--- title: "给它看五次，它就能进工厂吗？" date: 2026-11-11 category: AI大模型 site: 脑机网 canonical: https://aiai.cafe/a/njw-gr00t2-1111 language: zh-CN --- # 给它看五次，它就能进工厂吗？ > 给一次示范，五十项任务成七成；给五次，九成五。中间那道坎，正是工厂和家庭的分界。 七十一到九十五，这两个数字之间只差二十四，却可能是机器人在实验室和车间之间最远的一段路。前者是看一次示范的成绩，后者是看五次。 英伟达发布的 GR00T 2，是一个二十亿参数的视觉、语言、动作模型，基于 Cosmos-Predict2.5 构建。参数不大，路数却很清楚：让机器人看你做一遍，然后照着做，把示范变成可复用的动作。 二十亿参数，放在语言模型里连门槛都算不上。放在机器人身上却够用，因为机器人要的不是背知识，是在一个动作上反复做对。做对一次不难，难的是每次都做对。 发布给出的测试是五十项任务。给一次示范，平均成功率百分之七十一；给五次示范，平均成功率百分之九十五，其中四十项任务零样本完成。 ## 七十一和九十五 平均成功率是最容易被误读的指标。五十项任务里，有的简单到抓起来就行，有的要在杂乱台面上找到目标、避开遮挡、控制力度，难度差了好几档。 把五十项放在一起取平均，好看的数字会盖住难看的那几项。而真实使用里，恰恰是那几项决定这套系统能不能用，平均值救不了它们。 工厂不接受五次里有一次失败。产线要的是节拍、良率和停机时间，一道工序慢半拍，整条线的账就不平，更别说还要有人守着返工，成本会翻着涨。 家庭也一样。让机器人去端一杯水，失败一次可能就是烫到人，这个风险没人愿意替它担。九十五次成功听起来很高，剩下那五次落在哪里，才是真问题。 所以这道坎不是数字上的四个百分点，而是从「大部分时候能做对」到「几乎不出错」。这一步跨不过去，就只能停在演示里，行业也会跟着停在原地。 更麻烦的是，成功率不告诉你失败有多惨。抓空一次是失败，把零件捏碎也是失败，报表上是同一个数字，代价差得很远，可报表上看不出来。 ## 十万小时视频 GR00T 2 的训练数据里，有十万小时第一视角视频。这个量级说明一件事：机器人学习的瓶颈，正在从模型结构挪到数据供给，谁的素材多谁就快。 第一视角是合理的选择。人怎么伸手、怎么用力、先看哪里后看哪里，这些细节藏在眼睛里，不在第三人称的录像里，也不在文字描述里，只能靠第一视角一点点攒。 但人的视频不等于机器人的动作。人的手能拧、能捏、能扶，机器的夹爪只能开合；人靠触觉微调，机器靠视觉猜，这中间的差距要靠数据补。 补数据最便宜的办法是仿真。同周放出的 Isaac Lab 3.0 就是干这个的，在虚拟环境里反复练，把罕见的失败案例批量造出来，成本比真机低得多，还能反复重来。 仿真的问题也老生常谈：虚拟环境里学会的，搬到真机上会打折。光照、摩擦、零件公差，样样对不上，这个迁移损耗没人敢打包票，只能靠实测一点点补。 ## 看五次就上手 示范次数从一次加到五次，成功率从七十一走到九十五，这个变化对产线的意义，比数字本身大得多，它意味着门槛在下降，也意味着部署方式要跟着变。 工厂最怕换型。换一个产品，重新编程、重新标定、重新试跑，停线的时间都是钱。如果演示五遍就能上岗，换型的门槛会明显下降，小批量订单也敢接。 四十项零样本完成，说明模型学到的不只是这一条轨迹，而是一点可迁移的手感。这一点，比把均值再抬高一点点更有价值，也更难做到。 当然，五次这个数字也是有代价的。谁来演示、演示得标不标准、不同班组的动作差异怎么统一，这些管理问题会跟着冒出来，而且没有标准答案。 ## 卖铲子的人 同周，英伟达还开源了机器人相关模型。Jim Fan 的说法是，这不是寒冬，是夏天。话是给市场听的，但方向并不假，做机器人的人确实还在往里挤，谁都不想缺席。 开源这件事，对国内团队是好事。不用从零训一个基础模型，把力气花在场景和数据上，起步能快不少，也省下不少试错的钱，对小团队尤其重要。 一家卖算力和开发工具的公司，最希望看到的不是某一款机器人卖爆，而是所有做机器人的人都用它的模型、它的仿真、它的卡，把入口握在手里。 二十亿参数放在今天不算大，这本身也是个信号。参数堆到一定程度，收益会变薄，真正的差距回到数据质量和泛化能力上，这也是小模型还能打的原因。 所以 95% 这个数字，正确的读法是：在五十项任务、五次示范、特定环境的条件下，它做到了。换个车间、换批零件，还得重新测，之前的数字带不过去。 实验室的百分比和工厂的稳定性，中间隔着一条没人能跳过的验证曲线。这条曲线要走多久，取决于场景有多标准化，而不取决于发布会开得多热闹。 场景选得对不对，往往比模型强不强更决定成败。同样的成功率，放在标准化车间能用，放在杂乱的仓库里就要打折，这不是模型能决定的。 汽车产线之所以先落地，就是因为工位标准、零件一致、动作重复，变量少，好交付。换个行业，同一套模型要面对的是完全不同的混乱，经验很难直接搬。 回到开头那道坎。七十一到九十五，说明模仿学习已经能跨过「看得懂」这一步，接下来要跨的是「一直做得对」，后者慢得多，也常被低估，急不来。 后者不靠一次发布，靠的是成千上万次不出错的运行记录。这个数字不好看，也没人愿意拿它开发布会，但它才是进厂的门票，谁也绕不过去。 对做机器人的团队来说，这类模型更像一块地基。能不能盖起楼，还得看自己有没有场景、有没有数据、有没有耐心磨，这三样都买不来，也急不来。 **免责声明：本文基于公开信息撰写，仅供读者参考，不构成任何投资建议。** --- 来源：脑机网（https://aiai.cafe/）｜原文：https://aiai.cafe/a/njw-gr00t2-1111 本内容仅供参考，不构成投资建议。