Physical Intelligence发布π0.5，移动机器人在训练中从未见过的家庭完成厨房和卧室清洁，97.6%训练样本来自其他数据源

总部位于旧金山的机器人AI初创公司Physical Intelligence于2025年4月22日发布视觉语言动作（VLA）模型π0.5。公司通过官方博客和arXiv预印本论文披露，双臂移动机器人在3个未出现在训练数据中的真实家庭里，完成了把餐具放入水槽、整理床铺、擦拭洒出液体和清理卧室地面等任务。

论文给出的数据相当具体。移动机器人学习了约100个家庭中采集的约400小时家务数据，但论文指出，第一阶段训练中97.6%的训练样本并非来自在家庭中执行家务的移动操作机器人。其余数据包括多个家庭中固定机械臂的数据、含公开数据集Open X-Embodiment在内的实验室机器人数据、图像描述、问答和物体定位等网络数据、人工标注的子任务，以及少量语音指导数据。据作者介绍，单项任务耗时约2至5分钟，整间房的清理需要10至15分钟。

模型架构直接建立在公司2024年10月31日发布的首个通用策略模型π0之上。π0.5以谷歌PaliGemma权重初始化的20亿参数视觉语言模型为基础，外加3亿参数的“动作专家”模块。模型每一步先用文本写出下一个子任务，例如“拿起枕头”，再生成对应的电机指令。指令以覆盖1秒动作的50步动作块输出，采用10步去噪的流匹配方法生成。论文称训练分两阶段进行，先以离散token训练28万步，再加入连续流匹配头训练8万步。

硬件本身并不复杂。论文描述了两种移动平台，各配备两条带平行夹爪的6自由度机械臂、全向轮式底盘、躯干升降机构和4个摄像头，其中两个装在手腕上。状态和动作空间维度视平台为18或19维。公司表示，其目标不是习得新技能或追求高灵巧度，而是泛化到新环境。

对行业最有参考价值的是公司的消融实验。据博客数据，在未见过家庭中的语言指令测试里，完整π0.5对熟悉类别物体的指令遵循率为86%、成功率为83%，对新类别物体两项指标均为94%。去掉网络数据后，熟悉物体的成绩几乎不变，但新物体成功率降至74%。去掉实验室跨本体数据后降至49%，去掉多家庭固定机器人数据后更降至31%。

训练环境数量同样关键。研究人员分别用来自3、12、22、53、82和104个地点的移动机器人数据训练模型，性能总体随地点增加而提升。104个地点的模型表现与直接用测试家庭数据训练的对照模型相近。论文还称，π0.5显著优于π0及其增强版本，即便将π0训练延长至30万步结论依然成立；完整模型的表现甚至超过由人类直接给出高层子任务的版本，而零样本GPT-4作为规划器的效果最差。

全球竞争正在加速。Figure AI于2025年2月20日发布Helix，将70亿参数模型（7至9赫兹）与8000万参数控制器（200赫兹）结合，训练数据约为500小时遥操作。谷歌DeepMind于3月12日推出基于Gemini 2.0的Gemini Robotics，英伟达于3月18日开放人形机器人基础模型GR00T N1。在中国，2025年3月5日的政府工作报告提出培育具身智能等未来产业，并大力发展智能机器人等新一代智能终端。π0.5所检验的，正是一个汇集多种机器人数据的通用模型能否在陌生家庭中工作。

公司坦承了模型的局限。论文列举了陌生的抽屉把手、物理上难以打开的橱柜、机械臂遮挡需要擦拭的污渍，以及高层规划反复开关同一抽屉等失败案例。评估仅覆盖3个家庭，每项任务取10次试验平均，样本偏小，且全部为公司自测结果。Physical Intelligence于2025年9月在Apache-2.0许可的开源仓库openpi中发布了π0.5基础模型以及在LIBERO基准和DROID数据集上微调的检查点，为外部验证提供了条件。