機器人能外包大腦了？PI開放API，訓練、推理搬上雲端

機器人前瞻（公眾號：robot_pro） 作者 | 鍾宸 編輯 | 漠影 機器人前瞻10月14日報道，今天，機器人模型公司Physical Intelligence（以下簡稱Pi）宣佈推出Pi API測試版（Pi API beta），向外部開發者提供模型訓練和推理服務。從技術博客來看，Pi API主要提供機器人模型微調（Fine-tuning）和雲端推理（Cloud-hosted Inference）能力，開發者可上傳自己的任務數據，在Pi託管的算力和基礎設施上訓練適配模型，再通過API調用模型驅動機器人執行任務，並根據實機測試結果補充數據、持續優化，從而減少自建模型訓練與推理系統的工作。

在Pi披露的案例中，Almond團隊使用該API迭代4天后，讓雙臂機器人Axol給自身裝配所需的間隔件去毛刺，參與加工自己的零件。從視頻來看，Axol可以將零件夾起，放到類似砂紙的工作臺上對零件進行摩擦，並自行實現翻面操作。由此在開源模型之外，Pi為機器人公司增加了一條託管服務的路徑。開發者可以圍繞自己的硬件和數據推進應用，把模型訓練和運行所需的部分基礎設施交給Pi。

一、讓機器人整理餐具、做漢堡、裝零件，Pi API展現跨場景應用能力 Pi讓少數公司提前訪問了API，以測試其是否能自行提升自主性，具體來看，Pi展現的視頻包含工業、商業、家庭等不同場景的應用，囊括餐飲配送、餐具整理、工廠上下貨、餐食製作以及康養照護等不同任務。在其技術博客的視頻中，除Almond團隊外，Argon Robotics在獲得 Pi API 訪問權限後35小時內，就打造出了一個經過精細調校的整理廚具的模型。從視頻來看，夾爪機器人的動作頗為流暢，面對人類的甩盤子、拿開架子的干擾，都能夠持續進行任務，且花費時間較短。robot.

com致力於食品配送及其他商業場景的應用，這家公司也採用了Pi的模型託管推理，其人形機器人將貨物放到到配送機器人的貨箱中，由其進行配送。Chef Robotics團隊此前根據收集的33個雙手演示數據，訓練了首個協調雙臂的模型。Pi API讓他們得以把新收集的數據，直接在第二天就能用在機器人運行的模型上，而不用自行訓練。在演示視頻中，機器人完成了製作漢堡、配比餐食的工作，雖然從環境來看，仍針對機器人做了適配，但機器人的動作相對流暢，製作漢堡僅用時一分鐘。Deft則在開發輪足人形機器人，用以輔助汽車製造車間的工作。

Pi介紹道，Deft在使用Pi API自行訓練新模型後，其機器人部件裝載任務成功率在六天內翻了一倍多。從視頻來看，機器人完成了將部件舉起、調整部件位置、裝配的工作，雖然速度較慢，但整個過程中，並沒有人類介入。Pi還展示了醫療場景的應用。Omakase的機器人在97次演示的10次倒茶任務中，成功率達到100%，並且在其他機器人上運行時，不需要再像之前那樣，針對每臺機器人對攝像頭進行校準。在視頻裡，機器人完成了丟垃圾、分類藥品、倒茶的操作，雖然仍為Pick and Place任務，但從Pi透露的成功率和機器人完成任務所需時間來看，已經具備一定落地能力。

值得注意的是，除上述提及的視頻演示之外，Pi一共放出了15個演示視頻，大部分為1倍速錄製，其還同時展示該視頻拍攝的地點，包括舊金山、奧克蘭、蘇黎世（瑞士）、東京、紐約等。二、從下載模型到調用服務，Pi接過哪些工作？要理解API服務的價值，可以先看Pi此前提供的開源路徑。2025年2月，Pi通過openpi項目開放π0的代碼和模型權重，並提供微調與運行示例，開發者由此可以把模型適配到自己的機器人上。不過，拿到模型之後，仍有不少工作要做。根據openpi官方文檔，開發者需要整理數據格式、配置訓練流程，在訓練完成後啟動策略服務器（Policy Server），再讓機器人程序與之通信。算力也有門檻。

openpi列出的單GPU配置估計顯示，推理需要超過8GB顯存，全量微調則需要超過70GB顯存。對小團隊而言，訓練任務能否順利啟動、軟件依賴是否兼容、模型服務如何維持運行，都可能佔用開發時間。託管服務的吸引力就在這裡： 把機器人模型做成API，就意味著開發者可以通過軟件接口使用模型服務，不需要再為本地部署、基礎設施建設等一系列工作投入大量資金。Pi API此次公佈的流程包括上傳數據、在其管理的算力和基礎設施上啟動微調，再通過託管網關（Hosted Gateway）調用訓練後的模型進行推理。Pi還計劃隨著底層模型更新，持續向開發者提供其最新模型。但接入接口仍需要工程適配。

攝像頭圖像從哪裡來、機器人關節狀態如何表示、模型輸出如何送給控制程序，這些都與具體硬件有關。API降低的是使用模型服務的門檻，機器人與模型之間的信息對應關係仍要建立。值得注意的是，遠程調用還會帶來新的時間開銷。一次動作更新要經歷圖像處理、上傳、模型計算和結果返回，單看模型本身計算得多快，無法得出整套機器人的響應速度。這意味著，雲端算力能減少機器人本地的計算負擔，現場網絡條件卻會參與決定運行效果。對於需要快速響應的任務，開發者還得把通信耗時放進整套控制流程中評估。Pi也稱，多數展示應用採用雲端推理，部分項目也遇到了網絡連接問題。

並且在目前，想要接入Pi API，仍採用申請許可的方式，官網稱將從小規模開始、分批接入。申請表會詢問申請者的機器人形態、模型訓練經驗、已有遙操作數據（tele-op data）量，以及對雲端或本地推理的偏好。結語：模型服務走向雲端，機器人開發或重新分工？Pi API帶來的一個變化，是機器人團隊可以將部分模型基礎設施交給外部服務商，把更多精力投入自己熟悉的任務。Pi負責持續更新模型，應用公司負責硬件適配、現場數據採集和工作流程整合，兩者有了更清晰的分工。這種分工有望減少團隊反覆搭建模型基礎設施的投入，但識別失敗原因、積累有效數據、讓機器人穩定完成任務，仍然需要應用公司在現場持續打磨。

API能否幫助團隊更快地將模型能力轉化為可交付的產品，將決定它的實際價值。與此同時，數據也是這類合作繞不開的問題。工業場景涉及生產信息和保密要求，機器人公司也需要考慮自身積累的數據如何被使用。企業是否願意將數據上傳至外部平臺，既取決於模型帶來的收益，也取決於數據使用邊界和保密機制是否清晰。因此，Pi API能否獲得更廣泛的使用，仍需在後續接入和實際部署中觀察。技術博客：https://www.pi.website/blog/api-beta