小米開源具身生成大模型U0，要給機器人批量“造數據”

小米於7月15日正式發布並開源具身生成模型Xiaomi-Robotics-U0，簡稱U0，將大模型能力進一步延伸至機器人領域。這款模型擁有380億參數，採用多模態自迴歸架構，將具身世界建模與通用圖像生成能力整合在同一框架中，主要目標是為機器人訓練提供高效、低成本的大量仿真數據。機器人要在真實世界中學會抓取、搬運、整理等動作，需要反覆在各種場景中進行訓練。然而，現實世界的數據採集成本極高，週期長，尤其是一些危險、極端或低頻出現的場景，很難透過傳統方式充分覆蓋。U0的設計正是為了解決這個痛點，試圖將數據生成過程轉變為一條可批量運行的生產線。

具體來說，有了U0，機器人已經採集到的真實操作數據，可以直接更換其中的物體、光照、材質和背景，無需重新搭建場景、部署設備並重複採集。對於那些現實中難以獲得的長尾場景，模型也能根據需求直接生成相應的訓練數據。這項能力大幅降低了數據擴充的門檻與時間成本。為了提升生成效率，U0還提出了FlashAR與高速推理加速方案。透過對角並行解碼與緩存調度技術，模型將一張1024×1024解析度的高清訓練圖片生成時間，從原本的450.77秒壓縮至5.44秒，效率提升達82.9倍。這意味著機器人公司可以在極短時間內，批量產出覆蓋不同背景、光照條件與物體組合的訓練數據。

U0的功能涵蓋四大類任務：具身場景生成、具身軌跡遷移、機器人交互視頻生成，以及通用的文生圖與圖像編輯。這四項任務統一在一個模型之中，基本貫通了「生成場景—遷移軌跡—擴展環境—生成交互過程」的完整數據生產鏈路。開發者可以透過U0快速建立虛擬訓練環境，並將機器人的動作軌跡轉移到新場景中，進一步提高模型在真實環境中的適應能力。事實上，開源模式在具身智能領域並非首例。2025年3月，群核科技曾開源空間理解模型SpatialLM，該模型能將影片或點雲資料轉化為包含牆體、門窗、傢俱以及空間關係的結構化三維場景。企業可針對自身需求進行微調，藉此提升機器人對物理空間的理解能力。

這類開源嘗試顯示，業界正積極透過共享基礎模型來降低研發門檻。當前，具身智能行業仍面臨訓練數據不足、場景覆蓋有限以及研發成本高昂等挑戰。開源模型雖然無法完全取代真實機器人採集的數據，也無法解決所有複雜的物理交互問題，但確實能在一定程度上降低數據擴充與模型訓練的成本，加快機器人從實驗室走向工廠、倉庫和家庭等真實場景的進程。小米此次開源U0，不僅為自身機器人研發提供數據支撐，也讓更多開發者與研究機構能夠利用這套工具進行實驗與應用。隨著類似模型不斷湧現，機器人訓練數據的取得方式正逐步從「重資產、高人力」的傳統模式，轉向「輕量化、可複製」的生成式生產路徑。

業界認為，這將有助於加速具身智能技術的迭代與落地。值得注意的是，U0的發布時間點選在7月，距離小米先前在機器人領域的布局已有數年。小米旗下機器人產品，如CyberDog與CyberOne，均已在市場上引起關注。此次將大模型能力與機器人訓練數據生成結合，顯示小米正試圖從硬體製造向上游軟體工具鏈延伸，打造更完整的技術生態。整體而言，U0的開源為機器人社群提供了一個實用工具，尤其對中小型機器人新創公司而言，可以大幅降低數據準備的初期投入。未來若能持續最佳化生成數據與真實場景之間的差距，這類模型將有機會成為具身智慧發展的重要基礎設施。