一家成立僅兩年的機器人初創公司Physical Intelligence，憑借其最新發布的機器人基礎模型π0.7，在人工智能與機器人領域引發了廣泛關注。這款模型賦予機器人執行未明確訓練任務的能力，從操作空氣炸鍋烹飪紅薯，到在從未接觸過衣物折疊數據的工業機器人上成功疊好T恤，展現出令人驚嘆的泛化能力。
π0.7的突破性在于其能力并非預先設計，而是在訓練過程中自然“涌現”。研究科學家Ashwin Balakrishna分享了一個典型案例：他隨機購買了一個齒輪組，詢問機器人能否轉動它，結果機器人成功完成了任務。這種超越機械記憶、能夠組合技能解決新問題的能力，在機器人領域尚屬首次，標志著機器人AI可能正接近類似大語言模型領域的“GPT-2時刻”——能力開始以超出基礎數據預期的方式增長。
在空氣炸鍋實驗中，π0.7的表現尤為引人注目。盡管模型僅見過兩個相關片段，未接觸過完整的“拿起紅薯-打開炸籃-放入-關閉-啟動”操作鏈，但當研究者通過語言逐步指導時，它能夠精準跟隨指令完成整個烹飪流程。早期實驗成功率僅5%，但通過優化提示工程，成功率迅速提升至95%。這一現象與大語言模型的“涌現”能力類似，模型能夠將從未同時出現的技能重新組合，展現出強大的適應性。
跨具身遷移實驗則進一步證明了π0.7的物理形態適應性。研究團隊在一個完全不同的機器人平臺——雙臂UR5e系統上測試π0.7。這款工業機械臂手臂更長、更重，夾爪精度較低，且研究者未用其收集過任何衣物折疊數據。然而，π0.7不僅成功折疊了T恤和毛巾，任務進度達到85.6%，成功率80%，幾乎與擁有375小時遠程操作經驗的頂級人類操作員持平。更關鍵的是，π0.7沒有盲目模仿訓練數據中的動作，而是根據UR5e的物理特性調整策略，采用垂直抓取而非源機器人常用的傾斜抓取，體現了對任務目標的理解和身體特性的適配。
在常規靈巧操作任務中，π0.7同樣表現出色。與通過強化學習微調的專用模型π0.6*相比，π0.7在制作濃縮咖啡、組裝盒子、削蔬菜皮等任務上達到或超越了專用模型的性能。例如，在衣物折疊任務中，π0.7的吞吐量甚至超過了RL專家模型；在需要記憶的任務中，它無需微調即可達到與專用記憶模型相似的水平。指令遵循方面，π0.7在14個開放式指令場景中的成功率顯著高于前代模型，能夠處理復雜指代指令，如“拿起最大盤子上的水果”，并結合子目標圖像進一步提升性能。
π0.7的技術核心是一個約50億參數的視覺-語言-動作模型（VLA），其架構包含視覺-語言骨干網絡、動作專家模塊、記憶機制和多模態上下文處理。訓練數據涵蓋多種機器人平臺的演示數據、自主策略評估數據、人類遠程操作干預數據、第一人稱人類視頻以及互聯網非機器人數據。通過元數據標注區分數據質量，模型能夠從次優數據中學習而不損害性能，同時利用“知識絕緣”技術穩定學習多模態上下文。
