專訪 Ψ₀ 團隊：用對方法，30小時真機數據也能練模型｜RSS 2026

在 RSS 2026 大會的現場，機器人學習領域迎來了一項令人矚目的進展。向來以頂尖學術研究與技術發表聞名的 Ψ₀ 團隊，於會中接受專訪時透露，他們成功打破了機器人學習長久以來依賴巨量真實數據的慣例，僅需要約 30 小時的實體機器人操作數據，就能訓練出具備實用能力的模型。這項成果立刻吸引了與會專家與開發者的高度關注，因為它直接挑戰了業界普遍認為「機器人學習必須仰賴海量真實數據」的既有認知。 過去，機器人學習領域的主流做法，往往需要動輒數百甚至上千小時的真機運行資料，才能讓模型在真實世界中穩定運作。然而，如此高昂的數據收集成本，不僅耗費大量時間與硬體資源，也讓許多實驗室或中小型團隊難以負擔。Ψ₀ 團隊的突破在於，他們並未否定真實數據的重要性，而是從數據的「質」與「策略」下手，重新定義了數據收集的思維模式。 團隊在訪談中詳細說明了他們的訓練路線。首先，他們在模擬環境中進行大規模的預訓練，讓模型在虛擬世界中學習各種基礎動作與感知能力。隨後，他們再透過刻意設計的少樣本真機數據進行微調。這個階段的關鍵，在於是否使用了「對的方法」來處理為數不多的真實數據。Ψ₀ 團隊強調，真正的核心不是數據量多寡，而是如何設計數據的採集策略與訓練流程。 針對「對的方法」，團隊進一步拆解出三項具體技術。第一是針對性地採集邊際情境（edge cases），也就是那些在常規操作中較少出現、卻對模型穩定性至關重要的特殊場景。第二是結合對比學習（contrastive learning）來強化特徵辨識能力，讓模型能更精準地區分不同動作或物體之間的細微差異。第三則是利用數據增強技術（data augmentation）擴充有限樣本的多樣性，在一筆數據上衍生出多種變化，從而讓模型學到更通用的表徵。這三管齊下的做法，使模型在真實世界中不僅能快速適應，還能有效避免過擬合的困擾。 值得一提的是，Ψ₀ 團隊在專訪中反覆強調，這項進展並非否認真機數據的價值，而是徹底改變了數據收集的思維方式。與其追求龐大的總量，不如將資源集中在高品質與高資訊密度的片段。團隊指出，過去許多研究團隊投入大量時間讓機器人反覆執行相同動作，但那些重複性高的數據對模型進步的幫助其實有限；若能改為採集那些真正具有學習價值的關鍵時刻，即使總時數大幅縮減，訓練效果反而可能更好。 Ψ₀ 團隊預計，這套方法在未來可廣泛應用於各類機器人場景，尤其是服務機器人與協作機械臂等領域。以服務機器人為例，它們往往需要在複雜且不斷變化的居家或辦公環境中工作，如果能夠以極低的數據成本快速學會新技能，將大幅提升其實用性與普及速度。協作機械臂方面，工廠中的快速換線需求也經常要求機器人學習新的組裝或搬運動作，Ψ₀ 團隊的架構可望讓這些調整變得更加輕便且經濟。 對於資源有限的實驗室與中小型團隊而言，這項成果無疑提供了更可行的技術路徑。過去，想要在機器人學習領域做出突破，往往必須先投入巨額成本購置實體機器人並長時間運行收集資料，這道門檻讓許多優秀的研究構想難以付諸實現。如今 Ψ₀ 團隊的經驗證明，只要方法得當，少量但設計精良的真機資料同樣能訓練出表現優異的模型，這意味著更多創新團隊有機會以更低的成本進入這個領域。 RSS 2026 大會現場的與會者普遍認為，這項研究不僅是技術上的突破，更是一種思維上的解放。它讓機器人學習不再被數據收集的龐大成本所束縛，而是引導業界重新思考：我們到底需要什麼樣的數據，以及如何從每一筆數據中汲取最大的資訊量。Ψ₀ 團隊同時也提醒，模擬環境的預訓練品質至關重要，如果模擬與真實世界之間的差距過大，後續的少樣本微調效果可能會受到影響，因此團隊也投入了大量心力在模擬環境的真實度調校上。 整體而言，Ψ₀ 團隊在 RSS 2026 上分享的成果，為機器人學習開闢了一條更有效率且更具包容性的道路。從數據收集的觀念翻轉，到訓練流程的技術組合，都展現出他們對「以最少資源換取最大效益」的深刻理解。對整個機器人產業來說，這套方法不僅可能加速技能學習研究的進展，更有機會讓服務與協作型機器人更快地走出實驗室，進入你我日常生活的每一個角落。