机器人开源热潮下的万亿博弈

[陈茜]: 为什么机器人行业有这么多开源模型？这是做慈善还是钱太多烧得慌？为什么机器人开源模型能够打败谷歌？这背后是谁在下怎么样的一盘大棋呢？

2月前后，小米、蚂蚁、阿里达摩院、宇树纷纷发布机器人开源模型。再往前，英伟达在 CES 上发布了 GR00T N1.6，把自家号称“世界首个开放人形机器人基础模型”又再度升级。我们不仅开源了模型，还开源了用于训练这些模型的数据。这些个消费电子公司、互联网巨头，还有芯片帝国，最近都一股脑地把机器人的“大脑”拿出来，免费给全世界用。机器人开源模型的生态当中，有什么样的心机和万亿美元押注的博弈呢？

Hello 大家好，欢迎来到《硅谷101》，我是陈茜。这个视频我们就来继续聊聊机器人系列。之前我们机器人“闭源模型”那期分析了如今具身智能通用的 VLA 模型，拆解了特斯拉、Figure 这些闭源巨头的不同路线，以及它们如何用硬件和数据优势构筑护城河。而这个视频，我们与全球顶尖具身智能实验室的研究人员深聊之后，来扒一扒开源算法路线中的核心玩家和关键的技术领军人物们。

在开源模型派别中，VLA 模型依然是主流。简单来说，就是让机器人“看到”周围环境，“听懂”你的指令，然后“做出”正确的动作。目前开源 VLA 模型大致可以分为四股力量：第一是学院派，代表模型是 OpenVLA 和 Octo；第二是巨头生态派，代表是英伟达的 GR00T N1 和谷歌的 Gemini Robotics；第三是创业公司与中国力量，包括自变量、OpenMind、小米、蚂蚁等等；第四是技术极致派，追求极度精度和泛化能力，代表模型是 Physical Intelligence 的 π₀。

学院派：OpenVLA 与 Octo 的以小博大

[陈茜]: 首先我们来说说学院派。OpenVLA 的一战成名发生在 2024 年的 6 月，这个只有 70 亿参数的开源模型，在 29 项机器人操作任务中，全面击败了“顶流”——谷歌 DeepMind 的 RT-2-X。RT-2-X 有 550 亿的参数，是 OpenVLA 的 8 倍大，背后站着整个谷歌的算力和数据资源。但结果是，OpenVLA 的成功率比 RT-2-X 高出 16.5%。

那 OpenVLA 凭什么以小博大呢？凭的是一个很聪明的架构设计：两个视觉编码器加大语言模型。对于谷歌 RT-2-X，因为它只用了一个视觉编码器，你可以想象成一个超聪明但什么都自己做的人，能力很强但是信息处理效率更低。而 OpenVLA 用了两个视觉编码器，相当于有了“两双眼睛”：第一双眼睛叫做“DINOv2”，负责理解空间关系；第二双眼睛叫做“SigLIP”，专门理解语义和常识。然后再由当时的开源大语言模型 Llama2 充当“大脑”，把空间信息和语义信息融合起来，处理指令和推理。简单来说，OpenVLA 像一个三人小团队协同作战，把两类信息物理隔离、各自优化，再统一决策，整体反而更强。这突然让我想到一句话，“三个臭皮匠，顶个诸葛亮”。

我们再来说说另外一个比较典型的开源路线“Octo”。如果说 OpenVLA 代表“规模化开源”，那么 Octo 就是“普及型开源”。Octo 只有数千万参数，它是一个基于 Transformer 的扩散策略模型，定位不是最强，而是人人可用，希望给开源社区提供一个更轻量、可以快速适配的通用机器人策略基础模型。

巨头生态：英伟达与谷歌的“安卓”野心

[陈茜]: 接下来我们再来说一下开源生态的巨头们，特别是英伟达和谷歌。2025 年 3 月的 GTC 大会上，黄仁勋亲自站台发布了 GR00T N1，采用双系统架构：一个基于视觉语言模型的“System 2”负责慢思考，理解环境、解读指令、作出规划；一个基于扩散 Transformer 的“System 1”负责快思考，以高频率把规划转化为精确的关节动作。而且英伟达不止给模型，还给了整套生态，用 Omniverse 做数字孪生，用 Isaac Sim 生成合成训练数据，用 Cosmos 生成视频数据，用 Newton 物理引擎做仿真。

Google 在机器人通用策略上也在持续布局。早期的 RT-1 开源了代码和数据，但后续更强大的 RT-2 变成了闭源模型。最近 Google 也在加速，发布了 Gemini Robotics 系列模型，还挖来了前波士顿动力首席技术官 Aaron Saunders。DeepMind CEO Demis Hassabis 把这个愿景称为是“机器人界的安卓”，做通用的机器人操作系统。

中国力量与初创公司的开源实践

[陈茜]: 中国在开源具身智能领域的参与正在加速。小米发布的 Xiaomi-Robotics-0 采用 MoT 混合架构，改善了推理延迟问题。蚂蚁集团的 LingBot-VLA 强调跨形态泛化，目标是“一个大脑控制所有类型的机器人”。自变量机器人 CTO 王昊谈到了开源的初衷：

[王昊]: 其实我们这次也是持续地发扬开源精神，也包含了、吸收了很多经验。所以我们这次也是用了大概几万小时的真实世界的数据，我们基于已经预训练好的基础视觉语言模型去做扩展，让它具备比较强的视觉理解、空间推理、多语言的指令遵循能力。我们也希望我们这次开源能够对具身智能上面有一个比较好的补充。

[陈茜]: 在硅谷的初创公司当中，我们采访了由斯坦福教授 Jan Liphardt 创立的 OpenMind。他希望为不同厂商的人形机器人构建一个通用的软件层：

[Jan Liphardt]: 我们真正想做的，是让任何人、在任何地方，都能轻松打造出能够完成各种有用任务的机器人。而这一切，只需要通过修改提示词就可以实现。

π₀：将连续控制做到极致的流匹配路线

[陈茜]: 最后一个派系是目前开源界最受瞩目的模型 π₀，来自 Physical Intelligence（简称 PI）。π₀ 代表的是另一条思路：把“连续控制”做到极致。在动作生成部分，π₀ 使用了 Flow Matching（流匹配）思路，直接生成连续的关节轨迹。PI 研究员、π₀ 论文作者柯丽一鸣介绍道：

[柯丽一鸣]: π₀ 控制频率大约是 50Hz，也就是每秒更新约 50 次的动作。当时是有一些内部的讨论，说要不要再多一点和短一点，但是可能对我们来说更重要的是，想让模型一口气输出一个长度大概在 1 秒左右的计划。这个 1 秒刚好是 50 步、50 赫兹。

[陈茜]: 这种高频连续控制带来了一个质的飞跃。π₀ 能做折纸、玩扑克牌这种需要极高精度的任务，动作更加流畅，减少了抖动和迟滞。而且 π₀ 的迭代节奏非常快：

[柯丽一鸣]: 把 π₀.₅ 这个模型放到一个移动机器人，把这个移动机器人再放到不同的没有见过的别人的家里。它好像展现出了有一点像人类一般的拿一个东西，其实你到别人家你还是能拿。

机器人届的“复仇者联盟”

[陈茜]: 更有意思的是，曾经主导闭源模型的多位顶级科学家，后来成为了机器人开源社区的领导者。OpenVLA 的核心人物 Chelsea Finn，师从机器人学习教父级人物 Pieter Abbeel 和 Sergey Levine。她同时还是 Physical Intelligence 的联合创始人。

Sergey Levine 是机器人强化学习领域公认的开创者之一。有趣的是，Levine 和 Finn 在 Google 时期参与了 RT-1、RT-2 这些闭源项目，离开之后又推动了 Octo 与 OpenVLA 这些开源工作。PI 的创始团队堪称“复仇者联盟”，成员包括 Karol Hausman（RT 系列核心作者）和 Brian Ichter。说白了，就是闭源阵营里面最懂技术的这么一帮人决定跳出来，换一种方式去做事。

“真”开源与“假”开源的商业博弈

[陈茜]: π₀ 来自一家估值 56 亿美元的商业公司，为什么要把核心模型开源？这可能是 Physical Intelligence 最有“心机”的商业策略：第一，开源建立标准，定义事实标准；第二，开源吸引人才；第三，开源加速数据飞轮。

[柯丽一鸣]: 我觉得能和业界社区分享一下这个模型，并且最好能够帮助到大家很快地上手，可能也是在变相地降低机器人模型研究的一个入门门槛。其实在公司内部开源它也是一种过程，真的能够看到模型在一些我们自己都没想到的机器人上面跑起来了，还是很开心的。

[陈茜]: 但要注意，π₀ 不是 100% 的开源。模型权重和推理代码公开了，但完整的训练 Pipeline 和专有数据没有公开。这是一种“开源引流，闭源变现”的策略。相比之下，英伟达的 GR00T N1 被一些人称为“伪开源”，因为它的训练深度绑定英伟达的硬件生态。自变量 CTO 王昊认为：

[王昊]: AI 的研究跟大模型之前有很大不一样。有了这个社区，有了整个开源体系之后，大家更在乎的是说，我们怎么在一个工程化的体系下把这个工程基础打好。开源是一个非常好的事情，既可以从开源里学习到新的东西，也可以看到你开源的东西可能会对别人有些帮助。

生态组合拳：数据集与工具链

[陈茜]: 开源社区凭什么跟特斯拉、谷歌这些巨头掰手腕？答案是生态。目前开源生态形成了几个优势：

第一是数据集。Open X-Embodiment 是开源阵营最宝贵的资源，由超过 20 个研究机构共同贡献，覆盖 22 种机器人本体和 100 万条真实轨迹。数据多样性甚至让模型涌现出了空间推理能力。柯丽一鸣提到：

[柯丽一鸣]: 在 π₀ 的时候，我们当时做了一个比较简单的统计，说 π₀ 使用的数据其实比之前谷歌研究院他们收的加在一起还要多。在最早的时候，可能要花很大的功夫才收到这么一些数据，后来有了经验以后，再收就会越来越简单，成本应该也是能够得到控制和降低的。

[陈茜]: 第二是工具层。Hugging Face 推出的 LeRobot 旨在让训练机器人像训练语言模型一样简单。卡内基梅隆大学主导的 Genesis 仿真平台，号称在 4090 显卡上模拟速度是实时速度的 43 万倍。

在大语言模型领域，开源是追赶者；但在机器人领域，开源和闭源几乎是同时起跑的。这场竞争本质是生态之争，争的是谁来定义机器人行业的基础设施层。

开源的挑战：算力、数据与安全

[陈茜]: 必须要直面现实，开源面临的挑战依然很大：首先是算力门槛，训练顶级模型依然昂贵；其次是数据质量，不同来源的标注标准不一；第三是工程化差距，从 Demo 到商业产品有巨大鸿沟；第四是安全问题。OpenMind 的 Jan Liphardt 提出了一个方案：

[Jan Liphardt]: 我们把规则写进以太坊区块链。当机器变得聪明时，我们应该预料到机器可能会试图隐藏它们在做什么。在这种情况下，将规则写在公共场所、不能被更改的地方是非常重要的。

[陈茜]: 那么开源能发展到什么样的程度？自变量 CTO 王昊给出了预测：

[王昊]: 我的预测会在一到两年的时间，我们完全可以达到 GPT-3 的水平。GPT-3 的水平意味着机器人会从“能完成简单指令”跳跃到“能够理解复杂意图并且灵活执行”。

[陈茜]: 最后，OpenMind 创始人 Jan Liphardt 从一个父亲的角色解释了为什么他支持开源：

[Jan Liphardt]: 我不希望有一天我的孩子打开家门，一台人形机器人站在门口说：“你好，我是你的新机器人，但我运行的系统你无权查看。”像机器人这样重要的技术，必须是公开透明的。我希望我的孩子能够给身边的机器人添加功能，能够参与到这个世界的建设中，而不是只能买回一个盒子里的产品。这归根到底关乎信任，也关乎安全。

[陈茜]: 以上就是具身智能开源模型生态的现状了。大家出于不同的目的，在不同的程度上参与了开源生态的搭建。确定的是，这样的生态正在帮助我们进一步去突破技术和创新的边界。我是陈茜，那我们就下期视频再见了，拜拜。