由 Sarah Xiao 
10 月，宇树的一次内部测试里，机器人被安排去画画。据王兴兴说，它会自己换色、在下笔之间清洗画笔——这些行为，团队没有为它单独写过一行程序。十天前，他还说过一句更大的话：GPT-7 可能把具身智能这个问题”打穿”。
同一个月里，Physical Intelligence 和 Dream Labs 相继开放了机器人模型 API；Google 和 NVIDIA 则公布了”通用模型参与机器人研发”而不仅仅是”控制机器人”的进展。
把这几件事放在一起看，它们不是同一件事的四个版本。
真正变化的不是”大模型能控制机器人”，而是三样东西：能力从哪来、训练怎么分工、研发流程怎么跑。这三点都真实、可测，但也都只被部分验证——这一点要放在前面说清楚。
同一个模型，两项任务，差了一个数量级
要说明通用模型确实提供了可用的操作能力，最干净的证据，也是最不好看的那份。
Robocurve 用 GPT-6 Astra 控制 YAM 机械臂：把积木放进碗里，20 次成功 19 次，平均每轮 2.5 分钟；换成把拼图插进凹槽，20 次只成功 2 次，平均每轮 3.4 分钟。同一套硬件、同一个模型、同一套代理框架，成功率差出十倍，而且两项都很慢。
这个结果正好对应 DeepMind Gemini Robotics 研究负责人 Keerthana Gopalakrishnan 在 10 月访谈里做的区分：覆盖面和熟练度是两个问题。能尝试更多任务，不等于每项任务都做得好。通用知识帮得上长尾场景；接触精度、速度和纠错能力，仍要各自的训练与反馈。
对机器人团队的实操含义很直接：先测清现成模型能完成什么，再只给失败的那个环节补训练。可以少做的工作是真实的，必须自己做的工作也是真实的。
新 API 到底给了你什么
π 在 10 月 13 日发布的 API beta，提供数据上传、托管 fine-tuning 和云端 inference：用自己的机器人采数据，调用现成的 foundation model 做适配。Dream-1 报告的东西更激进一些——部分未参与训练的双臂平行夹爪机器人，可以不采本体专属示范，先接入测试。
能这样做的关键条件，是把动作接口放在末端而不是关节：模型输出夹爪的位置、朝向和开合，本地 IK 求解器再把目标转成关节指令。接口共用，经验才能跨本体；求解器在本地，所以可达范围、关节限制和运动约束仍然是你自己的问题。
Dream-1 用的是 WAM，把视频和动作放在一起预测。共用接口帮助不同身体复用经验，但实际迁移仍取决于训练和本体差异：部分双臂夹爪的结果，不能直接推广到灵巧手——那里的接触是连续的，动作空间也大得多。
接进 API 之后，剩下的训练可以按目标分成 pre-training、mid-training、post-training 三段。行业里没有统一命名，各家流程也不一样。NVIDIA 今年 2 月公布的 EgoScale 是个具体例子：先用人类第一视角操作数据做 pre-training，再用对齐后的人机数据做 mid-training，最后针对下游任务做 post-training。”对齐”这一步存在的理由很朴素——人手和夹爪在结构、视角和动作表达上都不一样。
数据的问题变具体了
如果基座模型已经覆盖了某种能力，继续重复采集同类数据的收益就很有限。问题于是变成：你填的是哪个具体的洞。
伯克利教授、π 联合创始人 Sergey Levine 在 10 月的访谈里描述了这种迁移：模型起步时依赖示范；能力提高之后，语言指导、自主试错、人类视频会更有用。今天有效的配比，未必适合下一阶段。
第一人称人类视频在这轮变化里承担了很重的角色：它能扩大场景与操作的覆盖面，而且采集不必占用机器人——机器人工时贵，扩不快。但从人的活动里学到的经验，必须转成机器人可用的感知与动作表示，这正是 EgoScale 那类 mid-training 在解决的问题。
10 月李飞飞与合作者发布的 FACT，走的是另一条切面：力。带力测量的人类操作与机器人示范一起用于 pre-training，模型在粗动作规划之后用力预测细化动作；论文的消融实验支持了这些力信息的作用。
三条线索指向同一条规则：数据的价值看它补上了哪种能力，不能按时长计。缺场景覆盖就扩覆盖；接触控制不足就补物理信号；失败后无法恢复，就需要能教会它纠错的经历。否则只是多买了几块硬盘。
反馈闭环本身就是产品
机器人部署得越多，记录到真实差异和失败的机会就越多。但原始日志不是训练信号。它要经过结果标记、纠正采集或奖励构造，再回到训练和复测，才有机会变成更好的策略。
π 的 API 把这个闭环写得很明确：上传数据、fine-tuning、在真机上跑、根据失败决定下一轮补采什么。这个流程仍然需要开发者来组织——机器人接入 API 之后不会自动进化。
π 更早的两项研究，展示了把闭环”设计出来”而不是”碰出来”是什么样。2025 年 11 月的 π*0.6 用 RECAP，把示范、运行中的人工纠正和自主尝试结合起来，用强化学习利用结果信号——失败因此能进入训练，post-training 也可以在部署和测试之后继续进行。2026 年 4 月的 π0.7 把机器人数据、人类视频和自主执行经历放进同一个框架，并用质量、速度、策略等条件区分数据；团队还把 RECAP 训练中积累的执行经验蒸馏进 π0.7。在衣物折叠、制作咖啡和折盒测试中，一个通用模型达到了此前专项 RL 模型的成功率和吞吐量。
这是整套东西里影响最大的一条判断：在专项任务中获得的能力，有可能进入下一代 foundation model，后来者因此少做一部分适配。但 post-training 不会消失——新任务、新设备、更高的作业要求，仍然落在这一段。
仿真扩大试验，真机负责签字
通用模型也在进入研发流程本身：重建场景、生成训练数据、分析失败、修改程序，再把训练出的策略放到真机上测。机器人能力因此可以通过流程改进，而不必运行时都在线调用模型。
Google 在 10 月 13 日的 Gemini 4 Argon 机器人文章里，展示了 Real2Sim、物理校准和仿真辅助训练；NVIDIA 在 10 月 21 日的 Isaac 更新中，给出了结合 Astra、Isaac 与 Cosmos 的数据生成、训练和评估参考流程。
需要分清的是：3D 资产更容易生成，和仿真是可用的，是两件事。资产生成快，减少的是搭场景的人工；要让仿真帮上训练，接触、摩擦、运动响应仍须接近真实。物理解算器参数不对，模拟结果照样会把训练带偏——这和没有仿真一样糟。仿真负责扩大试验规模，真机提供校准和验收依据。
怎么判断”下一代模型打穿具身”
王兴兴那句话是个人预测，不是发布计划，也不是已验证的能力；宇树也没有公开画画那段演示背后的控制架构，所以 GPT-6 具体负责了哪些环节，目前不清楚。
但这个预测是可以检验的，而且检验要三件事一起报：
- 能力迁移：换任务、换场景、换机器人之后，还剩多少能力。
- 额外训练：达到同样的作业要求，需要补多少数据和人工调试。
- 作业质量：速度、稳定性、连续运行和失败恢复，是拿得出手，还是只在镜头前成功过一次。
真正能推动具身路线的下一代模型，要能用更少的新增数据和人工调试，支撑更多任务中的可靠作业。任何只在单一任务、单一机器人、一个下午的测试里得到的结论——包括目前公开的大部分结果——都回答不了这个问题。
常见问题
GPT-6 真的让机器人学会了画画，而且没写新代码吗？
宇树说的是一次内部测试：机器人自主换色、清洗画笔，团队没有为此单独编程。但公司没有公开控制架构，也没有给出失败率，所以这应当被看作厂商对演示的描述，而不是经过测量的能力。
覆盖面和熟练度有什么区别？
覆盖面是模型能”尝试”多少任务，熟练度是每项任务做得多好。通用模型靠语义理解能快速抬高覆盖面，但接触密集型任务——插入、擦拭、装配——成功率可能仍远低于可用水平。
为什么”末端动作接口”能帮助跨本体迁移？
因为它把动作表达在许多机械臂共有的空间里：夹爪在哪、朝向如何、开合多少。本地 IK 求解器再把它转成关节指令，模型因此不必学习每台机器人的运动学——但可达范围、关节限制和动力学仍然与本体绑定。
仿真变好了，还需要真机数据吗？
需要。仿真能扩大试验规模、生成稀缺场景，但接触、摩擦和执行器响应必须对着硬件校准，最终验收也在真机上。现实的分工是：仿真负责广度，硬件负责真相。
只用人类视频够吗？
不够。第一人称人类数据能便宜地扩大场景与任务覆盖面，但要映射到机器人的感知与动作空间，而且不含接触密集任务需要的力信号与失败信号。它是配方里的一味，不是替代品。