一项基于最新机器人基础模型π0.6的实验，通过微调成功完成了“机器人奥运会”中的多项挑战，例如开门、翻袜子和清洁油腻的锅。这一进展揭示了莫拉维克悖论：机器擅长复杂的认知任务，却难以掌握人类看来简单的物理操作。其根本原因在于，物理智能无法通过语言或编程直接传授，必须依赖大量、多样化的真实世界操作数据进行学习。研究证明，将多模态大模型与大规模机器人预训练数据相结合，是提升机器人通用物理能力、实现真正通用智能的关键。
什么是莫拉维克悖论？
当计算机在国际象棋中击败世界冠军时，它能选出最佳棋步，却需要人类来移动棋子。如今，大语言模型能解决奥数金牌难题，却无法用铅笔写下答案。这种我们认为困难的事对机器来说很简单，而我们认为简单的事对机器却异常困难的现象，就是莫拉维克悖论。
- 对机器容易的： 国际象棋、数学问题、规划城市交通路线。
- 对机器困难的： 拿起棋子、写字、做三明治、洗碗。
为了凸显这一悖论，研究者 Benjie Holson 提出了一系列“机器人奥运会”挑战，包含的都是看似简单的日常行为。
“机器人奥运会”的挑战与成果
通过对 π0.6 模型进行微调，研究团队在5个奥运项目中取得了3金2银的成绩。大部分任务的数据收集时间都少于9小时。作为对比，一个未使用大规模机器人预训练数据的标准视觉语言模型（VLM）基线，在所有任务上均告失败。这充分证明了大规模机器人预训练的必要性。
🥇 项目一：全身运动（开门） 任务是推开一扇会自动关闭的门并穿过去。难点在于机器人必须在通过时一直保持门是开的。
🥈 项目二：衣物处理 由于机器人抓手太宽，无法完成将衬衫由内向外翻过来的金牌任务。因此，团队完成了银牌任务：将袜子由内向外翻过来。
🥇 项目三：基础工具使用 金牌任务是使用钥匙开锁。这需要精细的操作，以及在不放下钥匙的情况下重新调整其方向。银牌任务是制作花生酱三明治，铜牌任务是用喷雾瓶和纸巾清洁窗户。
🥈 项目四：指尖操作 银牌任务是使用宠物拾便袋。这要求机器人先将袋子边缘分开，套在抓手上，再用它捡起东西。由于现有硬件限制，金牌任务（剥橘子）无法完成。
-🥇 项目五：湿滑处理 金牌任务是用海绵和水清洗一个油腻的平底锅。这需要处理液体、湿滑的海绵以及油污。
为什么简单的事情如此困难？
人类大脑经过数百万年的进化，非常擅长与物理世界互动，但解决数学问题这类认知任务则需要后天刻意学习。我们很容易注意到自己学习数学的吃力，却几乎不会意识到自己使用双手时大脑的复杂运作。
我们无法对物理智能进行编程，因为我们在意识层面上并不真正理解它。
就像你无法通过口头指导让一个人成为游泳冠军一样，你也无法通过指令教会机器人如何拿起刀或用海绵擦拭。机器人缺乏最基本的物理技能基础，无法理解“拿起刀”这种指令的真正含义。这些基础能力深植于物理智能领域，超出了语言描述的范畴。
如何克服悖论：通用模型的路径
语言模型之所以强大，是因为它们能从海量文本中捕获知识。但物理技能并未被记录在互联网的文本中，因此语言模型本身无法解决物理智能问题。
关键在于将多模态大模型的“理论知识”与丰富多样的真实物理行为数据相结合。没有捷径可走，就像不看图像就无法学会“看”一样，没有足够的物理交互数据，机器人也无法学会“行动”。
- 基础模型的目标： 并非教会机器人所有可能的行为，而是建立一个足够丰富和多样化的行为基础，从而为多模态大模型的语义知识提供物理世界的“锚点”。
- 数据的重要性： 像 π0.6 这样的视觉-语言-行动模型，通过从多样化的任务中捕获通用的物理知识，为学习新技能提供了一个强大的基础，从而大大减少了学习每个新任务所需的数据量。
随着模型变得更强大，学习复杂任务将变得更加容易。未来的机器人将能通过更简单的途径学习，甚至通过强化学习自主积累经验。最终，我们将能构建出真正结合了物理理解与认知能力的通用模型，其理解世界的方式或许将与我们的大脑不再有本质区别。