“大规模后训练，是具身公司最重要的事”。
特约记者丨王与桐
2018 年 11 月 27 日，当蔚来汽车第 1 万辆 ES8 在合肥工厂下线，李斌赢了。四个月前，他曾和何小鹏为新造车公司当年能否交付 1 万辆汽车打赌。彼时，多数新势力车企刚刚进入量产阶段，从样车走向万辆交付，不仅需要解决供应链配套、产能爬坡和质量控制等问题，还要建立覆盖全国的销售与交付体系。
8 年后，类似的 “万台” 节点在人形机器人赛道重演。
2026 年 11 月，上纬新材旗下的消费级品牌 “启元机器人” 将迎来第 1 万台机器人下线。
同样是 1 万台的节点，新能源汽车在 2018 年面临的挑战，机器人行业如今也要经历；新能源汽车当时不必攻克的技术难关，此刻恰是机器人行业的瓶颈。
尽管新能源汽车在当时仍需要突破续航、成本和规模化生产等限制，但有积累上百年的全球汽车工业体系支撑，控制车辆行驶、保障驾驶安全，已经有了经过长期验证的技术和工程方案。
人形机器人则不同，这个至今只有几岁的新兴行业，即使跨过了万台关口，如何让机器人理解千差万别的物理环境，稳定完成复杂操作，并在意外发生时及时调整，仍然没有成熟、可靠、被充分验证的技术路径。
最近，启元机器人展示了将 GPT-6 Astra 与自研具身模型结合的成果，让机器人能够参与大富翁等游戏；开源生成式世界模型 PrimeSim，尝试让机器人在虚拟环境中进行强化学习；同时通过 HIL-UMI 降低数据采集对机器人本体的依赖，探索大规模后训练的可能性。
在技术路线之外，启元机器人也开始将衣物整理、洗衣等具体家务任务作为重点探索方向，并提出先将有限场景中的任务成功率提高到 95% 以上，再逐步扩大泛化范围的研发思路。
这些技术探索看似分散，实际上指向家庭机器人的核心瓶颈：当通用大模型越来越强，机器人如何以足够高的成功率、可承受的成本，在千家万户中稳定完成物理劳动？
“快慢脑的分工，会长期存在”
2026 年 9 月 GPT-6 Astra 发布后，一段演示视频迅速传播。第三方机构 RoboCurve 的测试显示，未经针对性微调的 Astra 仅凭视觉输入与硬件实时状态，便能直接输出机械臂动作指令，在将红色方块放入碗中的任务中， 20 次尝试成功了 19 次。
95% 的零样本成功率，将一个曾困扰 NLP、法律与医疗 AI 的行业命题，正式推到了具身智能面前。自 2023 年以来，通用大模型不断侵蚀过去依赖专项训练的专业边界——编程端直接接管代码生成与修改，法律端未经专项准备即通过美国律师资格考试，医疗端也在多国执照考试中跨过及格线。
当通用大模型已经能够理解物理环境，甚至直接控制机械臂，机器人公司还有多少智能能力需要自己研发？
启元机器人用一段机器人玩 “大富翁” 的演示视频回应了这场讨论。
视频中，机器人能够理解规则、根据骰子点数决策，并通过机械臂抓取棋子完成移动。这一方案背后，是 Astra 与自研具身模型的结合——启元机器人将二者分别定义为 “慢脑” 与 “快脑”：Astra 负责环境理解、推理与任务规划，自研具身模型则专注于物理动作的实时执行。
启元机器人首席科学家、北大长聘副教授董豪告诉《晚点 LatePost》，若不接入 Astra，仅凭自研模型，机器人因缺乏复杂规则理解能力而无法完成游戏；但若完全交给 Astra 同样不可行。团队测试显示，让通用大模型直接操控机械臂抓取一次棋子，耗时超过半小时，单次推理成本约 1 美元；而由启元机器人的自研模型完成同一动作，仅需数秒。
董豪认为，Astra 的出现，正在推动机器人 “慢脑” 的技术路线逐渐收敛。过去需要具身模型独立解决的场景理解、复杂推理和任务规划问题，如今可以越来越多地交给通用大模型。机器人公司也不必再从头研发所有层次的智能能力。
不过，通用大模型能够承担更多思考和规划工作，并不意味着它可以取代机器人的全部智能。
董豪将机器人智能分为三个层次：思维智能、作业智能和运动智能。思维智能负责理解、推理和规划；作业智能负责抓取、整理等物理操作；运动智能则负责行走、奔跑、跳舞等身体运动。
董豪用人的肌肉记忆解释这种区别。一个人伸手拿起杯子，并不需要每移动一点距离，就重新思考手和杯子之间的关系。但如果让通用大模型直接控制机械臂，它可能需要不断观察、推理，再生成下一步动作。
大富翁演示中半小时与几秒钟的差距，正是这种分工在特定任务中的体现。
“用慢脑覆盖掉快脑，首先是不现实的，而且不经济的。” 董豪说。
因此，启元机器人采用的 “快慢脑” 分工，既能发挥通用大模型的推理能力，又能保留专用模型在物理操作上的执行效率。董豪判断，这种分工将在未来长期存在。
这种全新的快慢脑分工，对多数具身智能公司未必是好消息。它意味着具身智能公司过去投入研发的 “大脑” 正被通用大模型吞掉一部分，因此这些公司不得不重新评估已有技术的剩余价值，重构模型架构与研发路线。
接下来，具身公司的技术壁垒取决于能否把通用模型的决策，转化为快速、可靠的实际动作。
“成功率必须优先于泛化”
泛化能力一直是具身智能行业的核心难题。尤其在家庭场景中，不同的空间布局、物品和任务，都要求机器人能够适应陌生环境。
行业的主流思路之一是通过扩大训练数据的规模和多样性，提高模型的泛化能力。
董豪认为，现阶段比扩大泛化范围更紧迫的，是提高任务成功率。他举了个极端的例子，如果机器人能够适应 100% 的环境，却只能以 10% 的成功率完成任务，那么这种泛化能力的实际价值仍然有限。他更希望先在少数环境中将任务成功率提高到 95%，甚至 99%，再逐步扩大机器人能够可靠工作的范围。
董豪将这种思路称为 “横向 Scaling Law”。按照他的设想，机器人可以先在一个房间里将任务训练到足够可靠，再逐步扩展到更多房间、更多任务，并尽可能保持原有的成功率。
不过，要实现董豪设想的横向扩展，仅仅增加预训练数据还不够。
一般而言，具身智能模型主要依靠模仿学习建立基础能力。研究人员先采集人类操作机器人的示范数据，再用这些数据训练模型，让机器人学会相应动作。这能够让机器人快速掌握一项任务的基本操作，但在真实环境中，机器人不可避免地会犯错。而模仿学习使用的大量数据，记录的是人类正确完成任务的过程，未必充分覆盖机器人出错后应该如何调整。
因此，启元机器人不打算盲目扩大示范数据规模，而是更有针对性地弥补模型的能力缺口。
董豪举例，完成整理桌面任务时，如果机器人仅依靠模仿学习，模型的成功率难以突破 90%；引入人在环路（Human-in-the-loop）的后训练后，成功率才进一步提高。
这里的后训练，是指机器人具备基础操作能力后，针对执行过程中暴露的问题补充纠错数据，持续优化模型，使其学会处理此前无法应对的情况。
更重要的变化发生在训练周期上。
传统流程中，团队通常需要先采集一批数据，训练出新模型，再部署测试、记录问题，之后重新采集数据并训练。完成一轮迭代，可能需要数周，甚至一个月。
启元机器人正在尝试的在线后训练，则将数据采集、模型更新和测试连接起来。机器人执行任务时出现错误，研究人员可以针对这一错误补充修正数据，新的训练结果在约 5 至 10 分钟内就可能反映到模型表现中。
董豪对于后训练的重要性判断很坚定，甚至认为 “这应该是具身智能公司唯一要做的一件事了。”
“大规模后训练，是具身公司最重要的事”
2024 年，《晚点》访谈智元机器人联合创始人彭志辉时，他曾提出，机器人应该先进工厂，再进入家庭。工厂环境与任务相对固定，变量可控，机器人更容易通过专项训练提升成功率。目前进厂的机器人，也多用于抓取、放置和转运等标准化环节；家庭则充满随机变量，要求机器人在多变场景下始终保持稳定性。
董豪希望通过大规模后训练解决 “机器人适应人类不断造成的混乱” 问题，但要将其扩展到成千上万个不同环境，首先需要降低数据采集和训练的成本。
这也是启元机器人最近研究 HIL-UMI 的原因。
此前，机器人要通过后训练纠正操作中的错误，通常需要在真实环境中执行任务，由人观察、接管并补充纠错数据。机器人本体的成本、缓慢的执行速度，以及反复恢复现场所需的人工，都限制了这种方式的规模；手持设备采集数据虽然更便宜，却主要用于记录人类的正确示范，难以判断哪些操作是模型真正需要补课的。
HIL-UMI 尝试将两者结合，人在真实环境中使用手持设备完成操作，模型则根据相同的画面预测动作。系统通过比较两者的差异，识别模型可能不擅长的情况，再有针对性地补充训练数据。在整理桌面的实验中，HIL-UMI 的数据采集效率达到传统真机人在环路方法的 5.63 倍。
董豪认为，HIL-UMI 为后训练扩展到数千、上万个不同环境提供了可能。
不过，后训练并不天然比预训练便宜。随着训练环境和任务数量增加，未来大规模后训练需要投入的资源，甚至可能超过今天的预训练。
因此，除了改进真实环境中的数据采集方式，启元机器人还在尝试增加机器人能够进行训练的环境。探索之一就是启元机器人最近推出的生成式世界模型 PrimeSim，这一模型也在 11 月 6 日正式开源。
与传统依靠显式物理规则和图形学方法构建的仿真环境不同，PrimeSim 尝试通过真实数据学习环境和物体的变化规律，让机器人策略能够在模型生成的环境中进行交互，并通过强化学习改进动作。
启元机器人公布的实验结果显示，在所测试的策略和任务范围内，PrimeSim 与传统 LIBERO 仿真器对不同策略成功率的判断高度相关，相关系数达到 0.99。在 PrimeSim 中经过强化学习的策略，迁移到传统仿真器后，也取得了一定的成功率提升。
怎么理解这些结果？生成式世界模型不仅有望用于评估机器人训练效果，还可能成为机器人反复练习、提高操作能力的训练场。
不过，董豪并不因此认为世界模型会完全取代传统仿真器。
他向《晚点》解释，世界模型本质上是通过数据学习出来的仿真系统，优势在于可以随着数据规模增加，学习更多环境和任务的变化规律。但它也受到训练数据的限制，生成的环境未必始终符合真实的物理规律。
例如，在机器人导航任务中，董豪反而更倾向于使用传统图形学仿真。因为这类方法能够方便地生成大量结构明确的房间，也更容易保证空间布局的正确性。相比之下，使用生成式世界模型可能成本更高，结果也未必更可靠。
“数据是永远逃不掉的。” 董豪说。
HIL-UMI 和 PrimeSim 分别从数据采集和模型训练两个环节降低成本，减少机器人反复在真实环境中试错的需求。
毕竟，如果一台机器人要先在每个家庭里反复试错，才能学会稳定地完成家务，那么它依然很难真正走进千家万户。
“三年后，物理 AI 进入 RSI 阶段”
尽管启元机器人已展开对成千上万种家庭场景的适应性探索，但个人机器人进入家庭的切口或许比想象中更窄——它未必需要学会所有家务。
启元机器人的思路是，个人机器人可以先解决失败代价较低、有相对明确需求的日常劳动，例如整理衣物、打扫卫生和收拾餐桌；再逐渐扩大能够承担的工作范围。
与此同时，个人机器人的用途也未必需要全部由机器人厂商自己开发。启元机器人正在尝试与 WorkBuddy 等外部生态合作，将更多应用和交互能力接入机器人。
在董豪看来，“交互能力” 是除了后训练之外唯一有价值的事情。一方面，交互让机器人能够理解人的意图，并在执行过程中与人协作，将已有的操作能力转化为真正可用的家庭服务；另一方面，交互也是获取高质量人机协同数据的入口，为后续训练提供反馈。
董豪设想，未来可以由 Agent 统一调配通用大模型、第三方应用和机器人自身的作业智能。个人机器人的服务范围，也可能随着开发者生态的丰富而扩大。
不过，外部应用主要扩展的是软件和交互能力，机器人能否完成实际的物理劳动，仍然取决于自身的作业智能。
而在物理劳动这一侧，启元机器人希望建立另一种能力扩展机制：随着机器人能够完成的任务越来越多、适应的环境越来越广，它们也能在真实工作中积累更多交互数据；这些数据经过反馈和后训练，又可以进一步提高模型的任务成功率，帮助机器人进入更多环境，形成持续迭代的循环。
只是，目前的循环仍然高度依赖人类，机器人执行任务时出现错误，需要人来判断、纠正，并将反馈转化为新的训练数据。
董豪用 AlphaGo 和 ChatGPT 的训练路径作类比：前者先学习人类棋谱，再通过自我对弈的强化学习超越人类；后者在大规模预训练后，通过人类反馈强化学习（RLHF），让回答更符合人的要求。区别在于，围棋有明确的胜负，语言中的许多问题却难以直接判定好坏，需要人类反馈提供评价依据。
在他看来，具身智能也正处于类似的 “RLHF 阶段”，随着后训练系统不断完善，机器人能够独立完成的任务越来越多，需要人工介入的情况有望逐渐减少。一个人可以同时管理更多机器人，人类在整个训练系统中的参与比例也随之降低。
他预计，大约三年后，物理 AI 可能进入递归自我改进（RSI）阶段，机器人不仅能从执行任务的经验中持续学习，还有望逐步改进自身的学习过程。
不过，减少人工参与只是第一步。要实现真正的递归自我改进，机器人还需要从改进任务表现，进一步走向改进自身的学习方法。
这一方向在近几个月广泛受到学界关注和讨论。2025 年，Physical Intelligence 推出 π*0.6，通过机器人真实执行经验与人工纠错持续改进模型；2026 年，NVIDIA、卡内基梅隆大学等机构参与的 ENPIRE 研究，则进一步尝试让 AI Agent 自主分析机器人实验结果、修改训练代码，并通过真实操作验证改进效果。
家庭机器人的持续改进能力，比工业机器人更具想象空间。模型更聪明，机器人就能在真实生活中适应不同家庭的环境、物品和生活习惯，以更高成功率完成更多家务。
从启元机器人与整个行业的视角来看，万台下线是制造能力的阶段性突破；但对消费者而言，只有当机器人能以足够高的成功率、更快的速度和更低的成本真正替人分担家务时，他们才会心甘情愿地掏钱买单。
题图来源：《末路狂花》
- FIN -
