让机器人学会做任何事：Chelsea Finn的物理智能探索与突破

本文带你走进Chelsea Finn在Y Combinator分享的机器人学习前沿实践，从失败到突破，揭示通用机器人如何通过大规模数据、预训练与微调，逐步迈向“能做任何事”的物理智能。你将看到真实的技术难题、创业故事，以及对未来机器人行业的独到预判。

从“专用机器人”到“通用物理智能”：行业困局与新思路

在机器人行业，几乎每一个新应用都需要从头打造硬件、软件和运动策略，这导致“每解决一个问题就要创办一家新公司”。Chelsea Finn坦言：“如果你想真正解决一个机器人应用，你基本上要围绕这个应用建立整个公司。”这种碎片化让机器人难以真正走进日常生活。她联合创办了Physical Intelligence，目标是开发能让任何机器人在任何环境下完成任何任务的“通用模型”。这一思路借鉴了大语言模型（LLM）在数字世界的成功——不再为每个任务单独训练模型，而是用大规模多样数据预训练，再针对具体任务微调。Finn认为：“我们要做的，就是把这种智能从数字世界带到物理世界。”

失败、突破与方法论：让机器人学会叠衣服的真实故事

机器人叠衣服听起来简单，实际却极其复杂。Finn和团队经历了数月的失败：从只能叠同尺寸同品牌的T恤，到面对皱巴巴的衣物时屡屡“0%成功率”。她回忆：“我们有两三个月什么都不管用，真的很难熬。”团队尝试了更高分辨率、更复杂控制、更丰富数据，甚至引入记忆和分层策略，依然收效甚微。突破来自于借鉴语言模型的预训练-微调范式：先用所有数据预训练，再用高质量、策略一致的示范数据微调。结果，机器人首次连续叠好五件衣服并堆叠起来，Finn激动地说：“那天我回家特别兴奋。”这个案例不仅展现了技术难题的真实面貌，也体现了“从简单到复杂、逐步递进”的工程方法论。

技术细节与模型演进：多模态、预训练与跨任务泛化

Physical Intelligence团队采用了视觉-语言-动作（VLA）模型，参数量从百万级跃升到三十亿级。模型不仅输入图像，还能理解语言指令，通过扩散模型预测未来动作序列。更重要的是，预训练不再局限于单一任务，而是覆盖所有收集到的机器人数据，再针对具体任务微调。这一策略让机器人能处理未见过的衣物（如V领、带扣衬衫），甚至应对人类的干扰和实时纠错。Finn强调：“我们发现，预训练和高质量微调的组合远远优于单独训练。”此外，这套方法能迁移到其他任务和机器人——如清理桌面、组装纸箱、点燃蜡烛，甚至远程微调别家公司收集的数据，机器人无需见面就能学会新技能。

跨环境泛化与开放式指令：让机器人走出实验室

机器人往往只能在训练环境中表现良好，难以适应新场景。Finn团队通过收集超过100个不同房间的数据，预训练模型后，机器人能在从未见过的Airbnb厨房和卧室完成“收拾房间”“清理桌面”等任务。她指出：“多样化数据能显著提升泛化能力，性能提升超过20%。”团队还解决了机器人忽略语言指令的问题，通过“token化动作”并阻断梯度，保留了视觉语言模型的理解力，指令跟随率从20%提升到80%。更进一步，利用语言模型生成合成指令和人机互动，机器人能理解复杂、开放式的请求和实时纠错，比如“做个素食三明治，不要加泡菜”，或“只收拾垃圾不收拾餐具”。Finn坦言：“我们能让机器人像大语言模型一样响应开放式提示和插话。”

行业展望与创业故事：物理智能的未来挑战与机遇

Finn认为，通用物理智能将远超家庭应用，涵盖物流、实验室自动化、医疗等领域。她直言：“我们不是只做家务机器人，而是要解决物理智能的更大问题。”尽管机器人创业曾经难以获得投资，但随着技术进步和实际效果的显现，行业热度正在上升。她回顾：“十年前我刚开始做这项技术时，什么都不管用。现在，大家都很兴奋，愿意投入资金。”在技术层面，Finn强调开源和基础设施的重要性，呼吁更多人参与机器人软件、数据收集和模型微调的开源社区。她也坦言，学术界和产业界各有优势，资源充足未必总是好事，“有时资源多了反而不够审慎，计算浪费更多。”对于未来，她认为“真实世界的大规模数据不可替代”，但合成数据和仿真在评估和泛化上也有巨大价值。

总结

Chelsea Finn的物理智能探索不仅是技术突破，更是方法论和行业思考的结晶。从专用到通用、从失败到突破，她用真实故事和细致技术细节展现了机器人学习的艰难与希望。对读者而言，这不仅是一次技术前沿的见闻，更是对“如何让AI走进现实世界”的深刻启发——多样化数据、预训练与微调、开放式交互和持续的工程迭代，正是未来机器人走向“能做任何事”的关键。

关键词： 物理智能， 机器人学习， 预训练， 微调， 视觉语言模型， 多模态， 创业故事， 泛化能力， 开源模型， 大语言模型

事实核查备注： Chelsea Finn（人名）；Physical Intelligence（公司名）；Y Combinator（公司名）；Polygeemma（三十亿参数视觉语言模型）；100-300百万参数模型（技术细节）；叠衣服任务（案例）；超过100个房间的数据（具体数字）；token化动作、扩散模型（技术名词）；20%到80%指令跟随率（具体数字）；“我们发现，预训练和高质量微调的组合远远优于单独训练。”（原话）；“我们能让机器人像大语言模型一样响应开放式提示和插话。”（原话）；“十年前我刚开始做这项技术时，什么都不管用。现在，大家都很兴奋，愿意投入资金。”（原话）