小米机器人验证Scaling Law
卡尔的AI沃茨 · wechat · 2026-07-16
这篇文章系统解读了小米新发的具身机器人技术栈，重点是两套模型：Robotics-1 和 Robotics-U0。
主要结论
- 作者认为，小米在机器人领域验证了 scaling law：随着数据量和模型规模增加，能力持续、稳定提升。
- 过去机器人数据采集成本高、难以规模化；小米用 UMI（Universal Manipulation Interface） 这类便携采集设备，把真实世界操作数据从约 1 万小时级 推到 10 万小时级。
- 文中提到，随着数据从 2.5K、5K、10K 到 20K 小时增加，动作预测损失持续下降，训练更稳定；模型规模从 2B、5B 到 10B 也表现出“越大越好”。
Robotics-1
- 作为第二代大脑，主打真实环境中的操作能力。
- 在未见过的环境中测试鞋柜收纳、书包打包、桌面整理等任务。
- 文中称其在四个主流基准上都拿到第一，包括：
- RoboDojo：20.07 分
- RoboCasa365：57.4% 平均成功率
- RoboCasa：76.1%
- VLABench：59.1%
- 还提到它在少样本适配上优于 Physical Intelligence 的 Pi-0.5：平均每个新任务不到 10 小时数据即可做微调，并在四个新任务上全部超越对方。
Robotics-U0
- 这是一个 38B 参数 的统一具身合成模型，负责“想象力”和数据增强。
- 能根据文字生成多视角、几何一致的机器人操作场景图像，也能把真实轨迹迁移到不同环境。
- 作者认为它可以把少量真实轨迹“扩展”为大量不同场景，用来增强训练数据。
- 文中提到，基于它生成的数据训练后，Pi-0.5 在真实机器人任务上的 OOD 成功率从 36.9% 提升到 63.2%。
文章观点
- 小米的完整飞轮是：U0 造数据 → Robotics-1 变强 → 更多真实场景数据反哺 U0。
- 作者把这看作机器人走向“开箱即用”的关键一步，认为离家用机器人管家更近了一些。
「具身」频道最新
- 具身智能创业的隐藏难题：机器人公司需要另一种运营纪律 — ___Mufasaa · 2026-10-27
- π0.5 实验：演示数从 10 增至 438，放球入碗成功率 7%→83% — stingning · 2026-10-27
- GPT-6 Astra 零微调操控灵巧手：500 试仅 26 次成功，成功率 5.2% — stingning · 2026-10-27
- 灵巧操作基准 HandsOn 发布:66 个人工核验任务配 1.8 万条人类示范 — stingning · 2026-10-27
- 灵巧操作基准 HandsOn:GPT-6 Astra 成功率仅 5.2%,三大失败模式曝光 — stingning · 2026-10-27
- DexPort：手持真机器手的 20 自由度灵巧手数据采集接口 — pabbeel · 2026-10-27