機器人開源革命：“免費大腦”背后的四派力量與博弈

撰稿｜Vicky

今年2月前后，小米、螞蟻、阿里達摩院、宇樹紛紛發布機器人開源模型。再之前，英偉達在CES上發布了GR00T N1.6，把自家號稱“世界首個開放人形機器人基礎模型”又再度升級。

這些消費電子公司、互聯網巨頭、芯片帝國，最近都一股腦把機器人的“大腦”拿出來，免費給全世界用。機器人開源模型的生態中，有什么樣的心機和萬億美元押注的博弈呢？

本篇文章我們繼續機器人系列，之前我們分析了如今具身智能通用的VLA模型，拆解了特斯拉、Figure這些閉源巨頭的不同路線，以及他們如何用硬件和數據優勢構筑護城河。而這篇文章，我們與全球頂尖具身智能實驗室的研究人員深聊之后，來扒一扒開源算法路線中的核心玩家和關鍵的技術領軍人物們。

同時我們來試圖回答這三個問題：

第一：這些開源模型分別走了什么技術路線，為什么能挑戰巨頭？

第二：開源的動機是什么？什么是“真”開源，什么是“假”開源？

第三：開源模型生態是什么樣的？面對特斯拉這樣的對手，開源社區拿什么打？

（本文為視頻改寫，歡迎大家收看以下視頻）

01

開源模型全景

誰在做，走什么路？

在開源模型派別中，VLA模型仍然是主流。簡單來說，就是讓機器人“看到”周圍環境，“聽懂”你的指令，然后“做出”正確的動作。

目前，開源VLA模型大致可以分成四股力量：

1. 學院派：參數不大，但能以小博大，代表模型是OpenVLA和Octo。

2. 巨頭生態派：不只做模型，還布局整套工具鏈，代表是英偉達的GR00T N1和谷歌的Gemini Robotics。

3. 創業公司與中國力量：自變量、OpenMind、小米、螞蟻等等。

4. 技術極致派：追求極致精度和泛化能力，代表模型是Physical Intelligence的π?。

1.1：學院派的理想主義

OpenVLA的一戰成名，發生在2024年6月。這個只有70億參數的開源模型，在29項機器人操作任務中，全面擊敗了“頂流”谷歌DeepMind的RT-2-X。RT-2-X有550億參數，是OpenVLA的8倍大，背后站著整個谷歌的算力和數據資源。但結果是：OpenVLA的成功率比RT-2-X高出16.5%。

OpenVLA以小博大，憑的是一個很聰明的架構設計：兩個視覺編碼器加大語言模型。

對比谷歌RT-2-X，因為它只用了一個視覺編碼器，你可以想象成一個超聰明但什么都自己做的人：能力很強，但信息處理效率更低。

而OpenVLA用了兩個視覺編碼器，相當于有“兩雙眼睛”。第一雙眼睛叫“DINOv2”，負責理解空間關系；第二雙眼睛叫“SigLIP”，專門理解語義和常識。然后再由當時的開源大語言模型Llama 2充當“大腦”，把空間信息和語義信息融合起來，處理指令和推理。

簡單來說，OpenVLA像一個三人小團隊協同作戰，把兩類信息物理隔離、各自優化，再統一決策，整體反而更強。大家大概可以理解成“三個臭皮匠，頂個諸葛亮”。這個架構證明了：在具身智能領域，單純的“大”并不代表“聰明”。

OpenVLA還有一個數據集的優勢，叫做“Open X-Embodiment”，這也是開源生態的一個非常厲害的優勢，后文會詳細展開。

另外，OpenVLA還在動作表示方式和訓練策略上做了優化。所以它這次對谷歌的勝利靠的是“數據+架構+訓練策略”的綜合結果。

而且，OpenVLA在勝出之后徹底開源：代碼、模型權重、訓練腳本全部公開。這樣的開放姿態讓整個行業都非常興奮，開始各種后續的優化、推理加速和微調。

這就是一個非常典型的開源故事，能用創新方式去“以小搏大”，撬動整個技術領域的后續工作。

我們再說說另外一個比較典型的開源路線“Octo”。如果說OpenVLA代表“規模化開源”，Octo就是“普及型開源”。

我們知道，機器人算法的“泛化性”是個很大的挑戰，之前的標準做法是需要針對特定機器人用特定數據集來訓練策略，但你換一個機器人、換一個環境，就要全部重新來訓。而一些開源社區的大牛們就希望實現“通用機器人模型”，通過zero-shot這樣的技術將模型擴展到廣泛的機器人和場景中。這樣的路徑被稱為“通用機器人策略”，Octo就是其中的代表。

Octo只有數千萬參數，比OpenVLA的規模更小。它是一個基于Transformer的擴散策略模型，設計強調靈活性和可擴展性，支持多種機器人平臺和傳感器配置，并能夠通過微調快速適應新的觀察和動作空間。這使得Octo可以廣泛應用于不同的機器人學習場景。

Octo的定位不是最強，而是人人可用，希望給開源社區提供一個更輕量、可快速適配的通用策略基礎模型。

1.2 巨頭生態一條龍

2025年3月的GTC大會上，黃仁勛親自站臺，發布了GR00T N1，號稱“世界首個開放人形機器人基礎模型”。到2026年1月CES，已經迭代到了N1.6版本。

GR00T N1采用雙系統架構：一個基于視覺語言模型的“System 2”負責慢思考，理解環境、解讀指令、做出規劃；一個基于擴散Transformer的“System 1”負責快思考，以高頻率把規劃轉化為精確的關節動作。兩個系統端到端聯合訓練，緊密耦合。

22億參數，模型權重和代碼都公開了，不少頭部人形機器人公司都獲得了早期使用權。而且英偉達不只給了模型，還給了整套生態：用Omniverse做數字孿生，用Isaac Sim生成合成訓練數據，用Cosmos生成視頻數據，用Newton物理引擎做仿真，整個一條龍服務。

Google在機器人通用策略上也在持續布局。早期的RT-1開源了代碼和數據，但后續更強大的RT-2以及之后的RT系列就變成閉源模型了，并沒有對外開放。

最近Google也在加速。2025年發布了Gemini Robotics系列模型，還挖來了前波士頓動力首席技術官Aaron Saunders擔任硬件工程副總裁。DeepMind CEO Demis Hassabis把這個愿景稱為“機器人界的安卓”，做通用的機器人操作系統，讓Gemini成為各種機器人的“大腦”。

在2026年CES上，波士頓動力和Google DeepMind宣布了戰略合作，將Gemini Robotics模型整合到Atlas人形機器人中，聯合研究即將在兩家公司的實驗室展開。

Google從開源到閉源、再到想要打造“機器人界的安卓”，賽道轉換有點快、野心有點大，但它絕對是機器人行業的最重要玩家，我們也拭目以待它的下一步動向。

1.3 創業公司與中國力量

中國在開源具身智能領域的參與正在加速，而且態勢在從單純的“跟跑”向“參與定義規則”轉變。

小米在2月12號剛發布的Xiaomi-Robotics-0，47億參數，用MoT混合架構——把“大腦”（視覺語言理解）和“小腦”（動作執行）分開，改善了VLA模型普遍存在的推理延遲問題。模型開源，在消費級GPU上就能跑。

螞蟻集團的LingBot-VLA走了另一條路，強調跨形態泛化。這個模型在9種不同的雙臂機器人上預訓練了2萬多小時的真機數據，目標是做到“一個大腦控制所有類型的機器人”，有點像我們之前提到的“通用機器人策略”路線。

清華AIR和上海AI實驗室聯合推出的X-VLA，刷新了五大仿真基準，代碼、數據、權重全部公開，可以說是學術界最徹底的開源范本之一。

星海圖開源了真機數據集，以及旗下最新的G0 Plus VLA模型；智元機器人的GO-1已經部署到了真機上執行任務；星動紀元的ERA-42也在探索自己的路線。

另外，自變量機器人是一家聚焦于通用機器人“大腦”研發的中國具身智能創業公司，CTO王昊在之前與硅谷101播客的采訪中談到了開源的初衷。

王昊 自變量機器人CTO 我們是持續地發揚開源精神，也吸收了很多經驗，用了大概幾萬小時的真實世界的數據，基于已經訓練好的基礎的視覺語言模型去做擴展，讓它具備比較強的視覺理解、空間推理、多語言的指令遵循能力，同時它的動作的生成精度也比較高。我們也希望這次開源能夠對具身智能行業有比較好的補充。

在硅谷的初創公司中，我們采訪了由斯坦福教授Jan Liphardt創立的OpenMind。他在接受我們采訪時說，希望為不同廠商的人形機器人構建一個通用的軟件層。OpenMind推出的OM1平臺強調開源與跨硬件兼容，希望打破當前機器人系統各自封閉的局面，讓不同設備可以共享能力與生態。他們也從一開始就以開源為核心理念來打造具身智能平臺，代表了一種純粹的開源路線。

Jan Liphardt OpenMind創始人 我們真正想做的，是讓任何人、在任何地方，都能輕松打造出能夠完成各種有用任務的機器人。而這一切，只需要通過修改提示詞就可以實現。

目前開源界最受矚目的模型π?，是Physical Intelligence推出的VLA模型，屬于數十億參數級別。π?代表的是另一條思路：把“連續控制”做到極致。

在動作生成部分，π?使用了flow matching（流匹配）思路，直接生成連續的關節軌跡。這意味著模型輸出的是一段平滑的控制信號。Physical Intelligence研究員、也是π?、π?.?論文作者柯麗一鳴在接受硅谷101播客采訪的時候就告訴我們，π?控制頻率約為50Hz，也就是每秒更新約50次動作。這種高頻連續控制帶來了一個質的飛躍：π?能做折紙、玩撲克牌這種需要極高精度的任務——而這些是OpenVLA和Octo都很難勝任的。

柯麗一鳴（Kay Ke） Physical Intelligence研究員，π?、π?.?論文作者 當時是有一些內部的討論，要不要再多一點和短一點。但是可能對我們來說更重要的是，想讓模型一口氣輸出一個長度，大概在一秒左右的計劃，這一秒剛好是50赫茲，所以是這么一個選擇。

從設計理念上看，π?更強調“控制質量”和“動作連續性”。相比把動作當作語言token預測，它更接近傳統控制系統的形式，只不過控制信號由大模型生成。

這一選擇帶來的好處是，在折疊衣物、抓取柔性物體、操作細小零件等任務中，動作更加流暢，減少了抖動和遲滯。

同時，π?的代碼與權重通過OpenPI項目對外開放，使研究社區可以在它的基礎上復現與擴展。這種做法在商業公司中并不常見，也成為開源陣營的重要力量。

更令人關注的是π?的迭代節奏。初版論文發布后不久，Physical Intelligence通過OpenPI項目公開了模型權重與代碼。隨后數月內，團隊陸續發布更新版本，持續改進泛化能力與控制穩定性。隨后引入強化學習機制以進一步優化策略表現，同時強調在開放環境中的適應能力。

在機器人領域，這種快速迭代與持續公開更新并不常見，也成為π?受到關注的重要原因之一。

柯麗一鳴（Kay Ke） Physical Intelligence研究員，π?、π?.?論文作者 把π?.?模型放到一個移動機器人里，再把這個移動機器人放到不同的、沒有見過的家里，這些都不在模型的數據集里面，模型可能不知道會怎么反應，然后我們觀察它會怎么做。在這個過程中我們發現，要做到泛化性還是比較有希望的，雖然機器人的表現不是很完美，但它好像展現出了一點像人類的特性，比如拿東西，換到別的家場景里還是能拿。

不同陣營背后的主導核心人物也并非對立關系，他們的關系緊密且錯綜復雜。而更有意思的是，曾經主導閉源模型的多位頂級科學家，后來成為了機器人開源社區的領導者。他們又被稱為機器人界的“復仇者聯盟”。

OpenVLA來自斯坦福和伯克利的聯合團隊，核心人物是這個領域的明星人物Chelsea Finn。

她MIT本科畢業，又在伯克利拿到博士學位，師從機器人學習教父級人物Pieter Abbeel和Sergey Levine。2019年她加入斯坦福任教，隨后一路拿獎到手軟。她同時還是Physical Intelligence的聯合創始人，橫跨學術和商業兩個世界。可以說，Chelsea Finn一人就串起了開源和閉源陣營的半壁江山。

在Finn教授以外，我們可以看到OpenVLA的作者名單上除了斯坦福和伯克利的一眾研究人員，還有豐田研究院、Google DeepMind、Physical Intelligence、MIT的科學家。這說明，OpenVLA并不只是一個閉門造車的實驗室產物。

Octo和OpenVLA可以說是“同門師兄弟”，同樣來自伯克利，由Chelsea Finn和Sergey Levine的團隊聯合出品。

Sergey Levine是機器人強化學習領域公認的開創者之一，他是伯克利教授、Google Brain前研究科學家，后來也成了Physical Intelligence的聯合創始人和首席科學家，他跟Finn是博導和博士生的關系。

有趣的是，Levine和Finn在Google時期參與了RT-1、RT-2這些閉源項目，離開后又推動了Octo和OpenVLA這些開源工作。這個領域中的同一批人，可以說既造了閉源的堡壘，也打開了開源的大門。

PI的創始團隊堪稱是機器人AI領域的“復仇者聯盟”，聯合創始人們各個都是來自學術界或者科技公司的大佬。

其中，Karol Hausman是Google DeepMind機器人方向的資深研究科學家，也是RT-1、RT-2和SayCan等標志性機器人大模型工作的核心作者之一。

Brian Ichter同樣來自Google Brain，深度參與了這些項目的研發，是那一代機器人基礎模型的重要推動者。Sergey Levine長期與Google Brain合作，在機器人學習和強化學習領域處于世界前沿，是這條技術路線的關鍵思想源頭之一。

我們前面提到好幾次的Chelsea Finn也是PI的聯合創始人之一，她也參與了RT系列研究，在機器人泛化與自監督學習方向做出了重要貢獻。

2024年初，這幾位參與Google機器人基礎模型路線的核心成員陸續離開Google，并共同創辦了Physical Intelligence（PI）。此外，團隊成員還包括前Stripe高管兼知名投資人Lachy Groom，以及前Anduril工程副總裁Adnan Esmail。

說白了，是閉源陣營里最懂技術的一幫人，決定跳出來換一種方式做事。

但π?的身份很“糾結”，它來自一家剛成立、融資就超過10億美元、估值56億美元的商業公司。這樣一家公司，為什么要把最核心的模型開源？這就要說到我們的第二個核心問題：“真”開源和“假”開源。

02

開源的“真”與“假”

免費背后的商業心機

2.1 Physical Intelligence：最“心機”的開源

Physical Intelligence2024年成立，投資人包括Jeff Bezos、OpenAI、Sequoia Capital、Khosla Ventures。2024年11月融了4億美元，2025年11月又融了6億美元，估值達到56億美元。

一家這么有錢的公司，為什么要把核心模型免費放出來？答案是：這可能是Physical Intelligence最有“心機”的商業策略。

第一，開源建立標準。當全世界的機器人開發者，無論是學術實驗室、創業公司或者工業客戶，都在π?的框架上構建應用，PI就成了事實標準的定義者。別人的每一次使用，都在鞏固π?的生態地位。

第二，開源吸引人才。最優秀的研究者想去能發論文、能影響行業的地方，PI開源π?之后，他們的openpi GitHub倉庫就成了機器人領域最熱的項目之一，這比任何招聘廣告都有效。

第三，開源加速數據飛輪。社區使用你的模型，發現問題、做出改進、貢獻數據，這些都回流給PI，讓下一代模型更強。

柯麗一鳴（Kay Ke） Physical Intelligence研究員，π?、π?.?論文作者 我覺得能和業界、社區分享一下模型，并且能夠幫助到大家很快地上手，可能也是在變相地降低機器人模型研究的一個入門門檻吧。其實在公司內部，開源也是一種（研發的）過程，就是從決定要開源，然后抽調大家把剛剛發表的研究去重構代碼，然后做測試，再和社區的一些開發者溝通看能不能跑得起來。這是一項不簡單的工作，但是真的看到我們的模型，在一些我們自己都沒想到的機器人上面跑起來了、別人能用我們的模型做很多不同的實驗，還是很開心的，現在大家都很樂意去開源，我覺得是很好的氛圍。

但要注意，π?不是100%開源。模型權重和推理代碼公開了，但完整的訓練流程和PI內部采集的數萬小時專有數據沒有公開。

這是一種精心設計的“開源引流、閉源變現”策略，也就是用開源的模型吸引開發者進入你的生態，用閉源的數據和訓練能力保持競爭優勢。也就是說社區可以用它的模型，但想要最好的版本，還得來找它。

2.2 英偉達GR00T N1：“開放”不等于開源

我們前面提到，英偉達不只給了模型GR00T N1，還給了整套生態，包括生成合成訓練數據的工具、物理引擎等等。聽起來非常“開放”，但為什么有人說GR00T N1是“偽開源”？

因為模型雖然開放了，整個流程都在英偉達的生態里：訓練深度綁定英偉達的硬件生態，用H100集群訓練，在Omniverse平臺上做仿真，用Isaac Sim生成合成數據，最后部署在Jetson Thor芯片上。

對比純粹的社區開源，比如OpenVLA和Octo沒有任何硬件綁定，沒有生態鎖定，在任何GPU上都能跑。這也許是“開放”和“開源”之間的根本區別。

但行業如此早期，也許根本沒有什么選擇是正確或錯誤的。學術開源追求的是知識共享和科學可復現性，商業開源追求的是生態控制和市場標準，而戰略開放追求的是平臺鎖定和硬件銷售。

王昊 自變量機器CTO AI的研究我覺得跟大模型之前有很大不一樣。過去，我們可以看到研究是非常離散的，在真正形成一個社區之前，可能做研究的只有兩、三個人，大家瘋狂地研究一個算法，更多是以論文發表作為第一要務，目的是占據技術的主動權。但有了社區和整個開源體系之后，大家更在乎的是，怎么在一個工程化的體系下，把這個工程基礎打好，讓這個社區更加繁榮？個人是通過什么方式給社區做貢獻？大家的榮譽反而來自于這樣的事情。這樣也就會促使開源模型的技術不停地發展。所以我覺得開源是一個非常好的事情，既可以從中學習到新的東西，也可以看到你的東西可能對別人幫助。

03

生態的力量

模型+數據+工具的“組合拳”

特斯拉有自己的工廠、自己的機器人、自己的數據閉環。英偉達有全世界最強的算力。谷歌匯聚了最頂尖的人才。開源社區一幫大學教授和創業團隊，憑什么能跟這些巨頭掰手腕？

答案是：生態。單看任何一個開源模型，都不如閉源巨頭。但模型、數據、工具三層生態疊加，形成的“組合拳”力量，就讓故事不一樣了。

Jan Liphardt OpenMind創始人 要讓一臺人形機器人表現良好，軟件和硬件之間必須進行非常精細的協同。哪怕是一些看起來很基礎的問題，比如不同類型的傳感器、電壓管理、電壓調節器、散熱控制、系統穩定性等等，這種協同必須非常緊密。 但根據我從不同機器人公司聽到的情況，如果一家公司在完全封閉的環境里獨自開發技術，往往會遇到一個問題：那些只在自己實驗室里構建、從未經過外部驗證的技術，其實很難真正落地使用。 不點名地說，我聽說有一家非常知名的公司，為人形機器人自研芯片。聽起來這當然是個很棒的想法，他們甚至掌握了完整的芯片架構。但問題在于，因為沒有其他人參與使用和測試，這套架構實際上存在大量bug。

也就是說，閉源看似安全，但沒有社區幫你測試和改進，反而可能變成一個人悶頭造車。

3.1 數據基石：Open X-Embodiment

目前開源生態的第一個優勢就是數據集。我們前面提到，OpenVLA橫空出世，就是用了Open X-Embodiment的數據集。

Open X-Embodiment是開源陣營最寶貴的優勢：一個跨平臺、跨實驗室的機器人數據公共資源，它的規模和組織方式在機器人領域前所未有：超過20個研究機構共同貢獻，包括斯坦福、伯克利、MIT、CMU、Google DeepMind等頂級實驗室；22種不同的機器人本體，從單臂機械臂到雙臂協作、從桌面操作到移動導航再到人形機器人；超過100萬條真實軌跡，覆蓋527種技能。

特斯拉的數據可能更大，但全是Optimus一種機器人在特斯拉環境里的數據。Figure的數據也只有Figure 01和02的操作。而Open X-Embodiment是幾十種不同形態的機器人，在廚房、實驗室、倉庫、辦公室等完全不同的場景里采集的數據。

為什么數據的多樣性比數據量更重要？

用訓練RT-X模型的實驗結果來說明：RT-1-X在小數據域的表現比單獨訓練的模型高了50%，RT-2-X甚至涌現出了原模型沒有的空間推理能力，是RT-2的3倍，能理解“on”和“near”這種細微的語言差異，這意味著它開始理解語言中的空間語義，知道“on”意味著物體之間要建立接觸和支撐關系，而“near”只是空間鄰近。

除此之外，它還能執行訓練時從未見過的技能組合。這直接證明了：只要數據夠多樣，就算模型不是最大的，性能也能有大幅提高。

柯麗一鳴（Kay Ke） Physical Intelligence研究員，π?、π?.?論文作者 在π?的時候，我們做了一個比較簡單的統計：π?使用的數據，比谷歌研究院收集的所有數據加起來還要多，即使π?發表的時候，PI還是一個很年輕的初創企業。 我覺得其實這是說明了兩件事：第一就是那個時間點采集的數據量確實是非常大，而且之后一直有往里面增加數據，而數據的成本、數據的量是在實時變化的。在谷歌研究院在開始探索的時候，要花很大的功夫才收到這些數據，但后來漸漸的有了經驗，PI或者其他公司再收就會越來越簡單，成本應該也是能夠得到控制和降低的。

更值得一提的是數據格式的標準化貢獻。以前最頭疼的問題是每個實驗室的數據格式都不一樣：伯克利是一種格式，斯坦福是另一種，MIT又是第三種。想用多個數據集一起訓練？先花幾個月寫轉換代碼。

而Open X-Embodiment定義了統一的數據格式，涵蓋視覺觀察、本體感知、動作序列和語言注釋，所以在產業中有了一個統一的標準，這個很重要。

再說一句數據的問題，因為這是目前機器人領域最大的挑戰，我們的嘉賓之間分歧也很大，一派認為大語言模型已經包含了足夠的物理常識，只需少量機器人數據微調，而另外一派認為物理世界的細節必須用真實的機器人數據來學習，互聯網視頻遠遠不夠。這里面的門道和技術可以挖得蠻深，不同的任務、不同的精度要求，需要不同的數據策略。所以，關于數據，我們之后還會單獨做一期機器人系列的深度內容。

3.2 工具層的野心

光有數據不夠，還需要工具把數據變成可以訓練的模型，這就是LeRobot和Genesis的角色。

LeRobot是Hugging Face從特斯拉挖來的工程師Remi Cadene帶隊打造的開源項目。Cadene之前在特斯拉參與過Autopilot和Optimus人形機器人項目。他帶著這些經驗來到Hugging Face，目標是“讓訓練機器人像訓練語言模型一樣簡單”。

LeRobot做了三件關鍵的事：

1. 定義了LeRobotDataset統一數據格式。

2. 一鍵集成了多種主流策略模型，你不需要去讀論文改代碼，直接調用就行。

3. 打通了數據采集、模型訓練、到真實機器人部署的全流程，以前這三步可能需要三套不同的工具鏈。

LeRobot的GitHub已經超過2萬星，成為了開源機器人訓練的標準之一。但Hugging Face的野心不止于軟件。

2025年他們收購了法國的Pollen Robotics，推出了7萬美元的Reachy 2開源人形機器人，已經在康奈爾和CMU等頂尖實驗室使用，還推出了250美元的Reachy Mini桌面機器人。更早之前，他們和The Robot Studio合作推出了SO-100機械臂，成本只要100美元，任何人都可以在家3D打印DIY一個。

由此可見，Hugging Face正在把“硬件加軟件加社區”打包，構建一個完整的開源機器人生態。

而2024年12月發布的Genesis則嘗試優化仿真訓練的問題。這是由CMU卡內基梅隆大學主導、聯合MIT、斯坦福、英偉達等20多個研究實驗室共同參與的開源項目，只需在仿真中運行數小時，就能生成相當于現實世界中多年訓練的樣本數據，大幅降低了訓練時間和硬件成本。

比如說，Genesis號稱在一張RTX 4090顯卡，模擬一個Franka機械臂的速度是每秒4300萬幀。這是實時速度的43萬倍。在Genesis里訓練1小時，相當于在真實世界訓練超過49年。

這帶來的改變是，以前只有大公司能負擔的大規模仿真訓練，現在一個研究生在家用一張消費級顯卡就能做。

值得注意的是，英偉達也和Google DeepMind、Disney Research聯合開發了一個開源物理引擎Newton，跟Genesis形成了直接競爭，所以仿真工具領域本身也是一個充滿競爭的領域。

但無論如何，一部分勛章應該要給到Hugging Face，LeRobot管真實世界，學界主導的Genesis管虛擬世界，兩個工具一起，把“訓練機器人”的門檻從百萬美元降到了幾百美元。

3.3 為什么生態能贏

總結一下，模型、數據、工具,這三層疊加，就是開源陣營的“組合拳”。

單看任何一層，開源都不如閉源巨頭：論人才密度和算力，不如谷歌；論數據量，不如特斯拉；論工具鏈的完整度，不如英偉達。但三層聯動產生的化學反應，釋放出了巨大的能量。

一個研究者可以用Open X-Embodiment的數據，在LeRobot框架上訓練OpenVLA，用Genesis做仿真驗證，然后部署到100美元的SO-100機械臂上。整個流程全部開源，全部免費，全部可復現。

這里有一個很關鍵的觀察：在大語言模型領域，開源是追趕者。OpenAI、Anthropic和Google先行，開源后追，晚一到兩代。但在機器人領域，開源和閉源幾乎是同時起跑的。

OpenVLA在2024年6月就擊敗了RT-2-X，這個時間差的原因很簡單：機器人還在非常早期的階段，沒有任何一家公司建立了壓倒性的數據或算法優勢。這是開源難得的“公平競賽”窗口，如果錯過這個窗口，等閉源公司積累了足夠的數據飛輪，開源可能就很難追上了。

而且，開源和閉源之間的邊界遠比想象的更模糊。

RT-2-X是谷歌的“閉源”模型，但它的訓練數據有一部分來自Open X-Embodiment這個開源數據集。Chelsea Finn同時是Octo這個開源項目的核心作者，也是RT系列閉源工作的推動者，還是PI的聯合創始人。而英偉達的GR00T N1介于開源和閉源之間。所以，這場競爭不是兩個陣營的對決，而是一個光譜上的多方博弈。

而說到底，開源vs閉源，表面是技術路線之爭，本質是生態之爭，爭的還是誰來定義機器人行業的基礎設施層。

Jan Liphardt OpenMind創始人 互聯網本身就是建立在開源代碼之上的，Android也是開源的。當然，有些公司希望掌控一切，從軟件到硬件，再到云服務，比如非常優秀的蘋果。但我們也看到，像三星、Google這樣的公司，同樣體量巨大，卻很樂于使用開源軟件來構建自己的手機系統。他們之所以選擇使用開源軟件，原因也很簡單。每家公司都必須決定，自己的時間和資金應該投入在哪里。

04

開源的挑戰與未來

算力、數據質量、工程化差距與安全

但對于生態來說，必須要直面一個現實：開源面臨的挑戰依然很大。

首先是算力門檻，雖然有Octo這樣的輕量模型，但訓練一個頂級開源模型仍然需要不小的投入。OpenVLA用了64張A100跑了15天，這跟特斯拉、谷歌的算力相比是小巫見大巫，但對普通研究者來說仍然是一筆不小的開支。

其次是數據質量，Open X-Embodiment雖然大，但不同來源的數據標注標準參差不齊，有的實驗室標注非常細致，有的比較粗糙。特斯拉的數據可能在多樣性上不如開源，但在一致性上更強，畢竟都是同一套系統采集的。

第三是工程化差距，開源模型在論文里表現出色，但從demo到產品之間有一道巨大的鴻溝。閉源公司有完整的工程團隊做優化、做測試、做售后，開源社區更擅長創新探索。但把一個模型打磨成穩定可靠的商業產品，往往需要閉源公司來完成。

第四是安全問題，如果人人都能訓練機器人，如何防止被用于危險用途？物理世界的AI比虛擬世界的大語言模型風險更高，聊天機器人說錯話最多是尷尬，但物理機器人做錯動作可能造成傷害。OpenMind的Jan Liphardt提出了一個大膽的方案：

Jan Liphardt OpenMind創始人 我們把規則寫進以太坊區塊鏈。我們這樣做的原因是以太坊是不可變的，不能被改變。當機器變得聰明時，我們應該預料到機器可能會試圖隱藏它們在做什么，或者想改變歷史，或者想要比它們應該擁有的更多的控制權。在這種情況下，將規則寫在公共場所、不能被更改的地方是非常重要的，作為額外的安全措施。

用區塊鏈來約束機器人行為，這個想法很前衛，也確實在業界也引發了一些爭議。但它至少說明，開源社區正在認真思考安全問題。

開源能發展到什么程度？自變量CTO王昊給出了一個時間線預測：

王昊 自變量機器人CTO 現在我們是明確的知道、而且看到了這種規模化帶來的提升，所以對于我們來講，路徑和目標更加明確、更加唯一，所以我預測會在1～2年的時間，我們完全可以達到GPT-3的這個水平。

GPT-3的水平意味著機器人會從“能完成簡單指令”跳躍到“能理解復雜意圖并靈活執行”，這將是一個分水嶺。

在LLM時代，我們見證了OpenAI從“開放”走向封閉。一個以“Open”命名的公司，變成了一家市值千億的閉源商業帝國。在機器人時代，同樣的故事可能重演，但也可能不會。因為機器人領域有一個大語言模型時代沒有的東西：從一開始就足夠強大的開源生態。

最后，OpenMind創始人Jan Liphardt從一個父親的角度解釋了為什么他支持開源，這個回答還蠻有人味兒的：

Jan Liphardt OpenMind創始人 因為我是一個父親，我有兩個孩子。如果我去想象未來的世界是什么樣子，我不希望有一天他們打開家門，一臺人形機器人站在門口，說：“你好，我是你的新機器人，但我運行的系統你無權查看。” 像機器人這樣重要的技術，必須是公開透明的。我相信，透明本身就會帶來更高的安全性。我希望我的孩子能夠給身邊的機器人添加功能，能夠參與到這個世界的建設中，而不是只能買回一個盒子里的產品，打開之后它自己展開，然后告訴你：“我已經設置好了，但我的工作方式是保密的。” 這歸根到底關乎信任，也關乎安全。而作為一家創業公司，我們也發現，社會對這種開放透明的期待，比我們最初預想的還要強烈。

這就是具身智能開源模型生態的現狀。這篇文章詳細聊了四個派系：學院派，巨頭，包括了中國公司在內的創業派，以及單獨拎出來講的Physical Intelligence。大家出于不同的目的、在不同程度上參與了開源生態的搭建，確定的是，這樣的生態正在幫助我們進一步突破技術和創新的邊界。

注：部分圖片來源于網絡

【本期節目不構成任何投資建議】

【視頻播放渠道】

國內：B站｜騰訊｜視頻號｜西瓜｜頭條｜百家號｜36kr｜微博｜虎嗅

海外：Youtube

聯系我們：video@sv101.net

【創作團隊】

監制｜泓君 陳茜

撰稿｜Vicky

編輯｜陳茜 王梓沁

主持 ｜陳茜

剪輯｜橘子

動效｜踹

運營｜孫澤平 王梓沁