当基模开始吞噬物理世界,具身研究还剩下什么?
基模能力快速提升,并不意味着具身研究失去意义。语言模型主要在数字世界中学习表征与关联;具身系统还要在连续、嘈杂且有物理约束的环境里感知、决策并执行。真正难点不只是“看懂场景”,而是让一次动作可靠地改变世界,并从结果中及时修正。
具身研究仍有几类不可替代的问题。首先是数据:互联网文本和视频很丰富,但真实接触、力反馈、失败恢复等数据稀缺,采集成本高,且不同机器人、传感器和场景之间存在明显分布差异。其次是闭环控制:模型提出的动作必须满足动力学、时延、碰撞和安全限制;开放式生成的合理描述,不等于可执行且稳定的控制信号。再者是泛化与可靠性:家庭、工厂或户外环境中,物体位置、光照、摩擦和人的行为都可能变化,系统要知道何时继续、何时重新观察、何时停下交给人处理。
基模可以成为重要底座:提供视觉语言理解、常识先验、任务分解和跨任务迁移能力;具身研究则需要把这些能力接入真实传感器与执行器,解决动作表示、策略学习、在线适应、仿真到现实迁移,以及安全评估等问题。一个实用架构往往不是让大模型直接以高频控制每个电机,而是由较慢的高层模型理解目标、选择技能,再由经过验证的低层控制器完成运动,并用反馈检查进度。
因此,研究重心可能从“为每个任务单独训练一个模型”转向“如何让通用模型可靠地落地”:怎样获得高质量交互数据,怎样组合模型与控制器,怎样衡量跨场景成功率和恢复能力,怎样在不确定时安全退出。基模会压缩某些重复造轮子的空间,却也抬高了具身系统的能力上限。值得做的研究不在于给机器人简单套上更大的模型,而在于证明它能在真实世界中持续、可测量、可控地完成任务。