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。