小米发布Xiaomi-Robotics-1：具身智能迈入规模化2.0时代

物理AI的“ChatGPT时刻”正在逼近 2026年初，黄仁勋曾预言，物理AI将迎来属于自己的“ChatGPT时刻”。这一判断背后，是业界对具身智能能否复刻大模型成功路径的深切期待。但现实远比想象复杂——机器人无法靠互联网文本“喂养”，它的训练必须扎根真实世界。长期以来，行业困在小数据、单任务、强依赖人工调参的“手工作坊”模式中， Scaling Law（规模法则）始终难以落地验证。 10万小时人类操作轨迹，首次系统验证机器人规模法则 小米刚刚发布的Xiaomi-Robotics-1，是国内首个在机器人策略模型层面完成Scaling Law系统性验证的具身基座模型。它基于10万小时真实世界操作轨迹完成预训练，再以约1.1万小时跨本体真机数据进行后训练。这些数据并非来自机器人自身运行，而是通过自研UMI（Universal Manipulation Interface）便携设备，直接记录人类在家庭、办公、工业等多元场景中的自然操作行为。 这种采集方式突破了传统遥操作的数据瓶颈：不绑定特定本体、不依赖固定相机位姿、可大规模泛化部署。面对海量长序列轨迹，小米构建了基于视觉语言模型（VLM）的自动标注流水线，将动作片段转化为“状态变化描述”，使模型学习目标从“模仿肢体运动”升维为“理解物理世界如何被改变”。 实验数据清晰印证了规模效应：预训练数据量从2500小时增至2万小时，动作预测损失持续下降；模型参数从20亿扩展至100亿，性能同步稳定提升。更重要的是，这种提升直接反映在真实任务中——在未见过的家庭环境中，鞋柜收纳、书包打包等任务的成功率随规模增长而显著提高。 双阶段范式：让通用能力真正落地执行 仅靠大规模数据仍不够。人类操作轨迹与机器人控制信号存在本质差异，不同本体的动作空间也不兼容。若强行混合训练，模型既难统一表征，也无法生成可用指令。 Xiaomi-Robotics-1采用“预训练+后训练”双阶段新范式。预训练阶段专注从10万小时UMI数据中提炼通用动作语义——不是记忆关节角度，而是学习“如何抓取”“如何整理空间”“如何通过连续动作改变环境状态”等底层物理规律。后训练阶段则完成两项关键对齐：一是本体对齐，将通用能力映射到具体机器人的执行空间；二是指令对齐，赋予模型理解自然语言并生成任务级动作序列的能力。该阶段融合了移动操作机器人、双臂机器人及Bridge V2、RT-1、DROID等跨平台公开数据，总计约1.1万小时。 这一设计实现了能力分工：用低成本、高覆盖的人类行为数据筑基，用高质量、多本体的真机数据落地。结果是模型具备真正的“开箱即用”能力——无需针对新场景重新训练，即可在陌生家居环境中完成桌面收纳、沙发整理等复杂任务。且规模越大，泛化越强；微调所需数据越少，适配效率越高——平均仅需不足10小时数据，即可超越从零训练的效果。 全球权威基准全面领先，重定义基座模型标准 衡量一个基座模型是否成熟，关键看它在开放、严苛、公认基准上的表现。Xiaomi-Robotics-1在多项国际主流仿真评测中实现“屠榜”： 在极具挑战性的RoboDojo评测中，以20.07分和13.93%成功率登顶Leaderboard，大幅领先此前最优结果（13.07分、8.80%）； 在覆盖365种真实家庭场景的RoboCasa365基准中，以57.4%平均成功率刷新纪录，超越谷歌等团队保持的46.6%； 在考验组合泛化能力的Composite-Unseen任务划分中，展现出优异的任务重组与迁移能力； 同时在RoboCasa、VLABench等权威榜单中均取得全面领先。 这些结果覆盖物体操作、长程规划、跨任务组合等核心能力维度，且离线指标提升与真实机器人任务成功率提升高度一致。这标志着：机器人模型的进化路径，已从经验驱动转向可量化、可预测、可复现的工业化路径。 闭环落地：从本体到模型，中国具身智能进入重仓期 7月14日至16日，小米机器人连续三天密集释放技术进展：首日发布进厂“实习”的实体机器人本体，次日推出统一生成模型Xiaomo-Robotics-U0，第三日正式开源Xiaomi-Robotics-1。三者共同构成“本体—数据—模型”的完整技术闭环。 具身智能的终局，从来不是单一模块的突破，而是软硬件协同、数据闭环、模型迭代三位一体的系统工程。小米此次发布，不仅验证了机器人Scaling Law在中国土壤中的可行性，更提供了一条可复制、可扩展、可产业化的工业化路径：当数据能规模化采集，模型能标准化升级，任务能低样本适配，具身智能的“ChatGPT时刻”，就不再只是预言，而是正在发生的现实。