GPT-8来了，AI公司要被一口吃掉？这家黑马给出另一种答案

新智元报道 启元机器人刚刚下线5000台！ 启元机器人具身研究中心承接底层算法研发，对外锚定一个清晰目标：做出第一个卖给个人的物理 AI机器人。 在行业普遍把目光投向远期人形机器人的同时，启元团队判断，Physical AI 是大语言模型走向真实物理世界的关键中间环节，2027 年或将迎来这一赛道的关键突破窗口。 已经量产上市的 Q1、T1 是启元面向 C 端交出的第一代硬件产品，但启元并不把这两台机器视作家务作业机器人的终局。 Q1 定位小尺寸全身力控人形机器人，T1 主打轮足‑四足可变形形态，二者更多解决硬件稳定性、安全入户、陪伴交互的问题；真正面向家务作业能力的轮式机器人 H 系列仍在迭代，与之配套的 「启元大脑」，才是整套体系的核心。 对比海外路线，π 路线依靠真机反复试错，任务成功率高，但很难规模化、泛化有限；UMI 类手持采集容易放大样本规模，泛化佳，但任务成功率很难自然拉满。 启元试图把两条路线融合，保障真机成功率的同时，通过便携式采集解决规模化问题。 快慢脑分工： 通用大模型是教练，自研 VLA 才是运动员 启元的技术框架建立在快慢脑分层之上，这套思路借鉴人类双系统认知逻辑，把机器人的思考与执行拆开处理。 GPT‑6 Astra 以及其他大语言模型被定位为 S2 慢脑，承担高层任务理解、逻辑推理、长任务规划、记忆调度，相当于机器人的思考中枢。 在视频号演示案例中，机器人既要理解大富翁游戏复杂规则，又能中途切换叠衣服任务，完成操作后回到游戏继续推进，这类跨任务长周期的认知能力，正是慢脑的价值所在。 但团队明确，通用大模型不善于直接接管底层动作执行。如果完全依靠 GPT 类模型做抓取、整理桌面这类精细操作，每一步细微位移都需要反复思考推理，单次抓取耗时可达半小时，同时带来极高 Token 成本。 而且其他更复杂的操作难以实现，思维大脑不具备「作业手感」。高层规划交给慢脑，真实世界的动作生成，要交给自研 S1 快脑 —— 视觉‑语言‑动作模型 VLA。 VLA 负责叠衣服、整理桌面、柔性物体操作，接收慢脑下发的任务指令，快速输出高频连续动作。类似人类大脑分区，二者形成协作：慢脑定目标，VLA 负责落地执行。 GPT 更像场外通用教练，真正上场完成实操的运动员，是 VLA、机器人本体，以及围绕本体沉淀下来的遥操作、UMI示范数据。通用大模型迭代可以放大现有模型能力，但无法替代这套和硬件深度绑定的具身能力。 团队同时提醒，短期很难出现一套可以通吃全部硬件的 VLA 模型。类比自动驾驶，即便场景复杂度低于机械臂物理交互，行业至今也没有真正跨车型通用的自动驾驶模型。 机器人要面对摩擦、形变、柔性物体、密集接触，VLA 必须和特定本体做耦合训练，模型、数据、硬件三者必须绑定迭代。未来不管基座模型来自内部自研还是外部合作，都必须在自有硬件平台完成数据采集、训练与验证。 当前启元对 GPT 仅做 API 调用，长期来看，如果通用大模型能够读懂视频流、空间关系与动作序列，就有机会充当强化学习里的Reward模块，充当通用监督信号，帮助加速家务任务成功率的提升。 跳出真机依赖： Hil-UMI 重构机器人数据生产链条 具身机器人的一大现实瓶颈来自数据采集。如果只是单纯堆示范数据不等于补齐模型短板，难点在于精准定位模型不会什么，针对性补充样本。 传统 HG‑DAgger 模式及其衍生方法，需要机器人先执行任务，出错之后再由人类接管纠正，纠正数据回流模型训练以不断修正模型效果，让成功率逼近100%。 然而这套流程高度绑定真机，迭代速度被硬件执行速度束缚，采集效率很难拉高，难以将百台、千台乃至万台机器部署到不同的地方采集。 启元最近推出Hil-UMI范式，试图解开真机枷锁。UMI本身是一套无本体便携式夹爪，不需要完整机器人本体到场，人类操作者手持便携夹爪直接完成任务示范。这个方式适合规模化数据采集，但过去并不能指导人类针对模型薄弱环节采集数据。 Hil-UMI进一步增加薄弱环节识别机制：人类数采员一边采集数据的过程中、模型分析哪些时候哪些动作需要进一步加强、指挥人类数采员补录数据。 在整理桌面的对照实验中，Hil-UMI的数据采集效率达到传统真机 HG‑DAgger 的5.63 倍，任务最终完成度也更高。 左图为四项任务平均分随累计采集时间的变化；右图为整理桌面任务中各方法随训练阶段的表现 这套机制不再被动等待机器人犯错，采集阶段就瞄准模型盲区。新采集的数据先更新模型，新旧样本混合参与训练，形成 「识别短板‑定向采集‑模型更新‑再识别短板」 的闭环。 正如之前所说，UMI夹爪本身具备一定本体解耦能力，更换法兰盘即可适配不同机械臂。这为未来众包采集埋下伏笔：不需要大量整机设备运送到各地，只分发便携式采集单元，就可以在成千上万不同家庭、不同环境下收集人类操作轨迹。 启元还反复强调：数据质量优先于数量。劣质样本不止消耗人力，更会大量浪费 GPU 算力，造成训练 Loss 异常。因此算法团队和数据采集团队从源头协同，把模型需要的先验知识前置到采集环节。 模仿学习存在能力天花板。团队拿 AlphaGo、大模型 RLHF 做类比：只学示范数据很难突破人类水平，机器人同样需要后训练、强化学习。 HIL-UMI范式的核心并不在于使用哪个底座模型，而是证明，在不过度依赖真机的前提下，依靠UMI采集链路，也可以开展后训练，提升任务成功率。 数据、算力与训练基建： 百万小时只是阶段性门槛 按照现在的爬坡节奏，启元希望 2027 年自身数据规模冲击百万小时级别。但团队清醒，百万小时距离真正通用具身智能仍有距离。想要接近 GPT‑6/GPT‑7 级别的物理世界泛化，需要千万甚至上亿小时量级数据。 以叠衣服为例，想要做到家庭场景稳定泛化，至少要覆盖一万个家庭、几十万件不同衣物。数据能力提升也不是简单线性增长，当单一场景数据饱和之后，继续增加小时数，边际收益快速衰减，关键要看任务、物体、环境的多样性。 算力层面，启元现在处于数千卡集群规模，与大模型公司相比并不多，但具身智能训练和大语言模型存在本质差异：训练主体是高冗余视频流，帧与帧之间大量信息重复，有效信息密度低。在 5000 卡规模、40% MFU 利用率的条件下，传统不做特殊优化的训练，跑完一个 Epoch 就要 3‑6 个月。 这催生了对视频训练基础设施的迫切需求。不能简单复用图片、文本大模型的训练管线，需要做筛选、压缩、表征重构。 未来的目标是把上下文窗口从十几秒拉长到小时、甚至天级别，让模型可以完整消化机器人一整天的任务经历，这才会带来 In‑Context Learning 层面的质变。 C 端商业化： 95% 才是家庭产品及格线 消费级家务机器人最大陷阱，是实验室演示与家庭真实体验之间的鸿沟。 启元机器人给出一条硬性判断：面向普通家庭的 C 端功能，任务完成度需要做到95% 以上才具备商业化条件，89%、94% 对用户而言依然是不合格半成品，消费者不会为需要频繁人工介入的产品付费。 因此，公司策略不是一开始追求全任务通用，而是集中资源先打穿一个家庭 Killer Application。以衣物处理举例，完整闭环包含收衣、送洗、晾晒、折叠归位全链路，单点碎片化功能没有