物理智能 API Beta：适用于每个机器人的前沿模型

发布于 2026 年 10 月 13 日 我们正在通过 Pi API beta 提供最新模型用于训练和推理。部署机器人具有挑战性。除了确定正确的用例和构建正确的硬件之外，开发人员还需要足够智能的模型来执行手头的任务。通用机器人基础模型（例如 π 0 和 π 0.5）为应对这一挑战提供了一种有希望的方法。它们提供了坚实的物理知识和能力基础，大大减少了适应新任务、环境或机器人所需的数据和工作量。但适应它们仍然需要机器学习基础设施、计算和复杂的数据管道，这些本身就很困难。如果最新、最强大的机器人基础模型可以通过简单且现成的 API 适应每个应用程序，会怎样？ Pi API 会为您做到这一点。您上传数据，对我们管理的计算和基础设施进行微调，并通过托管网关访问微调模型以运行推理。通过 API 提供的最新模型已经为我们的合作伙伴提供了更高效的数据微调和改进的功能。由于 Pi 可以快速更新支持 API 的模型，因此我们计划继续允许访问我们最新、功能最强大的模型。启动测试版是我们为社区提供物理智能基础并实现端到端自治的第一步。为了确保 API 支持多样化的应用程序，我们试图回答两个关键问题。首先，我们的模型是否支持不同行业的广泛应用和机器人硬件？其次，API 是否能够轻松地帮助开发人员实现有用、实用的自治？支持不同行业的广泛应用为了了解我们的模型的适应范围有多大，我们与部署机器人的公司密切合作，为其应用构建自主系统。这些合作让我们能够验证我们的模型在不同任务、硬件和操作环境中的执行情况。实现实际自主的独立迭代在这些最初的合作中，出现了一个共同的模式。不同任务面临的挑战各不相同：一件由内而外的衣服、一种无法留在勺子中的成分、一个落在错误位置的制造零件。但提高性能的过程大致相同：收集演示、训练模型、在机器人上进行测试，然后根据失败情况来决定下一步要收集哪些数据。我们构建 API 是为了让开发人员使用我们最新的模型自行运行此迭代循环。 API 工作流程：上传数据，微调 π 模型，并通过托管推理在机器人上运行它。使用评估数据来指导下一次迭代。我们让少数公司提前访问 API，以测试他们是否可以自行提高自主性。他们起步并取得进展的速度给我们留下了深刻的印象。他们的经验让您了解可以使用自己的机器人和数据做什么。上面显示的大多数应用程序（从日本到瑞士再到美国各地的部署）都通过 API 运行云托管推理。这些早期部署涵盖了一系列环境和任务，并突出了需要改进的领域，包括一些网络连接挑战。从反馈中改进我们的模型使用得越多，我们就越了解如何改进它们：通过了解当前模型在现实世界应用中的潜力和局限性，我们可以使下一代模型更广泛地适用，并在真正的通用物理智能方面取得切实进展。但现实世界的任务范围是巨大的，要了解机器人可以执行的广泛任务，需要使我们的模型可用于这些任务。现实世界的机器人应用并不容易：处理机器人建造、机器人手术或仓库自动化都需要整个公司的努力。如果每个这样的应用程序都需要从头开始解决物理智能问题，那么挑战就变得难以克服。通过 API 提供我们的模型，我们加速了机器人生态系统的发展，并在此过程中增进了我们对物理智能的理解。上面的例子表明，我们开发的模型可以用于真实、有用的应用程序，并且我们的合作伙伴能够使用 API 独立迭代策略并提高任务的自主性。我们还处于早期阶段，开发人员的反馈将有助于塑造未来的版本。如果您想参与测试版，请告诉我们您想要构建什么。如果您想帮助开发这项工作背后的模型和工具，我们正在研究、基础设施、硬件、人员和运营方面进行招聘。