田晏林 發(fā)自 凹非寺量子位 | 公眾號(hào) QbitAI

人工智能和機(jī)器人領(lǐng)域，有一個(gè)反直覺(jué)現(xiàn)象：

往往人類(lèi)覺(jué)得復(fù)雜、困難的任務(wù)，機(jī)器人做起來(lái)很容易；而人類(lèi)不以為意的一些感知與運(yùn)動(dòng)技能，讓機(jī)器復(fù)現(xiàn)異常困難。

就像AlphaGo可以輕松打敗人類(lèi)圍棋冠軍，但如果將其置于機(jī)器人體內(nèi)，可能連一只貓都抓不穩(wěn)；

大模型能破解國(guó)際數(shù)學(xué)奧林匹克競(jìng)賽難題，卻無(wú)法驅(qū)動(dòng)機(jī)械手精準(zhǔn)地捏起一支筆并寫(xiě)下答案。

這種人類(lèi)對(duì)任務(wù)預(yù)期與機(jī)器實(shí)際處理難度的理解錯(cuò)位，就是莫拉維克悖論。

因?yàn)閷?duì)世界人形機(jī)器人大賽“有點(diǎn)失望”，前Google資深機(jī)器人專(zhuān)家Benjie Holson用自己的名字創(chuàng)辦了Benjie’s Olympics，向機(jī)器人專(zhuān)家們發(fā)出挑戰(zhàn)。

在這個(gè)具身靈巧操作奧林匹克的“賽場(chǎng)”，機(jī)器人可以挑戰(zhàn)15項(xiàng)任務(wù)，包括抹花生醬、洗油膩的平底鍋、插鑰匙開(kāi)鎖、把襪子翻過(guò)來(lái)等人類(lèi)最日常的動(dòng)作。

這也是莫拉維克悖論中，機(jī)器很難處理的各種典型場(chǎng)景。

有參賽團(tuán)隊(duì)耗費(fèi)6個(gè)月打磨Demo，在任務(wù)挑戰(zhàn)中遭遇“滑鐵盧”，3天內(nèi)失敗率高達(dá)90%，盡顯賽事的嚴(yán)苛與殘酷。

這15項(xiàng)任務(wù)來(lái)自5個(gè)Event：開(kāi)門(mén)、洗衣、基本工具使用、指尖、濕滑路面。

每個(gè)Event下都有3個(gè)任務(wù)，按照難度的不同，分為金銀銅牌。只有每項(xiàng)任務(wù)獲得第一，才能摘得對(duì)應(yīng)的獎(jiǎng)牌。

在一輪輪的貼身肉搏中，來(lái)自中國(guó)的具身智能公司星動(dòng)紀(jì)元，一舉斬獲三項(xiàng)任務(wù)全球第一，包括兩項(xiàng)金牌難度任務(wù)第一，一項(xiàng)銀牌難度任務(wù)第一。

在剝橘子、開(kāi)鎖、翻襪子任務(wù)中，其表現(xiàn)全面超越美國(guó)明星具身智能公司Physical Intelligence（簡(jiǎn)稱(chēng)“PI”），刷新世界紀(jì)錄。

要知道，在其他比賽里出現(xiàn)的PI，大多是別人拉著它的開(kāi)源模型去跑的，并不是PI主動(dòng)參加。

但Benjie’s Olympics是PI目前唯一一個(gè)主動(dòng)參加的比賽。用的還是閉源模型，代表了PI的最高水平。

星動(dòng)紀(jì)元作為該賽事目前唯一上榜的中國(guó)具身企業(yè)，也是唯一一個(gè)在該比賽中打敗了PI閉源模型的玩家。

終極真實(shí)壓力測(cè)試

和正規(guī)機(jī)器人大賽相比，Benjie’s Olympics沒(méi)有繁瑣的報(bào)名流程、華麗的賽事包裝，只因最純粹的實(shí)操能力對(duì)決，吸引全球不少頂尖具身智能公司的關(guān)注。

Scientific American評(píng)價(jià)其是物理智能終極真實(shí)壓力測(cè)試：

“it’s where demos die and useful robots are born.”
（Demo死在這里，實(shí)用機(jī)器人從這里誕生。）

Benjie’s Olympics的核心特質(zhì)是強(qiáng)制泛化而非復(fù)現(xiàn)。

它不考察機(jī)器人對(duì)固定場(chǎng)景的機(jī)械復(fù)刻，只檢驗(yàn)其在真實(shí)復(fù)雜環(huán)境中的自適應(yīng)、自決策能力。

換句話(huà)說(shuō)，只有真正具備泛化與觸覺(jué)智能的系統(tǒng)，才能在比賽中存活。

在Benjie’s Olympics上，首個(gè)拿到多枚金牌的PI團(tuán)隊(duì)曾給出評(píng)價(jià)：

“Every task targets the hardest unsolved problems in embodiment: deformables, contact-rich manipulation, long-horizon autonomy. No other contest comes close.”
（每個(gè)任務(wù)都瞄準(zhǔn)具身智能最難未解問(wèn)題：柔性物體、高接觸操作、長(zhǎng)時(shí)序自主。沒(méi)有其他比賽能比肩。）

別看只有15個(gè)比賽項(xiàng)目，參賽規(guī)則十分嚴(yán)苛，要求全自主，開(kāi)始后無(wú)遙控、無(wú)人工介入、無(wú)遠(yuǎn)程修正；

無(wú)仿真，必須在真實(shí)家庭場(chǎng)景下操作，保證有真實(shí)光照、紋理、摩擦、噪聲；

環(huán)境隨機(jī)、物體也隨便擺放，不可貼標(biāo)記，也不可預(yù)掃描地圖。完全就是閉卷裸考。

唯一讓Benjie Holson拿不準(zhǔn)的，是該不該允許“手臂固定在桌子上”的機(jī)器人參賽。

他把決定權(quán)交給網(wǎng)友，投票結(jié)果顯而易見(jiàn)，只允許可移動(dòng)的機(jī)器人參賽。（難度又又又加大了）

在金銀銅牌的設(shè)置上，Benjie’s Olympics有一套自己的規(guī)范。

比如洗衣這個(gè)Event：“將T恤衫里外翻轉(zhuǎn)折疊”是銅牌；“把襪子翻過(guò)來(lái)”是銀牌；掛一件男士襯衫能拿到金牌。

對(duì)機(jī)器人指尖的考驗(yàn)：“卷起配對(duì)的襪子”是銅牌；“使用狗糞袋撿起便便”是銀牌；“剝橙子”是金牌。

每個(gè)任務(wù)，Benjie Holson都真人示范一遍。

比賽還規(guī)定，只要參賽選手的成績(jī)比上一個(gè)冠軍的成績(jī)至少提高25%，即可獲得獎(jiǎng)牌。

看過(guò)這15個(gè)任務(wù)的機(jī)器人專(zhuān)家都說(shuō)，多數(shù)隊(duì)伍連銅牌都過(guò)不了。

就像剝橙子這個(gè)無(wú)需任何外部工具即可完成的動(dòng)作，機(jī)器人會(huì)非常棘手。

而且，橘子果皮易破、果肉易碎，這個(gè)任務(wù)難點(diǎn)是要求機(jī)器人精準(zhǔn)區(qū)分果皮與果肉的細(xì)微視覺(jué)特征，實(shí)時(shí)跟蹤剝制過(guò)程中的果皮形變，要求視覺(jué)感知有極高的魯棒性。

再看開(kāi)鎖，也是金牌難度任務(wù)。

鑰匙孔為毫米級(jí)微小目標(biāo)，要求機(jī)器人精準(zhǔn)識(shí)別鑰匙孔的位置、角度，同時(shí)完成鑰匙的姿態(tài)理解，實(shí)現(xiàn)毫米級(jí)對(duì)準(zhǔn)，還需克服光照變化、金屬反光、視角偏差等多重干擾，無(wú)疑是對(duì)機(jī)器人精細(xì)操作與空間感知的雙重挑戰(zhàn)。

這兩項(xiàng)金牌難度任務(wù)，星動(dòng)紀(jì)元均打破紀(jì)錄，摘得第一。

剝橙子，之前PI團(tuán)隊(duì)借助削皮刀工具，在2分46秒完成；這次星動(dòng)紀(jì)元純手剝，1分47秒完成，速度提升35%。

他們也成了賽事首個(gè)實(shí)現(xiàn)完全無(wú)工具純手剝操作的團(tuán)隊(duì)。

開(kāi)鎖，PI團(tuán)隊(duì)66秒完成；星動(dòng)紀(jì)元只用了49秒，速度提升25%。

在銀牌難度任務(wù)“翻襪子”中，星動(dòng)紀(jì)元也戰(zhàn)勝了PI。

作為檢驗(yàn)?zāi)Ｐ图矣梅夯芰Φ暮诵臉?biāo)桿，翻襪子是柔性物體操作、樣本泛化、效率敏感的典型場(chǎng)景。

襪子翻轉(zhuǎn)過(guò)程中會(huì)發(fā)生復(fù)雜、無(wú)規(guī)律的形變，要求機(jī)器人實(shí)時(shí)跟蹤形變，精準(zhǔn)區(qū)分襪子的內(nèi)外側(cè)、開(kāi)口位置，對(duì)視覺(jué)感知、柔性物體跟蹤能力要求極高。

PI用了176個(gè)樣本，1分33秒完成；星動(dòng)紀(jì)元只用了120個(gè)樣本，不僅樣本量減少32%，翻襪子速度也比PI提升了30%。

Benjie’s Olympics 公布星動(dòng)紀(jì)元銀牌任務(wù)（翻襪子）第一

這三項(xiàng)任務(wù)，星動(dòng)紀(jì)元均是全球第一，并創(chuàng)下新世界紀(jì)錄。

全靠自研VLA具身模型控場(chǎng)

星動(dòng)紀(jì)元能在如此嚴(yán)苛賽事中取得成績(jī)，靠的不是運(yùn)氣，自研的VLA具身大模型功不可沒(méi)。

該模型具備三個(gè)關(guān)鍵優(yōu)勢(shì)，沒(méi)有一個(gè)是虛的，個(gè)個(gè)都能派上大用場(chǎng)。

第一個(gè)優(yōu)勢(shì)，是基礎(chǔ)模型知識(shí)遷移能力，也就是讓機(jī)器人學(xué)東西不費(fèi)勁。

傳統(tǒng)具身智能模型依賴(lài)海量訓(xùn)練數(shù)據(jù)，泛化能力受限。

這就好比教一個(gè)小孩認(rèn)蘋(píng)果，你得給他看一萬(wàn)張?zhí)O果的照片他才能記住。換一種光線(xiàn)、換一種顏色的蘋(píng)果，他可能又不認(rèn)得了。

而星動(dòng)紀(jì)元依托強(qiáng)大的知識(shí)遷移能力，大幅優(yōu)化數(shù)據(jù)利用率。

他們先教會(huì)小孩“什么是水果”這個(gè)概念，再讓他去認(rèn)蘋(píng)果、橘子、香蕉，這樣就快多了。

單說(shuō)翻襪子這個(gè)任務(wù)，星動(dòng)紀(jì)元只用了120組訓(xùn)練樣本，就比另一支團(tuán)隊(duì)用176組樣本做得還要好。

這意味著機(jī)器人能很快適應(yīng)新場(chǎng)景，研發(fā)成本和耗費(fèi)時(shí)間都大大降低。

第二個(gè)優(yōu)勢(shì)，是讓機(jī)器人看得更清楚，尤其是那些小東西。

一個(gè)會(huì)移動(dòng)的機(jī)器人，它的“眼睛”（攝像頭）是跟著身體一起動(dòng)的?？拷繕?biāo)的時(shí)候，角度在變、距離在變，傳統(tǒng)的方法很容易“看花眼”。

星動(dòng)紀(jì)元的模型引入了自適應(yīng)視覺(jué)注意力機(jī)制。

名字很長(zhǎng)，但原理很簡(jiǎn)單：自動(dòng)盯著鑰匙、鎖孔、果皮這類(lèi)細(xì)小又關(guān)鍵的東西看，自動(dòng)把它們看得更清楚、特征更突出，就算環(huán)境很亂、機(jī)器人底盤(pán)輕微晃動(dòng)，也能精準(zhǔn)識(shí)別。

第三個(gè)優(yōu)勢(shì)，是讓機(jī)器人反應(yīng)變快，手還很穩(wěn)。

傳統(tǒng)模型的工作方式是“做完一步，再看下一步”，模型單次生成超1秒的運(yùn)動(dòng)軌跡，響應(yīng)慢、誤差易累積。

比如，翻襪子過(guò)程中襪子突然變形了，等機(jī)器人想完下一步怎么做，襪子已經(jīng)滑到別處去了。

星動(dòng)紀(jì)元采用異步高頻推理與短時(shí)域規(guī)劃策略，可在當(dāng)前軌跡未完成時(shí)，同步預(yù)測(cè)下一段運(yùn)動(dòng)軌跡，生成后立即切換執(zhí)行。

如圖所示，機(jī)器人的一個(gè)關(guān)節(jié)沿著Chunk 1的路徑運(yùn)動(dòng)，直到Chunk 2出現(xiàn)的垂直線(xiàn)，然后你開(kāi)始沿著該路徑運(yùn)動(dòng)，直到Chunk 3出現(xiàn)，依此類(lèi)推。

這樣一來(lái)，每條路徑的最后一段其實(shí)用不上，因?yàn)樾碌穆窂娇倳?huì)提前出現(xiàn)，機(jī)器人直接切換過(guò)去就行。

簡(jiǎn)單來(lái)說(shuō)，機(jī)器人在做當(dāng)前動(dòng)作的同時(shí)，大腦已經(jīng)在預(yù)判下一步、下下一步該怎么走了。

一旦新的路徑算出來(lái)，機(jī)器人立刻切換過(guò)去，中間不等待。每條規(guī)劃的路其實(shí)最后一段都用不上，因?yàn)樾碌穆房倳?huì)提前出現(xiàn)。規(guī)劃得越頻繁，機(jī)器人就越靈敏。

所以在翻襪子這種襪子不斷變形的任務(wù)里，星動(dòng)紀(jì)元的機(jī)器人能快速調(diào)整動(dòng)作，重新找到襪口，一氣呵成。

這三項(xiàng)改進(jìn)加在一起，效果就更明顯了。

星動(dòng)紀(jì)元的機(jī)器人不僅眼看得清，手指靈活，還可以理解工具怎么用，雙手協(xié)同干活，甚至能完成多步驟、需要長(zhǎng)時(shí)間規(guī)劃的任務(wù)。

正是這套全自研的VLA具身模型，讓星動(dòng)紀(jì)元在“只允許移動(dòng)機(jī)器人參賽”這條硬規(guī)則下，不僅沒(méi)有吃虧，反而把移動(dòng)帶來(lái)的動(dòng)態(tài)不確定性，變成了自己的護(hù)城河。

冠軍團(tuán)隊(duì)，不止于賽事

這不是星動(dòng)紀(jì)元第一次屠榜了。

2025年10月，星動(dòng)紀(jì)元?jiǎng)?chuàng)始人陳建宇與斯坦福大學(xué)Chelsea Finn（PI聯(lián)合創(chuàng)始人）團(tuán)隊(duì)研發(fā)了Ctrl-World可控生成世界模型。

該模型在全球具身智能頂級(jí)世界模型權(quán)威評(píng)測(cè)WorldArena榜單中，超越谷歌、英偉達(dá)，斬獲具身任務(wù)全球第一。

2026年2月，雙方再次聯(lián)合提出VLAW框架，首次實(shí)現(xiàn)VLA策略與動(dòng)作條件世界模型的協(xié)同迭代優(yōu)化。星動(dòng)紀(jì)元也成了唯一和PI兩次合作的中國(guó)具身公司。

陳建宇對(duì)端到端VLA范式有多堅(jiān)持呢？

2020年從加州大學(xué)伯克利博士畢業(yè)后，陳建宇回到母校清華大學(xué)，擔(dān)任交叉信息研究院助理教授，28歲成為清華博導(dǎo)，2023年創(chuàng)辦星動(dòng)紀(jì)元。

2024年9月，星動(dòng)紀(jì)元成為全球首個(gè)提出分頻VLA的團(tuán)隊(duì)，PI、Figure、Google、NVIDIA都得排在它后面。

同年12月，該公司發(fā)布融合世界模型的VLA算法框架Video Prediction Policy（現(xiàn)已開(kāi)源）。

2025年，星動(dòng)紀(jì)元自研的ERA-42端到端VLA具身大模型，實(shí)現(xiàn)了對(duì)全尺寸雙足人形機(jī)器人全身及五指靈巧手的精準(zhǔn)控制，成為全球僅有的四家能做到這一點(diǎn)的公司之一。

技術(shù)的終極價(jià)值，在于實(shí)用。

賽場(chǎng)之外，星動(dòng)紀(jì)元的VLA具身大模型已在多個(gè)領(lǐng)域落地。

物流方面，其與順豐合作；在制造業(yè)方面，與吉利、北汽合作；在商業(yè)服務(wù)、家庭服務(wù)領(lǐng)域，已與海爾、聯(lián)想、世紀(jì)金源等企業(yè)達(dá)成合作。

在今年中關(guān)村論壇亮相的智能分揀機(jī)器人，就是星動(dòng)紀(jì)元真干活機(jī)器人的代表。

日常工作中，它不僅能完成藥品、日化品、包裹的分揀及掃碼，還能完成“零部件抓取-高精度裝配-質(zhì)量檢測(cè)”等制造業(yè)場(chǎng)景的任務(wù)。

在商業(yè)服務(wù)領(lǐng)域，星動(dòng)紀(jì)元的機(jī)器人負(fù)責(zé)門(mén)店客座清潔、物品遞送、導(dǎo)游導(dǎo)覽等工作。其中，部分場(chǎng)景效率當(dāng)前達(dá)到70%～80%。

星動(dòng)紀(jì)元做的事倒是很符合Benjie’s Olympics賽事的初衷：讓有用的機(jī)器人在這里誕生，讓只活在Demo里的技術(shù)永遠(yuǎn)死去。

當(dāng)越來(lái)越多的玩家從炫技轉(zhuǎn)向?qū)嵱?，?huì)發(fā)現(xiàn)在機(jī)器人這場(chǎng)長(zhǎng)跑里，真正的對(duì)手從來(lái)不是別人，而是那個(gè)人類(lèi)習(xí)以為常、機(jī)器卻步履蹣跚的物理世界。