今年一開年，智元機器人就整了個大活。

它旗下的智元具身研究中心，這兩天發(fā)布了一套面向真實世界部署的在線后訓練系統(tǒng)——SOP（Scalable Online Post-training）框架。

為什么說它是個大活？

簡單講，現(xiàn)在的模型都是訓練完成后再上線，這導致搭載了模型的機器人一旦出廠就“智能凍結”，沒辦法根據真實物理世界的變化及時學習，也不能靈活地執(zhí)行任務。

而SOP框架，就是針對這個問題的解決方案。它可以讓多個機器人在部署后同時執(zhí)行任務，把任務執(zhí)行中的數據（成功和失敗的都包括）一起傳到云端。如果一個機器人在真實場景中遇到問題，經過云端分鐘級在線更新策略，其他機器人也能立刻一起學會正確操作。

也就是說，現(xiàn)實世界不再是讓機器人懵逼的考場，反而成了能讓一堆機器人邊干邊學、更智能的訓練資源。這是現(xiàn)在全球AI重點探索方向——Online Learning，在機器人領域中的進展。

從技術角度拆解，這套SOP系統(tǒng)主要是通過優(yōu)化后訓練模式，提升VLA模型在特定任務上的效果。

之前大語言模型（LLM）結合強化學習的后訓練，已經被證明有效并成為事實標準。但具身領域，VLA的后訓練由于數據偏移、真機后訓練規(guī)模受限、單一后訓練可能降低泛化能力，并沒有像LLM的后訓練一樣成功。

所以，SOP的這套框架，通過剛剛提到的多個機器人執(zhí)行任務—實時上傳數據—云端學習、模型更新—立即下發(fā)的過程，在物理世界的后訓練中整合了在線、分布式和多任務。

這些特點，能讓多個機器人在真實大規(guī)模地持續(xù)學習中，迅速提升各個任務性能，同時不“忘記”之前學會的通用基礎能力。

那么這套方法的效果如何呢？

智元具身研究中心選擇了HG-DAgger（典型單機在線算法）和RECAP（最新SOTA離線算法）作對比。

能看出，經過SOP優(yōu)化后的模型，在不同任務上的成功率都會更高。

在智元給出的真實任務展示中，還能看到經過SOP在線學習的機器人，在疊衣服和組裝紙盒的長程評估中，實現(xiàn)了超過36小時的連續(xù)運行，性能也沒有衰減。

*經加速展示

這項工作發(fā)布之后，智元合伙人兼首席科學家羅劍嵐接受了包括「四木相對論」在內的媒體訪談。他補充了SOP接下來的落地節(jié)奏，并對這套系統(tǒng)在機器人領域的價值做了更多梳理。

以下是對話全文（經整理）：

Q：2025年機器人領域的關鍵詞是 VLA和世界模型。你覺得對2026年，機器人領域現(xiàn)在有什么共識？

羅劍嵐：不知道能不能代表機器人領域，我只講講自己的觀察。

我的觀察是，通用性固然很重要，但部署中的任務熟練度和可靠性，才是決定機器人能否真正落地的關鍵。過去幾年，大模型、VLA、預訓練有非常大的提升，但機器人能否穩(wěn)定、高效、長時間完成具體任務是一個問號，這非常高度依賴真實世界的訓練閉環(huán)。

智元的判斷是，2026 年是機器人從會做很多事，但每個事做得不太好，走向把事情做好并落地的關鍵節(jié)點。這要求學習范式從靜態(tài)離線訓練升級為部署學習再部署的整套數據閉環(huán)系統(tǒng)，正是基于這個判斷，我們提出SOP系統(tǒng)級解決方案。

Q：從單機離線到分布式在線的系統(tǒng)化跨越，SOP系統(tǒng)起到了什么作用？對于機器人疊衣服柔性物體精細化操作的問題，解決了哪些過去難以突破的技術瓶頸？

羅劍嵐：SOP是一個系統(tǒng)、是一個框架，在系統(tǒng)層面把執(zhí)行和學習真正耦合起來。具體來講，解決的核心技術瓶頸是三點。

一是非常低延遲的在線反饋?，F(xiàn)在機器人犯錯以后，需要糾正并盡快反映到模型里。

二是分布式數據的多樣性和一致性。多機器人并行采集的時候，會經歷各種各樣不同的場景，需要穩(wěn)定獲取高質量的數據經驗。

第三點是最重要的一點，SOP保證了它的通用性不退化。

像疊衣服、疊紙盒子、商超里 500 多種物體補貨、上貨，成功率很高，用的都是一個模型。而之前的工作，用一個通用VLA模型，在單個場景里微調，overfit（過擬合）到那一個場景上，機器人就會把之前的任務忘掉。而我們這個不會，SOP架構里是一個通用且泛化的模型，可以講它是一個通用的專才。提升某一個任務表現(xiàn)的時候，不會犧牲掉整體模型的泛化能力。

Q：SOP的一個關鍵點，在于把訓練由離線變成了在線。對機器人而言，它最革命性的改變是學得更快還是學的東西不一樣了？

羅劍嵐：我認為這兩者都有。它學得更快，學的東西也不一樣，但我更強調學得不一樣。因為在線后訓練的關鍵是真實場景發(fā)生犯的錯誤，這是真真實實的錯誤，而不是編出來的錯誤。把學習資源集中在當前錯誤的失敗模式上，所以它會更快、更貼近落地所需的可靠性。

Q：之前單個場景訓練時，單個場景也會發(fā)生很多錯誤。是不是也可以在單個場景訓練學到不一樣的東西？

羅劍嵐：但原來是離線訓練，就是在單個場景由人去遙操，去設想各種場景。首先這不是真的機器人執(zhí)行時犯的錯誤，二是不包括經歷這些狀態(tài)時包含的錯誤。而在線多機訓練，是在真實的場景里執(zhí)行這個策略，觀察這個策略會犯的錯誤，再把它糾正過來，這樣效率會高很多。

Q：關于在線學習，以前機器人學習的是正確的數據，而失敗數據對機器人也有價值。那么怎么防止機器人學壞？有什么機制？

羅劍嵐：負面數據對學習很有益。就像人做任何一件事都要經歷試錯，知道什么事做，什么事不做。

強化學習是一個很好的框架，可以從原理上處理負面數據，就是給負面數據低權重，讓它知道什么是好的什么是壞的，通過動態(tài)規(guī)劃把這一系列東西串起來。

整體來說，我們既要有正例數據，也要有負例數據。SOP加上強化學習，可以從原理上很好地利用負數據，有時候負數據甚至比正數據更有用。

關于安全約束的機制，在算法層面，負數據放到value function（價值函數）上，它會擬合這個value function。如果是錯誤的行為，它的權重會降低。

Q：什么樣的負面數據相對而言更有價值？

羅劍嵐：首先是hard case（長尾場景/難例），也就是難挖掘的能力。

舉個例子，在自動駕駛里的復雜高架橋場景，可能有一個高架橋有 3 層，有輔助、有主路，每次都會走錯。不走一兩次解決它，能力始終上不去。

回到機器人。比如機器人疊衣服，要甩一下、疊一下。之前的成功率上不去，是因為它抓不到衣角，就會一直空抓，導致工作時長很長但成功率很低。這些負例數據，可以很好地提升性能。

Q：SOP是分鐘級，甚至秒級回流。未來部署過程中，算力、帶寬和部署成本，會不會成為規(guī)?；涞氐钠款i制約？

羅劍嵐：這也是我們做SOP第一天就考慮的問題，就是要有一套非常魯棒、健壯、可擴展的軟件工程 infra。這套系統(tǒng)的軟件工程需要魯棒到，往里加一臺機器人、十臺機器人、一百臺機器人理論上沒有區(qū)別。

底層基礎設施也是有挑戰(zhàn)的。有的機器人初創(chuàng)公司在做海底光纜，超大帶寬的數據回流，這些我們也在看。這件事不僅需要軟件算法創(chuàng)新，也需要社會的基礎設施支持。

Q：SOP新機制上線后，原本的數采中心還有存在的必要嗎？

羅劍嵐：SOP是一個在線后訓練框架，它需要有一個預訓練模型，數采中心的離線數據可以給它提供基礎能力。

預訓練模型的能力等于出廠設置的能力。預訓練數據的來源，一開始大部分是數采中心，因為現(xiàn)在還沒有到大規(guī)模部署到真實世界的階段。隨著真實世界部署的機器數量越來越多，真實場景回流的數據也會變成訓練預訓練的數據，預訓練模型會變得越來越強。

有了SOP之后，在線部署能夠讓大量數據回流去訓練新的模型。隨著部署量越來越多，積累的數據會越來越多，后面的數據大頭來自真實世界部署產生的數據。

我認為現(xiàn)在離線的數據中心是主力，就像汽車的發(fā)電機把發(fā)動機打著的那一下，這還是很重要。因為我們不可能直接去部署一個零成功率的模型在真實世界，它要具備一定的基礎能力，才能通過SOP這套方法把效果拉起來。

Q：對SOP系統(tǒng)的規(guī)劃是？比如當機器人的數量達到多少，就能通過SOP實現(xiàn)怎樣的效果？

羅劍嵐：我們2026年有一個很大的重點是在真實世界部署通用機器人，目前業(yè)界還沒有人做。關于數量，論文里是幾十臺機器人，今年我們會部署比現(xiàn)在大幾個數量級以上的機器人，真正找到機器人真實場景部署和真實場景落地的Scaling law。

Q：SOP系統(tǒng)會不會受到機器人內部本體硬件差別的影響？

羅劍嵐：SOP的設計核心正是為了解決這一痛點。它支持多機器人、多本體的協(xié)同訓練，通過對數十臺機器人的數據進行任務均衡采樣，能夠有效隔離單一硬件的干擾，從而提取出跨本體的“最大公約數”。這種機制保證了模型不會被某類特定硬件“帶偏”。

簡單來說，如果集群中有100臺機器人，即便其中一臺噪聲很大，在其余99臺機器人的數據對沖下，該噪聲的影響也可以忽略不計。

Q：就是說就算機器人集群里有幾種不同的機器人，SOP系統(tǒng)也可以正常運行？

羅劍嵐：我們現(xiàn)在已經有這個結果了。它是可以跨本體的，但論文里我們沒有把這個結果放出來。其實我們用了自家機器人，也用了別家的好幾款機器人，最后的結果是可以跨本體泛化，下一個版本會放出來。

Q：智元接下來是否會考慮向行業(yè)開放SOP框架，或進行技術上的合作？在生態(tài)上有什么布局嗎？

羅劍嵐：首先SOP不是一個封閉系統(tǒng)，而是一種新的持續(xù)學習、在線學習、協(xié)同進化的方式。智元從成立之初就堅持走生態(tài)開放的路線。我們開源了很多數據和軟硬件，SOP這個工作當然也希望和更多的廠商一起共建。

在生態(tài)布局上，我們愿意和生態(tài)伙伴一起做場景共建，部署真實機器人。現(xiàn)在有些場景不是為機器人設計的，所以需要我們共同定義這個場景的任務規(guī)范、流程、監(jiān)督信號、邊界等，把SOP的閉環(huán)真正接入業(yè)務流程里。

在這個層面我們很開放地希望和大家一起去共建，因為這不是某一家公司的事。我們會開放一些SOP的關鍵模塊和接口。因為SOP是個框架，任意的后訓練算法和模型都可以接進來。

從長遠來講，我們希望構建一個開放的機器人在線學習生態(tài)。不同的機器人本體都可以接入，讓數據共享上傳到云端一個大腦，數據回傳回來不斷進化，一起給大家使用。如果能找到行業(yè)伙伴，在各自擅長的場景中發(fā)揮優(yōu)勢，我們可以一起推動整個機器人行業(yè)從靜態(tài)能力到動態(tài)進化的跨越。

Q：在工程制造、家庭服務或商用場景中，這套SOP適配難度有什么差異，現(xiàn)階段最容易落地的場景是什么？

羅劍嵐：難在不同的地方。工業(yè)制造對泛化性的要求會相對少一些，我們現(xiàn)在也在看一些工業(yè)制造的場景，但這種場景對整體的成功率和節(jié)拍、魯棒性要求非常高，否則會影響到線的產能。

家庭服務和商超，對成功率和性能的要求沒有工業(yè)場景那么苛刻，風險可控。但它是一個更加開放的場景，長尾任務更多。

我認為SOP在不同場景的適配難度存在明顯梯度。工業(yè)場景里的流程穩(wěn)定、邊界清晰，責任、安全、工序劃分得很明確。我們把SOP引入到在線系統(tǒng)里面，機器人在這種可控的環(huán)境里，可以持續(xù)運行，不斷糾正失敗模式，能快速把成功率和節(jié)拍提升到可規(guī)?；纳暇€水平。

醫(yī)療護理的要求最高，對合規(guī)、安全、可解釋性的要求都很強。醫(yī)療護理的落地，會先從輔助性或非關鍵決策的環(huán)境開始。

對于家庭場景，實事求是地說，我不指望SOP能立馬覆蓋一個家庭，我認為這是一個逐步的過程。

就好像你有了預訓練模型，預訓練模型出廠就不可能是最優(yōu)秀的模型一樣。有了預訓練模型再加上SOP，以逐步擴展任務能力的方式去落地，這是我認為這是未來有希望進入家庭的一種方式。通過部署更多的機器人，造成更多的數據回流，訓練更好的模型載體，部署更多的機器人。

所以，現(xiàn)階段最容易落地且明確產生商業(yè)價值的場景是工業(yè)制造和部分商業(yè)服務場景。

工業(yè)方面，我們已經有很多案例了。商業(yè)場景，比如商超和部分家庭，我們今年都會慢慢鋪開。商業(yè)場景既要保持高性能，也不能丟掉泛化能力，就要關注機器人在不同場景、門店等不同環(huán)境下的適應能力，通過機器人共享的經驗數據，不斷減少人工的介入。

SOP是個框架，框架是統(tǒng)一的，在任務的定義、監(jiān)督上有一些小的適配差別。做SOP的初衷是希望有一個通用、可拓展的框架，不對場景做區(qū)分，只用少量適配就能各種場景一套系統(tǒng)全部拉通。

我們落地的整體原則是先在可控、可規(guī)模化的場景里把閉環(huán)跑穩(wěn)，然后再逐步拓展到更復雜的真實世界。

Q：論文有一句話是“3小時SOP的經驗，對于機器人能力有30%的提升，80個小時的專家數據只有4%的提升。”似乎夸大一點講就是，對具身智能來說預訓練已死，未來是后訓練的世界。

羅劍嵐：這句話要拆開來講。我先講事實，3小時是在線訓練，這3個小時非常寶貴，是從錯誤里面恢復的數據，是糾正錯誤的數據。另外的80小時也好，160小時也好，是在數采中心里采集的靜態(tài)數據。

相當于機器人在做這件事的過程中犯錯，又在錯誤中吸取經驗。這樣的經歷只要有一點點，就比別人手把手教你做這件事重要得多。

再說回用離線數據做預訓練。現(xiàn)在很多公司有很多相關應用都看到性能上的瓶頸，所以大家在進行后訓練。但是你要說預訓練這么大的池子已經死了，我認為不會。就像Gemini 3的預訓練，依然能做出很多東西，比如多模態(tài)理解。而且這些在線數據也會回流回來，加到預訓練的池子里，去訓練預訓練的基座模型。

Q：這種在線后訓練的架構如果逐漸成熟，未來交付給客戶的機器人，會不會變成持續(xù)服務的模式？

羅劍嵐：和自動駕駛一樣，你買車回來以后，它會不斷更新版本一樣，模型會變得越來越好。

Q：但和車不一樣的是，工廠里可能不能接受一年后才能提升到100分的產品。

羅劍嵐：對于不同場景的適配梯度不一樣，工廠肯定不會先讓機器人跑一年。工廠是有一個成功率高的預訓練模型，因為它的場景相對結構化和固定。然后我們的微調時間很短，就可以上線。上線以后，持續(xù)學習的機制是在的，因為上線之后，就像用自動化設備過一段時間也得調整一次去適應新的情況。

當然這種情況，在工廠里的頻率比較低。如果是商超或超市，每天人來人往，每天情況不一樣，持續(xù)學習就是一個必要的措施。但即便是如此，也不代表每分每秒都在學習。特斯拉也不是每天在發(fā)版，而是幾個月發(fā)一次?？梢酝ㄟ^scheduling（排期/調度），做到讓用戶沒什么感知，但真實性能提升的效果。

Q：技術博客提到多機采集可以阻止模型過擬合單機特定特征。那么多機特征會不會反過來影響到模型的學習？

羅劍嵐：我部分同意你的觀點，但我認為現(xiàn)在的AI或算法給我們的啟示是scale really matters（規(guī)模至關重要）。數據的多樣性和數據的規(guī)模，至少在現(xiàn)階段，遠比在特定場景去專門創(chuàng)建的數據重要得多。多機和單機，本質問題是單一場景還是多個廣泛場景，我認為后者的數據越來越多，對模型的魯棒性和健康性有更大的幫助。

Q：2026年對SOP落地應用的目標是什么，有沒有可量化的數據分享？

羅劍嵐：2026年我們考慮在真實世界大規(guī)模部署，SOP 是支撐這件事的基石。我們還在做相關工作，有進展的話，會第一時間對外部分享。

Q：明年智元會加大機器人在真實世界的部署。那么之后機器人公司的競爭核心，會不會從誰的模型更好，變成誰線下部署得最多、學得最快？

羅劍嵐：我認為這是一個閉環(huán)。誰部署的機器人最多，誰的真實世界的寶貴數據就更多，誰就能訓練出更好的模型。

Q：從真實世界邊做邊學數據回流的方式，從全球和行業(yè)來看是智元在獨創(chuàng)性地做嗎？

羅劍嵐：所有公司都想做這件事。但據我所知，我們是第一個把這個事做大的公司。我講得更嚴謹一點，現(xiàn)在它們并沒有真的部署在便利店等場景，當然這是智元今年的重點。但智元作為一家全棧公司，獨特優(yōu)勢在于有能力去構建真實世界的閉環(huán)。硬件、本體、軟件、算法、工程，我們可以自己構造這樣一個閉環(huán)系統(tǒng)。這是我們的一個獨特優(yōu)點。

我個人的一個夢想是希望今年在上海的超市看到機器人在真正干活，一個很大的規(guī)模。我們做這件事的優(yōu)勢還有一個，本體量很大，部署量很大，數據量也會很大。

Q：聽下來SOP是機器人向真實世界邁入的第一小步，那么接下來第二步是什么？

羅劍嵐：是的，這是關鍵的第一步。第一步解決的是長期被忽略的問題，就是如何把真實部署中的經驗，穩(wěn)定地低延遲地轉化為模型改進，并且在多機器人多任務下可規(guī)模化運行。如果這一步做不穩(wěn)的話，后面所有的探索都是空談。所以我們扎扎實實先做好一個系統(tǒng)，把它跑穩(wěn)。

在此基礎上，第二步的核心方向是三點。

一是，安全可控地在更開放的場景中擴展，因為現(xiàn)在更多是半結構化場景、可管理的環(huán)境。我們要逐步走向更復雜、更開放的真實世界。

二是，監(jiān)督的進一步自動化?，F(xiàn)在還有人類的干預，但隨著算法不斷提升，會減少對人類干預的依賴，會引入更成功、更自動的建模算法。

三是，持續(xù)學習能力的增強，也就是機器人不斷學習新任務新場景，同時避免遺忘已有的能力。我認為這是符合產業(yè)落地規(guī)律的選擇，也就是讓在線學習真正可用、可擴展地，逐步從封閉、半開放、開放的場景一步步驗證、部署、擴展、落地。