小米扔深水炸彈：100000h真實數據，首次系統驗證機器人Scaling Law

機器人要複製大型語言模型的規模法則（Scaling Law），遠比外界想像困難。主要瓶頸在於，機器人的訓練數據必須從真實世界中採集，長期以來，業界始終困在小數據量、單一任務、反覆人工調參的「手工作坊」階段。小米近日發表了Xiaomi-Robotics-1具身基座模型，試圖從根本改變這個局面。這項模型以十萬小時的真實世界操作軌跡進行預訓練，再以約一萬一千小時的跨本體數據完成後訓練，據小米表示，這是國內首度在機器人策略模型中，對規模法則進行較為完整的系統驗證。傳統機器人數據主要依賴真機遙控操作，操作者必須在真實環境中執行抓取、整理、搬運等任務，同時還得處理失敗重試與設備維護。

這種採集方式不僅速度慢，而且數據天然與特定的機器人本體綁定；一旦更換機械臂或相機位置，同一任務的數據分佈就會產生變化，難以重複利用。小米為此重新設計了數據來源，開發出名為UMI（Universal Manipulation Interface）的可攜式採集設備，記錄人類在真實環境中的操作軌跡，而不局限於機器人本身。UMI可以進入家庭、辦公室、工廠等多元場景，捕捉更豐富的操作行為，幫助模型理解人類如何改變環境狀態。面對十萬小時的海量數據，人工標註顯然不可行。小米建立了一條基於視覺語言模型（VLM）的自動標註流水線，將長軌跡切割為片段，並以視覺語言模型描述每個階段的狀態變化。

模型訓練的目標，是根據視覺與語言條件，生成一段能夠推動場景變化的動作序列，從單純的「模仿動作」轉向「理解狀態變化」。實驗結果顯示，隨著預訓練數據從2500小時擴大至兩萬小時，模型在驗證集上的動作預測損失持續下降；當參數規模從20億提升至50億、100億，動作預測能力也同樣穩定提升。在機器人從未見過的真實家庭環境中，執行鞋櫃收納、書包打包等任務的成功率，也隨數據與模型規模的擴大而提高。這條從「數據規模」通往「模型能力」再到「真實任務表現」的鏈路，正是機器人版本規模法則的核心證據。僅有大量數據並不足夠，更深的挑戰在於數據格式不統一，導致能力難以遷移。

UMI數據記錄的是人類操作，而非機器人的控制信號；不同機器人之間的動作空間也不一致，若直接混合訓練，模型既無法統一表達，也難以執行指令。為此，Xiaomi-Robotics-1採用「預訓練＋後訓練」的雙階段範式。在預訓練階段，模型從十萬小時軌跡中學習通用動作表徵，關注的不是具體關節角度，而是更底層的物理規律，例如如何抓取物體、如何整理空間、如何透過連續動作改變環境狀態。後訓練階段則完成兩項關鍵對齊：一是本體對齊，將通用能力映射到真實機器人的控制空間；二是指令對齊，讓模型能夠理解自然語言並執行任務。

這個階段使用約一萬一千小時的跨本體數據，包含移動操作機器人、雙臂機器人數據，以及Bridge V2、RT-1、DROID等公開數據集。這種「用大規模低成本數據學習通用能力，用高品質真機數據完成落地」的設計，類似大型語言模型先預訓練再指令微調的思路。結果是模型具備了「開箱即用」的能力：在未見過的真實居家環境中，它可以根據自然語言指令完成鞋櫃整理、桌面收納、沙發整理等任務，而不需要針對每個場景重新訓練。更重要的是，規模效應得以遷移——預訓練數據越多、模型越大，在陌生場景中的成功率就越高，顯示模型學到的是可泛化的能力，而非固定的動作模板。

在複雜操作任務中，該模型僅需平均不到十小時的數據微調，性能就大幅超過從零開始訓練的模型，意味著機器人開發模式正從「每個任務重新訓練」轉向「在基座模型上快速適應」。Xiaomi-Robotics-1在多個主流模擬基準測試中也取得領先成績。在公認極具挑戰性的RoboDojo模擬評測中，它以20.07的平均得分與13.93%的成功率登上排行榜首位，顯著高於先前最優方法的13.07分與8.80%。在涵蓋數百種真實家庭場景的RoboCasa365基準中，它以57.4%的平均成功率刷新了由Google等團隊保持的46.6%最佳成績。

在Composite-Unseen任務劃分中，該模型展現出驚人的任務組合泛化能力。此外，在RoboCasa與VLABench等權威基準中，它也取得全面領先的成績。這些基準涵蓋物體操作、長程任務與組合泛化等能力，能有效檢驗模型是否真正具備通用性；而這些結果與真實機器人實驗的結論一致，顯示規模提升帶來的收益，既能改善離線指標，也能遷移到真實環境與新任務中。從7月14日到16日，小米機器人連續三天發布進展，先後推出進廠實習的機器人本體、統一生成模型Xiaomo-Robotics-U0，以及Xiaomi-Robotics-1，逐步建構起「本體—數據—模型」的技術閉環。

具身智能的終局，是軟體、硬體與數據一體化的系統戰。小米此次的成果，為中國龐大的機器人產業鏈提供了一條清晰且可落地的工業化發展路徑：當數據可以規模化生產，模型能像流水線一樣迭代升級，具身智能的「ChatGPT時刻」或許真的不再遙遠。