小毋今天想给大家好好聊一聊，机器人是如何帮助我们把散落的衣服放进洗衣机，这些机器人是如何思考的，还有这群年轻工程师如何为机器人造脑，背后藏着怎样的技术突破与行业野心。

造脑困局：通用大模型连三岁小孩的积木都搭不好？

给机器人造脑，核心是解决“感知-理解-执行”的闭环，但在具生智能浪潮兴起前，这个闭环始终难以打通。

北京人形机器人创新中心的研发团队发现，哪怕是全球顶尖的通用多模态模型，面对真实物理世界也会“犯傻”。

团队曾做过一个简单实验，让模型指挥机器人搭建三层乐高积木，这个两三岁小孩都能完成的任务，顶尖模型却完全搞不定。

既无法区分积木的大小，也不知道搭建的先后顺序，甚至会把最大的积木当成最小的来摆放。

更意外的是，模型能写诗、解数学题，却看不懂“把水杯放在空桌子上”这样的基础空间指令，连物品的前后左右关系都分不清。

这背后的核心问题的是，通用大模型是基于互联网二维数据训练的，缺乏对三维物理世界的理解。

就像李飞飞教授指出的，当前大模型的空间感知能力，甚至不及一个三岁孩童。

机器人要在真实世界行动，不仅要“看见”物品，还要理解空间关系、物理规律，知道“杯子倒了水会洒”“软物需要轻拿”，这些都是通用模型欠缺的能力。

更关键的是，传统机器人训练方式效率极低，行业里流行“堆数据、堆算力”，就像一头大象每天要吃几十公斤食物，才能长一点点体重。

大模型训练也是如此，需要海量数据、数千张算力卡和巨额资金，就算这样，数据利用率也很低。

对于创业公司来说，这种“烧钱式”训练根本不现实，这也让机器人造脑陷入两难，不堆数据模型性能不行，堆数据又负担不起。

破局之道：DPPO算法让模型像高考学子一样精准提分

面对困局，北京人形机器人创新中心团队跳出了“堆数据”的思维定式，研发出一套名为DPPO的训练算法，让模型训练效率实现质的飞跃。

这套算法的核心灵感来自人类的认知心理学，就像高考学子备考一样，不搞题海战术，而是精准攻克薄弱环节。

DPPO算法的训练过程分成两步，“自主刷题”，对应强化学习阶段。

模型会先观看大量视频，学习人类的动作逻辑，然后在真实场景中自主练习任务。

抓取物品、摆放东西，练习中会不断尝试，记录成功和失败的案例，就像学生做完一套试卷，标出不会的题目。

这个阶段，模型能自主发现自己的弱点，分不清左右、不会判断物品硬度。

“名师辅导”，对应有监督微调阶段，模型会把自主练习中发现的薄弱环节集中起来，针对性训练。

反复练习区分物品大小、判断抓取力度，就像学生请老师讲解错题，直到完全掌握。

更厉害的是，这种训练方式能避免“学了新的忘了旧的”，模型学会抓取软物后，不会忘记之前掌握的抓取硬物的能力，就像人类学会开车后，不会忘记骑自行车。

这套“精准提分”的训练方法，让数据利用率大幅提升，团队只用了180万条数据，就训练出性能出众的模型，其中还包含大量视频数据。

视频能提供时序和空间信息，帮助模型理解物体运动轨迹和相对位置。

相比行业内动辄千万级、亿级的数据量，这个规模堪称“轻量化”，但性能却不落下风。

在核心能力上，PelicanVL模型实现了多项突破，空间理解方面，它能精准判断物品的位置关系，完成“在空桌子上放水杯”“把鞋子放进鞋架”等任务。

物理推理方面，它能看懂视频并判断任务是否完成，在英伟达发布的Cosmos基准测试中，只有它能准确识别“寿司已被夹出”，并给出“停止操作”的指令。

泛化能力方面，它能适配家庭、商超、实验室等多个场景，就算遇到没见过的物品，也能根据形状、材质判断抓取方式。

模型还分为7B和72B两个版本，适配不同场景，72B版本参数量大，理解能力强，适合家庭、商业等需求复杂的场景。

7B版本轻量化，适合工业等流程固定的场景，后续团队还计划开源3B小模型，让更多科研院所、学生能参与研究，降低具生智能的入门门槛。

开源初心：72B巨模开放，推动行业从“各自为战”到“合力攻坚”

2024年，团队做出了一个重要决定，将PelicanVL模型开源，包括7B和72B两个版本，这也是当前具生智能领域最大尺寸的开源模型，做出这个决定，团队有自己的深层考量。

先是推动行业技术迭代，当前具生智能领域技术路线分散，尤其是在VOA（视觉-语言-动作）方向，不同公司的接口标准、训练方法各不相同，大家各自为战，浪费了大量资源。

团队开源模型，相当于提供了一个性能出色的“公共基座”，其他开发者不用再从零开始训练，只需在这个基础上优化，就能专注于解决更细分的问题，比如提升抓取精度、适配更多场景。

其次是吸引更多人参与，具生智能是一个庞大的领域，需要软件、硬件、算法等多方面人才共同发力。

团队希望通过开源，让学生、科研人员、中小企业都能用上优质模型，降低行业准入门槛。

就像团队里的北大实习生悠悠，本科是数学专业，通过参与项目接触到具生智能，现在已经成为核心代码开发者，团队希望更多年轻人能被吸引进来，为行业注入新鲜血液。

更重要的是，开源能加速技术落地，机器人造脑的最终目标，是让机器人走进家庭、工厂、商超，帮人类解决实际问题。

但单个团队的力量有限，开源后，全球开发者都能为模型提建议、补漏洞，让模型快速迭代。

有人发现模型在某类材质物品的抓取上表现不好，就能针对性优化，有人需要适配特定场景，就能开发对应的插件，这些都能让机器人更快从实验室走向现实。

值得一提的是，这个研发团队里有多位优秀的女性工程师，她们负责算法设计、数据处理、代码开发等核心工作，用实力打破了“硬科技领域男性占主导”的偏见。

团队把她们推到台前，也是希望让更多人看到女性在科技领域的贡献，吸引更多女性加入具生智能行业。

如今，PelicanVL模型已经在多个基准测试中表现亮眼，在FreeSpace任务中，它能精准判断物品摆放位置，不会把水杯放在花盆上。

在RobotSpatial测试中，能准确识别物品位置，在长视频理解任务中，能连贯分析几分钟的视频内容，做出正确决策，这些性能的提升，都在让机器人“大脑”越来越好用。

从通用模型的“空间盲区”，到DPPO算法的“精准提分”，再到PelicanVL模型的开源共享，北京人形机器人创新中心团队用技术创新打破了机器人造脑的困局。

具生智能的时代才刚刚开始，未来机器人不仅能帮我们做家务、干农活，还能走进工厂、医院，成为生活和工作的好帮手。

而这场由开源引发的技术协作，或许会让这个未来提前到来，正如团队所说，他们期待和行业一起，让智能不再停留在屏幕上，而是真正走进真实世界，与人类共同构建融合文明。