AI news

「10万小时人类数据」不搞对齐只靠规模,灵初智能Psi-R2登顶MolmoSpaces!

By 机器之心1 viewsSource: 机器之心
「10万小时人类数据」不搞对齐只靠规模,灵初智能Psi-R2登顶MolmoSpaces!

4 月 10 日晚,灵初智能发布了大模型、数据集与合作计划:包括策略模型 Psi-R2、世界模型 Psi-W0,以及总规模近 10 万小时的人类操作数据。它想回答的问题也很直接 —— 当真机数据不再是唯一解,机器人还能靠什么继续 scaling?

The full text has not been translated yet. The Chinese original is shown below.

具身智能,正在进入一个新的叙事阶段。

一个越来越清晰的现实正在浮现:只靠真机遥操作数据,未必能把机器人真正送进大规模场景。

原因不难理解。数据贵,采得慢,节拍还往往不够真实。实验室里能跑通的 demo,到了工厂、仓储和零售现场,常常会被速度、成本和稳定性重新审视。真正决定下一阶段竞争的,已经不只是 “谁能做出一个演示”,而是谁能先把真实世界里的人类操作经验,规模化地转成机器人可学习、可迭代、可部署的能力。

4 月 10 日晚,灵初智能发布了大模型、数据集与合作计划:包括策略模型 Psi-R2、世界模型 Psi-W0,以及总规模近 10 万小时的人类操作数据。它想回答的问题也很直接 —— 当真机数据不再是唯一解,机器人还能靠什么继续 scaling?

表面看,这是一场新品发布;但更深一层看,它更像一次方法论发布:当具身智能没有互联网式的数据红利时,下一步到底该靠什么继续往前走。

文章配图

当真机数据不再够用

具身智能为什么转向 “人类数据”

先看这次到底发布了什么。

  • 技术博客链接:https://www.psibot.ai/from-human-skill-to-robotic-mastery/

模型侧,是Psi-R2和Psi-W0。数据侧,是总规模近 10 万小时的人类操作数据,以及首批开源的 1000 小时数据。这 1000 小时数据,被作为当前行业最大开源的人类手部操作全模态数据集之一来推出。

更具体地看,这套体系中包含5417 小时真机数据,来自灵初自研的 MobiDex 数采平台;人类数据则达到95472 小时,覆盖多场景、多任务、多物体。这也是少数明确把近 10 万小时量级人类数据系统性用于机器人预训练的模型方案。

为什么是 “人类数据”?

因为具身智能和大语言模型、自动驾驶不一样。它没有互联网式的海量现成数据,也很难在商业运行中自然沉淀出足够规模的高质量训练样本。数据从哪里来,已经成了这个行业最核心的问题之一。

而人类每天都在真实环境里,用双手完成高频、连续、精细的操作。这些数据天然贴近机器人未来要面对的工作世界。它们发生在真实任务中,带着真实节拍,也带着真实的操作细节。从落地角度看,这类数据的价值远不只是 “多了一种数据源” 那么简单。

但 Human Data 并不是采得多就够了。

它最大的难点,首先是embodiment gap,也就是人手和机械手在运动学、动力学上的天然差异。其次是精度问题。很多人类操作数据来自第一视角视频,轨迹恢复往往只有厘米级精度;一旦进入手机装配这类亚毫米级任务,这种误差就会被迅速放大。

为了解决这个问题,灵初自研了外骨骼触觉手套和高精度感知硬件,把人手 3D 轨迹采集推到更高精度。另一部分裸手数据,精度没那么高,但规模更大,主要负责提供泛化能力。

换句话说,灵初并不是简单把 “人类数据” 当作替代真机数据的便宜选项,而是在试图建立一套分层的数据结构:高精度数据负责上限,大规模数据负责泛化,两者一起为机器人训练提供新的底座。

一套系统

比单个模型更关键

更有意思的是,灵初最后并没有走一条特别 “花哨” 的对齐路线。

他们尝试过图像修补、关键点辅助 loss、特征空间对齐等做法,想把人类数据尽可能修成更像机器人数据的样子。但最后发现,数据量小的时候这些方法有帮助;数据量一旦上来,它们反而会变成瓶颈。

原因并不复杂。那些方法本质上都在努力模糊人和机器人的差异,但在长程、精细、接触密集的任务里,这种差异恰恰不能被轻易抹平。越是复杂和精细的任务,越需要承认两种 embodiment 的真实不同。强行 “抹平” 之后,模型反而更容易在关键动作上犯错。

所以,灵初最后选了一条更朴素的路:只做必要的输入输出维度对齐,把人类关节通过运动学映射到机器人关节,图像尽量不做处理,直接把原始数据喂给模型。它给这条路线的总结也很直白:raw data in, raw data out。

在这套方法里,Psi-R2负责 “先学会怎么做”。

它的输入是图像和语言,输出同时包括未来视频和机器人动作。也就是说,它不是只学下一步动作,而是在同时学习 “接下来世界会怎样变化”。这套设计建立在预训练视频生成模型之上,目标是把大规模人类数据里的任务知识,尽可能装进策略模型。

在大规模预训练之后,Psi-R2 仅需少于 100 条真机轨迹微调,就能完成手机装配、工业包装、叠纸盒等长程、精细任务。

文章配图

但只学成功动作,还不够。

因为成功示范只能告诉模型 “应该怎么做”,却不能告诉它 “换一种做法,会在哪一步失败”。而这恰恰是强化学习最需要的信息。

这也是Psi-W0的位置。

它接收图像、语言和机器人动作轨迹,去预测未来视频。相比 Psi-R2,Psi-W0 多了一项关键职责:建模失败、建模反事实、建模试错空间。为此,Psi-W0 的训练中额外加入了约 30% 的失败数据。

换句话说,Psi-W0 不只是一个 “会预测” 的模型,它更像一个可以用来评估和打磨策略的训练场。Psi-R2 先从人类数据里学到任务知识,再把轨迹送进 Psi-W0 做 rollout;随后在机器人动力学约束下,通过强化学习做小步修正,把 “人类会做” 的轨迹改造成 “机器人也能做” 的轨迹。好的轨迹回流训练集,坏的轨迹帮助世界模型继续变准,飞轮就这样转起来。

这也是这次发布最值得注意的地方:真正起作用的,不是某一个单点模型,而是Psi-R2、Psi-W0 与强化学习的系统协同。

围绕 Human Data,灵初也给出了一组很值得行业参考的判断:对数据分布来说,任务多样性 > 物体多样性 >> 场景多样性;对模态价值来说,精准 3D 位姿 > 触觉 > 2D 图像特征。

翻译成更直白的话就是:背景是不是足够复杂,未必最重要;真正决定模型上限的,是它见过多少任务、碰过多少物体,以及它是否真正理解了接触和操作细节。

也因此,灵初把触觉看成一种跨具身的 “通用语言”。人手和机械手的结构可以不同,但 “碰到了没有”“接触是怎样发生的” 这类物理信号,本质上是相通的。

文章配图

从论文到现场

落地还要跨过部署关

如果说前面解决的是 “技术上行不行”,那商业化真正关心的,始终是 “这条路值不值得走”。

答案很明确:值得,而且必须走。

原因很简单。实验室里,动作慢一点、路径绕一点,很多 demo 依然可以做出来;但到了工厂、仓储和零售现场,节拍、成本和稳定性会重新定义一切。真实作业里,一个动作多一步、一拍慢一点,最后都会落到良率和成本上。

从这个角度看,最有价值的数据,往往不是实验室里的遥操作演示,而是一线工人的真实作业数据。

一方面,人类数据采集可以更便宜,其成本被压到了传统真机遥操作方案的十分之一以下。另一方面,它的节拍更真实,更贴近业务现场的 SOP 和速度要求。

工程侧的进展,则让这件事离落地又近了一步。

通过 DiT Caching、Torch Compile、量化等优化,单次推理时间已从 2.2 秒压到 100 毫秒以内。对于连续、灵巧、顺滑的操作来说,这已经不是 “优化得不错”,而是能不能真正进场部署的一道门槛。

外部基准,也给了这套方法一个注脚。

截至发稿,公开榜单页面显示,在 MolmoSpaces Combined 榜单、且不使用 MolmoBot Data 的分组中,Psi-R2 以 46.4 的 Oracle Success Rate 排名第一,并覆盖 4 个任务。

文章配图

MolmoSpace 由美国艾伦人工智能研究所(AllenAI)发起,是全球具身智能领域权威基准评测平台,NVIDIA、PI 等全球顶尖团队均参与本次评测。灵初 Psi-R2 在评测中超越 PI、DreamZero 等国际知名模型,表现显著优于其他基线模型,成功率大幅领先同类 VLA 产品,充分体现出企业自主研发路线的先进性与竞争力。

这个细节的价值,不只是 “上榜”。更重要的是,它说明这套方法,正在进入一个公开、可比较的评价环境里接受检验。

把这些信息放在一起看,这次发布的重点并不只是 “又发了一个模型”,也不只是 “又开源了一批数据”。

它更像是在对外释放一个判断:

第一,具身智能的瓶颈是数据,而人类数据不是旁路,而是主线。

第二,真正能把人类经验转成机器人能力的,不是单个模型,而是Psi-R2、Psi-W0 和强化学习共同构成的系统。

第三,所有技术问题的终点都不是论文,而是落地:节拍、成本、推理速度、数据飞轮能不能真正转起来,才是最后的检验标准。

如果这套路线最终走通,这次开源的意义,就不只是 “放出一个模型,开放一批数据”。

文章配图

它更像是在告诉行业:具身智能真正的分水岭,也许已经不再是谁先做出更惊艳的 demo,而是谁能先把Human Data、世界模型和强化学习连成一条持续运转的增长曲线。

从这个意义上说,这次想发布的,也许不只是一个新产品。

而是一个新阶段。

文章来自于微信公众号 "机器之心",作者 "机器之心"

Related topics

After reading

Join the AINRK community

Read how to join the community and connect with people working in AI.

Community information (opens in a new tab)