🔐 登录 ✍️ 注册

博主头像

我看到了Scaling Law的信号 | 徐梦迪 | 具身智能 | Scaling Law | 上

外来客 • 2026-10-02 16:59:39

声明：本文为对公开内容的摘要整理，未经本站独立核实，可能与原内容存在出入，不代表本站立场、观点或建议；观点与版权归原作者及原平台所有。如涉及版权问题，请联系我们，核实后立即删除。 [ 免责声明 ]

🤖 具身智能与泛化能力

核心命题：探讨机器人能否像人类一样，在新环境中通过观察少量示范（如3至12秒）快速掌握新任务，而无需微调或更新参数。
技术路径：主要依赖上下文学习（In-Context Learning, ICL）和测试时训练（Test Time Training, TTT）。ICL旨在让模型根据当前场景交互调整行为而不改变参数；TTT则在部署阶段仅更新模型极小部分参数以平衡适应性与知识保留。
关键案例：Generalist公司发布的G1.5模型在10项任务中平均成功率约59%，验证了通过物理提示实现快速泛化的可行性。

📊 缩放定律与数据闭环

现状判断：目前机器人领域的“损失”（Loss）与“成功率”并不直接挂钩，存在时序不平衡问题（如抓取动作前17步拟合良好但第18步接触时误差导致失败）。
有效信号：当预训练数据从10万小时扩展至100万小时后，模型在未见过的测试集上表现出较好效果。真正的缩放定律应体现为随着数据和模型规模增加，在未见过任务上的成功率显著提升。
闭环挑战：技术模型需足够好以支持快速学习，同时需进入实际场景让用户使用以激发基础能力。数据闭环的跑通是目前最大的风险点，需要终端用户通过修正或示范来定义机器人行为。

🎓 徐梦迪的研究背景与理念

学术轨迹：清华大学车辆工程系本科，CMU博士（获最佳论文奖），斯坦福大学博士后（师从李飞飞、吴佳俊），2024年回国加入清华交叉信息研究院任助理教授。
研究品牌：强调“自由度”和系统性落地。认为机器人不能仅依赖预训练知识，必须具备类似人类的快速学习能力以应对开放世界中不断变化的任务和偏好。
数据策略：主张“融合派”，根据阶段使用不同数据。遥操作数据适合后训练；仿真数据利于视觉泛化预训练；人类数据成本低且能捕捉场景与物体变化，适合大规模采集。

🏢 行业趋势与未来展望

路线之争：业内对世界模型（World Model）和VLA模型的争论类似PID参数调优中的震荡。徐梦迪更看好世界模型，认为其学习的是任务无关的世界规律，比穷举具体任务更具扩展性。
关注对象：美国方面关注Physical Intelligence、Google、NVIDIA及Generalist；国内关注林波科技等沿上下文学习路线发展的公司。
阶段判断：具身智能目前处于马拉松的10公里（约四分之一）位置。未来3至5年是关键期，有望看到通过缩放带来的明确范式转变或拐点，但距离真正进入千家万户仍有较长路要走。

👤 同一博主

查看该博主全部 126 篇

🧭 类似博主

0 条评论

发表评论

请先登录后参与讨论。