像头装的位置、能看到的范围都不同。一个在机械臂上学会的"抓"，换到腿足机器人身上，手都没长对地方，根本无从下手。模型即便"脑袋"是通用的，到底怎么把想法落到千差万别的肌肉（电机）上，仍是硬骨头。

第二盆是"真实数据太少"。大模型在文字、图片上吃得饱，是因为互联网上有取之不尽的材料。可真实机器人的动作数据，得来全靠真机一遍遍试，慢、贵、还容易摔坏东西。于是很多基础模型不得不靠仿真或"看视频学"来凑数，但仿真和现实之间总有一道缝，模型一上真机就可能露怯。

第三盆最扎心：零样本常常不及预期。宣传片里"从没教过也能做"的惊艳时刻确实有，但落到日常，面对稍微复杂的真实环境，模型经常卡壳、乱来、或者做得勉强。也就是说，"通吃"目前更多是"大致能通"，离"真的样样都行"还远。

所以今天更准确的期待，大概是这样：机器人基础模型是一个很有前途的"起跑姿势"——它让新任务的学习成本显著下降，让数据第一次有了规模效应；但它不是魔法按钮。离了针对具体机器人、具体场景的那一点点微调，它多半还撑不起"换任务不重训"的豪言。

有意思的是，这条路和"通用人工智能"的叙事高度重合：先用大数据喂出一个通才，再用小数据把它养成专才。机器人领域只是把考场，从屏幕里的文字，搬到了满是磕碰的真实世界里。

读后小测

「3 句话复述」：机器人基础模型想用多种机器人、多种任务的大规模数据先训出一个"通用底子"，让新任务只需很少示范甚至零样本就能上手。RT-2、PaLM-E、Octo 等名字不同，但都信奉"先建通用底子、再做轻量适配"的同一条思路。它的希望是泛化更强、数据能复用，局限则是机器人身体差异大、真实数据稀缺、零样本表现常不如预期。

「1 件动手小事」：今天找一件家里的小家电或玩具（比如会动的小车、能开合的夹子），先观察它"身体"长什么样、有几个可动的部位；再想象：如果要教一个从没见过它的机器人去操作它，你最需要先告诉机器人哪三件事？把这三个信息写下来，你就亲自体会了"身体差异"给通用模型出的难题。

聊完"一个模型通吃多任务"的雄心与尴尬，我们自然要追问：就算模型有了通用底子，面对"把外卖从门口拿进来再摆上桌"这种一长串、还要随机应变的事，它该怎么组织自己的行动？下一回，第 23 篇《推理与规划：让机器人"想一步再做"》——你会看到机器人面对复杂任务时，怎么先把大目标拆成小步骤、再一步步执行。