本节视频
配音由 AI 合成。 视频章节、文字稿与出处
文字稿
文字稿
知行问
机器人研究了几十年，为什么偏偏是这两年，突然都会动手了？答案是三条曲线，在同一段时间里一起抬头：数据、模型、算力。这一集，我们一条一条看。
数据
教机器人，就像带学徒：得先让它看很多遍。可过去，每个实验室只攒自己机器人的一小份数据。二零二三年，一篇论文把二十一家机构的数据，拼到了一起。里面有二十二种机器人，五百多种技能。更大的一步，是直接看人干活。二零二六年初，一篇论文用了两万多小时的录像。人头戴相机，从自己的视角拍下工作，给机器人模型打基础。机器人真的能跟着人学！
模型
数据够了，还得有能消化它的模型。聊天AI背后的大模型，看过海量图文，认得杯子，也认得桌子。二零二三年，谷歌的一篇论文想了个办法。把机器人的动作，也写成一串“词”，让模型看完图，直接说出动作。研究团队报告了六千次真机测试的结果。碰到没见过的东西，它也做得更好。到了二零二六年，这样的模型已经开放下载，允许商用。四月，一家芯片公司推出了人形机器人模型。参数规模达到三十亿。它预训练用的，正是刚才那两万多小时的人类录像。数据和模型，在这里接上了。会看图说话的模型，学会动手了！
算力
最后是算力。训练模型要算，机器人干活的时候，身上也要算。再看训练，前沿模型的训练算力每年增长四到五倍。这是研究机构给出的统计。机器人模型，就站在这些大模型的肩膀上。机器人身上的计算模组，也在快速变强。官方标称，在特定精度下，它的峰值算力是上一代的七点五倍。算力跟上了，大模型才能装上机器人，一边看、一边想、一边动。三条曲线，分开看都不新鲜。新鲜的是，它们在同一段时间里一起抬头，互相推着往前走。不过，曲线抬头，不等于问题解决。上一集说过：做到一半出了岔子，机器人还常常接不住。回顾一下，三个要点。一，数据：从各攒各的，到看人干活也能学。二，模型：看过海量图文的大模型，学会了输出动作。三，算力：训练和机器人身上，都跟上了。所以，不是机器人突然变聪明，而是三样条件终于一起成熟了！那机器人的一秒钟里，到底发生了什么？下一集见！
证据与出处
22 种 · 机器人的数据拼进同一个数据集（21 家机构、527 种技能） [R] · arXiv 2310.08864 · Open X-Embodiment
6,000 次 · 真机评测；对训练数据里没有的物体，泛化明显更好（RT-2，视觉-语言-动作模型） [R] · arXiv 2307.15818 · RT-2（Google DeepMind）
动手与自测
小测公开，答案与解析在作答后显示；图文课里的练习答案需登录查看。
机器人研究了几十年，为什么偏偏是这两年，突然都会动手了？“物理AI实验室”第 0.2 集的回答是三条曲线：数据、模型、算力，在同一段时间里一起抬头，并且互相推动。本文是这一集的文字版，列出每个数字的出处，并标明哪些是作者或厂商自报。
说明：本文可以独立阅读，沿用第 0.1 集的例子：拿起桌上的杯子，不碰倒旁边的水瓶。
一、数据：从各攒各的，到看人干活
教机器人像带学徒，得先让它看很多遍示范。过去的问题是，每个实验室只攒自己那台机器人的一小份数据，格式、机型、任务各不相同，彼此用不上。
跨机构拼数据。2023 年 10 月提交的 Open X-Embodiment 论文，把 21 家机构的数据拼到了一起：论文称，数据集涵盖 22 种不同的机器人、527 种技能（160,266 个任务），并在上面训练了 RT-X 模型，报告了跨平台的正迁移。
直接看人干活。机器人数据再怎么拼，也要靠人遥操作一条条采。更大的一步是从人类视频中学。2026 年 2 月提交的 EgoScale 论文，用 20,854 小时带动作标注的第一视角视频（egocentric video，人戴着相机从自己眼睛的角度录下的视频）预训练一个视觉-语言-动作模型。论文称，这比此前同类工作大 20 倍以上；数据规模与验证损失之间呈对数线性的缩放关系；最终策略在一只 22 自由度的灵巧手上，平均成功率比不做人类数据预训练的基线提高了 54%（论文未写明是相对提升还是百分点）。20,854 小时，约合不间断播放 2.4 年。
登录后继续阅读本课其余各节、自测题与答案。
局限 / 注意
- 三条论文数字（22 种机器人、20,854 小时、6,000 次）都是作者自报；EgoScale 为 2026 年的预印本，尚未经过同行评审。
- GR00T N1.7 的“允许商用”来自 NVIDIA 博客的表述，具体许可条款请在使用前查阅模型页面的许可证。
- “三条曲线”是帮助理解的框架，不是因果证明。机器人能力的进展还取决于硬件本体、仿真、评测方法等本集没有展开的因素。
链接
- Open X-Embodiment: Robotic Learning Datasets and RT-X Models（arXiv 2310.08864）
- EgoScale: Scaling Dexterous Manipulation with Diverse Egocentric Human Data（arXiv 2602.16710）
- RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control（arXiv 2307.15818）
- NVIDIA Isaac GR00T N1.7（Hugging Face 博客）
- Epoch AI: Training compute of frontier AI models grows by 4-5x per year
- NVIDIA: Jetson Thor Now Available
