RoboChallenge奪冠只是開始，落地才是真正的“大考”。

作者丨高景輝

編輯丨馬曉寧

具身智能的熱度之高毋庸置疑，就連我們身邊不關(guān)注科技新聞的人，刷短視頻也能時(shí)不時(shí)刷到幾條機(jī)器人。雷峰網(wǎng)也時(shí)不時(shí)聽到這樣的疑問，機(jī)器人都這么厲害了，怎么現(xiàn)在街頭巷尾，還是看不到多少干活的機(jī)器人呢？

在機(jī)器人本體和控制逐漸成熟的現(xiàn)在，莫拉維克悖論就顯得更具有先知意義了：對(duì)人類來說需要復(fù)雜推理和計(jì)算的高階認(rèn)知任務(wù)，計(jì)算機(jī)容易實(shí)現(xiàn)；而對(duì)人類而言看似簡單的低級(jí)感知與運(yùn)動(dòng)技能，就算機(jī)器人的身體學(xué)會(huì)了，但是它們的大腦還學(xué)不會(huì)。機(jī)器人不去干活，是因?yàn)樗鼈儾幌雴幔渴且驗(yàn)樗鼈儾粫?huì)啊。

許多具身公司都會(huì)將物流分揀當(dāng)成展示機(jī)器人能力的一個(gè)窗口，F(xiàn)igure 03人形機(jī)器人現(xiàn)在美國某個(gè)物流倉庫里晝夜不停地直播分揀，但真的物流分揀人員看了估計(jì)要搖頭：哪有這么規(guī)規(guī)整整的包裹，哪有這么不急不躁、安靜明亮的工作環(huán)境啊。

具身機(jī)器人要想做好泛化性，在隨機(jī)環(huán)境下還能把工作干好，最重要的技術(shù)難點(diǎn)仍然是具身大腦。不少公司都在不斷推出最新的大腦模型，還附加各種宣傳，但是除了真正的技術(shù)專家外，大部分人對(duì)于一款大腦模型有多強(qiáng)，還是無感的。所以星動(dòng)紀(jì)元（Robotera）發(fā)布它的自研具身模型Era0登頂 RoboChallenge 榜單的消息時(shí)，我的第一反應(yīng)是，這真的能證明他很厲害嗎？

01

一個(gè)三明治，怎么就難倒了一堆機(jī)器人？

這實(shí)在不能怪我太鈍感。主要是這兩年來，我們也是被各類大模型榜單轟炸到疲憊了。今天這個(gè)第一，明天那個(gè)最強(qiáng)，實(shí)際呢，還是要用戶體驗(yàn)說了算。

具身模型的能力，要在真機(jī)評(píng)測(cè)上去體驗(yàn)。如果短期內(nèi)還不能達(dá)到人手一臺(tái)的使用率，那我們可以借助第三方的體驗(yàn)。仔細(xì)查查RoboChallenge，原來這還真是全球首個(gè)大規(guī)模具身真機(jī)評(píng)測(cè)榜單。那就讓這些模型全部上真機(jī)，讓所有人都可以一眼直觀地看出，它們水平到底如何。

RoboChallenge 怎么去測(cè)試具身模型能力呢？他的規(guī)定是，在標(biāo)準(zhǔn)化真機(jī)環(huán)境中，所有參測(cè)模型必須完整通過 30 個(gè)不同任務(wù)才能進(jìn)入總榜，同時(shí)測(cè)試環(huán)境全程隨機(jī)化，物體的擺放位置、光照條件、初始姿態(tài)每次都不同，而且所有測(cè)試數(shù)據(jù)完全公開，杜絕了現(xiàn)場(chǎng)調(diào)參作弊的可能。

雷峰網(wǎng)在 RoboChallenge 的官網(wǎng)上發(fā)現(xiàn)了他們公開的30個(gè)評(píng)測(cè)任務(wù)和得分榜單，其中SR代表任務(wù)成功率，Score代表任務(wù)得分率。ERA0在兩項(xiàng)任務(wù)中實(shí)現(xiàn)了成功率與過程得分的雙滿分表現(xiàn)，一項(xiàng)是把開瓶器放入抽屜（put_opener_in_drawer），一項(xiàng)是擰開水龍頭（turn_on_faucet）。

還有兩個(gè)任務(wù)比較出眾，原因是在 Top8 模型中，Era0是唯一一個(gè)取得非零成績的模型。一項(xiàng)是做素食三明治（make_vegetarian_sandwich），該任務(wù)涉及多步驟、真實(shí)食材處理和精細(xì)擺放，整體難度較高，Era0 成功率為 20%。一項(xiàng)是擦桌子（wipe_the_table），Era0 在此任務(wù)上取得60%的成功率。

這兩項(xiàng)任務(wù)之所以高難，因?yàn)楹芏嘁蟪隽爽F(xiàn)在模型的普遍能力。就說制作一個(gè)簡單的素食三明治，就涉及到了多個(gè)步驟，機(jī)器人要依次完成取面包、放生菜、加番茄片、蓋另一片面包、切成兩半等。人手拿起來一個(gè)生菜葉子很簡單，機(jī)械臂拿起來，稍微大力一點(diǎn)生菜就爛了。

大部分具身模型缺乏對(duì)全局進(jìn)度的感知，缺乏對(duì)全局進(jìn)度的感知，很容易忘記已經(jīng)完成到哪一步，蓋了面包片就完事兒了；或在發(fā)生小失誤后無法進(jìn)行修正，番茄掉了撿不起來等等，那這個(gè)任務(wù)基本上就直接失敗了。

所以做三明治，不僅需要模型擁有長程時(shí)序規(guī)劃能力，還要有多食材的精細(xì)操作能力。Era0能得分，說明這款模型也在雙臂協(xié)同、柔性物體操作、多視角感知、長時(shí)序記憶等多個(gè)核心能力維度上均展現(xiàn)出顯著優(yōu)勢(shì)。

如此說來，能夠看到真機(jī)實(shí)測(cè)過程中的真實(shí)視頻和客觀評(píng)分，我們對(duì) Era0 的能力范疇就有一些把握了。

02

奪冠的秘訣，在于每一個(gè)細(xì)節(jié)

但是仍然會(huì)有一些疑問，比如說都是做模型，大部分都是走的VLA+世界模型路線，憑什么 Era0 就要更強(qiáng)一些？

星動(dòng)紀(jì)元 Era0 做三明治的例子，讓我想起不久前 Genesis 的 GENE-26.5 做“番茄炒蛋”的 demo，當(dāng)時(shí)其流暢的動(dòng)作驚艷了不少業(yè)者。

Genesis為什么能讓機(jī)器人把活干得這么好？創(chuàng)始人周銜曾在采訪中說，Genesis AI 要做的是整套系統(tǒng)。的確，Genesis是從全局視角重新審視整個(gè)系統(tǒng)：他們?cè)谟布用孀畲笙薅鹊乜s小差距；在工作中捕捉高保真數(shù)據(jù)；通過優(yōu)化控制減少延遲和跟蹤誤差……

星動(dòng)紀(jì)元的 Era0 也是同樣的道理，Era0 的成功，絕不能說是某一項(xiàng)環(huán)節(jié)上做對(duì)了，很大程度上得益于從數(shù)據(jù)到推理全鏈路的系統(tǒng)性優(yōu)化。

首先在數(shù)據(jù)層面，星動(dòng)紀(jì)元建立了一套量化的數(shù)據(jù)質(zhì)檢與處理標(biāo)準(zhǔn)操作流程。

要知道，原始數(shù)據(jù)中存在大量噪聲。靜止幀、異常動(dòng)作、元信息不匹配等問題，都會(huì)影響模型的訓(xùn)練效果。而星動(dòng)紀(jì)元的 SOP 涵蓋了靜止幀清理、異常數(shù)據(jù)篩查、元信息對(duì)齊以及人工抽檢等環(huán)節(jié)，從源頭保證了訓(xùn)練數(shù)據(jù)的質(zhì)量。

在此基礎(chǔ)上，星動(dòng)紀(jì)元積累了大規(guī)模跨本體預(yù)訓(xùn)練動(dòng)作數(shù)據(jù)。這些數(shù)據(jù)覆蓋了豐富的操作場(chǎng)景，讓 Era0 具備了扎實(shí)的基礎(chǔ)動(dòng)作執(zhí)行能力。跨本體訓(xùn)練策略也進(jìn)一步提高了數(shù)據(jù)使用效率，使模型在不同機(jī)器人平臺(tái)上都有很好的可遷移性。

在模型層面，Era0 采用了兩項(xiàng)關(guān)鍵技術(shù)。

第一項(xiàng)是視覺定位感知增強(qiáng)策略。在預(yù)訓(xùn)練階段，訓(xùn)練樣本不僅包含高層語義信息，還同時(shí)標(biāo)注了目標(biāo)在圖像中的具體位置。這強(qiáng)化了模型的視覺感知能力，讓它能夠更準(zhǔn)確地識(shí)別物體并定位抓取點(diǎn)。

第二項(xiàng)是短程時(shí)序記憶機(jī)制。Table30 中的很多任務(wù)都存在歷史依賴現(xiàn)象。比如擦桌子，機(jī)器人需要記住哪些區(qū)域已經(jīng)擦過，哪些還沒有。僅憑當(dāng)前單幀觀測(cè)，模型無法判斷任務(wù)狀態(tài)，容易陷入動(dòng)作循環(huán)。

時(shí)序記憶機(jī)制讓模型能夠關(guān)注到近期已發(fā)生的動(dòng)作狀態(tài)。它會(huì)記住過去幾幀的觀測(cè)和動(dòng)作，結(jié)合當(dāng)前信息做出決策。這有效解決了非馬爾可夫狀態(tài)下的歧義問題，讓長程任務(wù)的執(zhí)行更加穩(wěn)定。

Era0在雙臂協(xié)同、柔性物體操作、多視角感知、分類任務(wù)、長時(shí)序任務(wù)等多個(gè)靈巧操作核心維度上均位列第一

在工程與推理層面，星動(dòng)紀(jì)元也做了大量優(yōu)化：

訓(xùn)練階段，他們采用 15Hz 的數(shù)據(jù)進(jìn)行訓(xùn)練，提高了訓(xùn)練效率。訓(xùn)練完成后，增加了基于訓(xùn)練數(shù)據(jù)的回放擬合驗(yàn)證環(huán)節(jié)。這個(gè)環(huán)節(jié)能夠發(fā)現(xiàn)僅通過損失曲線難以暴露的問題，比如數(shù)據(jù)中的異常樣本和噪聲干擾。

推理階段，為了使動(dòng)作軌跡更加連續(xù)平滑，他們加入了動(dòng)作插值。這減少了機(jī)械臂的抖動(dòng)和誤差累積，提升了真機(jī)執(zhí)行的穩(wěn)定性。同時(shí)，通過合理配置執(zhí)行步長和動(dòng)作執(zhí)行時(shí)間，保證了操作精度。對(duì)夾爪動(dòng)作的后處理，也進(jìn)一步提高了抓取的穩(wěn)定性。

DeepMind研究員姚順宇有一個(gè)判斷：大模型領(lǐng)域最稀缺的不是天才，而是靠譜、對(duì)自己做的事情負(fù)責(zé)的人。這種“靠譜精神”，恰恰也是具身智能突圍的關(guān)鍵。

星動(dòng)紀(jì)元 Era0 模型的訓(xùn)練過程，同樣遵循這個(gè)原則。Era0 在 RoboChallenge 上的奪冠沒有捷徑，靠的是百 TB 級(jí)的真實(shí)交互數(shù)據(jù)積累，融合VLA與世界模型的訓(xùn)練推理閉環(huán)，以及團(tuán)隊(duì)都在每一個(gè)可能被忽略的節(jié)點(diǎn)上死磕。正是這些“微小到不起眼”的細(xì)節(jié)被極致優(yōu)化，成功率才得以一步步提升，最終實(shí)現(xiàn)質(zhì)的飛躍。

星動(dòng)紀(jì)元Era0 模型在RoboChallenge不同任務(wù)上的表現(xiàn)

03

商業(yè)化場(chǎng)景，才是真正的“大考”

就在 Figure 還在網(wǎng)上直播的時(shí)候，星動(dòng)紀(jì)元已經(jīng)開始進(jìn)入了實(shí)際場(chǎng)景，并且是同樣的物流分揀場(chǎng)景。星動(dòng)紀(jì)元自研人形機(jī)器人“星動(dòng)M7”，不久前在中國郵政廣州郵區(qū)中心正式上崗，能分揀軟包、硬盒、不同規(guī)格包裹，還能翻轉(zhuǎn)包裹確保面單朝上，同時(shí)有識(shí)別異常件的功能。今年Q2星動(dòng)紀(jì)元還要開啟千臺(tái)級(jí)批量交付。

客戶愿意為機(jī)器人買單，某種程度上也是具身智能真正可以被稱為一個(gè)行業(yè)的開端。過去幾年，行業(yè)的核心矛盾是 “能不能做”，大家比拼的是誰能先在實(shí)驗(yàn)室里實(shí)現(xiàn)某個(gè)單點(diǎn)功能；而現(xiàn)在，行業(yè)的核心矛盾已經(jīng)變成了 “能不能用”，比拼的是誰能把技術(shù)變成可批量交付、可穩(wěn)定運(yùn)行、可盈利的產(chǎn)品。

在物流分揀中心，機(jī)器人要面對(duì)的不是固定的 30 種物品，而是每天數(shù)以萬計(jì)、形態(tài)各異的包裹；在工廠車間，它要適應(yīng)的不是恒定的光照和溫度，而是晝夜交替的光線變化、設(shè)備運(yùn)行的震動(dòng)和粉塵；在商業(yè)場(chǎng)景中，它還要滿足 7×24 小時(shí)不間斷運(yùn)行的穩(wěn)定性要求。這些在榜單中不會(huì)被考核的指標(biāo)，恰恰是商業(yè)化公司必須跨越的生死線。

能夠被物流客戶認(rèn)可，根本原因是 Era0 模型的優(yōu)勢(shì)，滿足了物流行業(yè)的需求。Era0 有一套標(biāo)準(zhǔn)化的數(shù)據(jù)預(yù)處理流程（清洗、去噪、質(zhì)檢），就可以確保用來訓(xùn)練模型的數(shù)據(jù)是真實(shí)可信且高質(zhì)量的，同時(shí)也能提升模型的學(xué)習(xí)效率。最終，訓(xùn)練出的模型應(yīng)用到物流分揀場(chǎng)景時(shí)，會(huì)表現(xiàn)出三個(gè)具體的優(yōu)勢(shì)：識(shí)別更準(zhǔn)確、誤判更少、運(yùn)行更穩(wěn)定。

“增強(qiáng)型視覺定位感知”等于給機(jī)器人裝上了一雙既聰明又帶距離感的眼睛，一眼就能認(rèn)出傳送帶上是哪類商品，同時(shí)精確計(jì)算出手臂該伸到哪里、以什么角度去抓，從而讓一條分揀線靈活處理成千上百種不同的貨品。

規(guī)模化跨本體預(yù)訓(xùn)練，可以讓能力快速遷移到物流抓取、搬運(yùn)、擺放等分揀動(dòng)作，適配不同設(shè)備與場(chǎng)景，落地更快。

同時(shí)時(shí)序記憶決策能力、高效訓(xùn)練迭代、以及真機(jī)執(zhí)行動(dòng)作穩(wěn)定精準(zhǔn)等等特征，都意味著在分揀操作上，流程連貫效率高、抓取穩(wěn)定失誤少。

假設(shè)每個(gè)環(huán)節(jié)提升10%，那么十個(gè)環(huán)節(jié)的提升就能帶來兩倍多的改善。具身智能真正能夠?qū)嵱闷饋恚驮谟谶B續(xù)、微小優(yōu)化帶來的系統(tǒng)性的效果提升，給客戶帶來顯著的實(shí)用性。這就是我們從星動(dòng)紀(jì)元身上學(xué)到的經(jīng)驗(yàn)。

04

打榜不是終點(diǎn)，“落地”剛剛開始

比賽結(jié)果，是具身智能大腦技術(shù)實(shí)力的試金石。在權(quán)威賽事中脫穎而出，意味著一款模型在泛化性、魯棒性、操作精度等核心維度上經(jīng)受了最嚴(yán)苛的檢驗(yàn)，獲得了學(xué)術(shù)界與產(chǎn)業(yè)界的共同認(rèn)可。

但必須清醒地認(rèn)識(shí)到，“打榜” 從來都不是具身智能行業(yè)的終極目標(biāo)，它只是驗(yàn)證技術(shù)可行性的中間環(huán)節(jié)，真正決定一家企業(yè)能走多遠(yuǎn)、整個(gè)行業(yè)能走多快的，永遠(yuǎn)是落地能力。

具身智能行業(yè)已經(jīng)走到了一個(gè)關(guān)鍵的轉(zhuǎn)折點(diǎn)。過去幾年，行業(yè)的核心矛盾是“能不能做”，大家比拼的是誰能先在實(shí)驗(yàn)室里實(shí)現(xiàn)某個(gè)單點(diǎn)功能；而現(xiàn)在，行業(yè)的核心矛盾已經(jīng)變成了 “能不能用”，比拼的是誰能把技術(shù)變成可批量交付、可穩(wěn)定運(yùn)行、可盈利的產(chǎn)品。未來具身智能的競(jìng)爭戰(zhàn)場(chǎng)一定會(huì)從賽場(chǎng)轉(zhuǎn)向工廠、倉庫、餐廳、醫(yī)院等真實(shí)場(chǎng)景。

目前物流行業(yè)是星動(dòng)紀(jì)元的第一個(gè)落地場(chǎng)景。基于通用具身基座，Era0 的能力可以拓展到更多行業(yè)。比如在制造業(yè)，機(jī)器人可以完成裝配、檢測(cè)、搬運(yùn)等任務(wù)。在服務(wù)業(yè)，機(jī)器人可以在餐廳、酒店、醫(yī)院等場(chǎng)所提供服務(wù)。端茶倒水、清潔衛(wèi)生、配送物品，這些都是 Era0 已經(jīng)具備的能力。

星動(dòng)紀(jì)元的 "AI Native 全棧" 技術(shù)路線，讓他們能夠快速響應(yīng)不同行業(yè)的需求，不需要為每個(gè)行業(yè)重新開發(fā)模型，只需要在通用基座的基礎(chǔ)上進(jìn)行微調(diào)，就能快速適配新的場(chǎng)景。

如果有一天，大街小巷都是機(jī)器人工作的身影，具身智能涌現(xiàn)也就不是夢(mèng)了。