具身智能的 scaling law，可能真的来了

1903 年，莱特兄弟的第一次飞行，只持续了 12 秒。它证明了人可以飞，但离飞行变得安全、变成日常，还差着几十年。

这段话不是我写的，是一份机器人技术报告的开头。报告接着说，机器人行业正在批量生产自己的 12 秒，一个个 demo 让新能力被看见，让整个领域敢想，但没人回答那个更难的问题，条件变了，性能还立得住吗。

写下这段话的是 Sunday Robotics 创始人 Tony Zhao 和 Cheng Chi，就是 ALOHA 和 UMI 的作者，这两个名字在具身圈几乎无人不知，我之前专门写过一篇文章介绍Sunday Robotics：4 个月估值 11.5 亿美元，下一站深圳 。今年 3 月融 B 轮的时候，他们官方博客的标题就很狂，No More Demos(不再做 demo)。几天前，他们交出了把话说满之后的第一份大作业，ACT-2 Preview。

比报告先击中我的，是随它放出的视频。25 个画面同屏，25 台一样的机器人，在 25 个陌生的卧室里，干着你每个周末都在干的事，叠衣服。花床单、暗光、堆成小山的衣物筐，每个房间它们都是第一次进。字幕只有一句，fully autonomous in unseen homes，全自主，陌生家庭。

我把报告从头到尾读完了，来说说我的感受。

先说它到底做到了什么

叠衣服有多难，大家自己最清楚。这活不费脑子，但费时间。而对机器人来说，它难上加难。一件皱成一团的 T 恤，每次摊开都是新的形状，会变形，会把自己盖住，几乎不会两次出现在同一个状态。你靠手感就解决了，机器人没有手感，每一件都是一道新题。

Sunday 的做法是直接把考场搬进真实世界。31 个机器人从没进过的家，785 次全自主测试，失手 7 次，成功率 99.1%。平均一百多件才叠错一件。

而且怎么算叠好，不是机器人自己说了算。规则在测试前写死，测完不许改，标注员先培训再上岗，一人打分另一人独立复核，所有测试视频公开。质量平均 4.72 星，接近四分之三拿满分，速度中位数两分多钟。报告还把机器人和人叠同款衣服的画面并排放在一起，我的观感，比我叠得整齐。这话有点丢人，但是是真的。希望以后都能把我的家务活给接过去就好了～

细节里还有两处我觉得值得注意的地方。最差的女式衬衫 94.7%，报告推测是因为又轻又软，能抓的形状线索太少，短板和原因都摆在明面上。再看图里的 n 值，无袖上衣 100% 但只测了 7 件，这种对自己不利的小样本，他们原样印出来，没有藏。

床单深浅、机器人站床哪边、衣服在床上还是地上，各种情形都一一验证实战过，没有一项拖后腿。同一个模型，进新家不采数据、不微调就能达到这种泛化效果。

怎么说呢，只能说确实很强～

真正的新闻，是那条往下砸的线

不过你如果只记住 99.1%，这份报告就读浅了。

你可能疑惑过一件事。机器人 demo 一个比一个效果炸裂，可说好帮你干活的机器人，为什么到现在还停在发布会里，进不了你家门？一个重要原因是，几乎所有 demo 都是在自家实验室里炼出来的，模型在采过数据的环境里越调越好，搬进你家，立刻现原形。行业管这个叫泛化差距，熟悉环境和陌生环境的成功率之差。

Sunday 做了个实验，把预训练数据从零一路加到全量，看这个差距怎么变。

从八成多，一路砸到接近零。

没有预训练的模型，换个环境成绩直接塌方。预训练加满之后，熟悉的家和陌生的家，几乎没有区别。这张图说的事很朴素，泛化不再是玄学，是可以花钱买到的性质。而买它的货币，是预训练数据。

顺着这条线还有更值钱的一层。

数据每翻一倍，陌生环境的成绩往上走一格。训练时的验证 loss 和真实世界的成功率对得非常齐，等于说不用把机器人搬进陌生家庭，看一眼训练曲线，就知道它到你家的表现。绿色那条高质量数据线全程压着蓝色的均匀采样线，八分之一的好数据打赢一半的普通数据。

这套体验的分量，做语言模型的人最懂。当年大家敢把训练预算一轮一轮往上加，不是赌博，是曲线告诉他们，砸多少数据，换回多少能力，提前可算，这就是 scaling law。现在，机器人第一次拿到了同款曲线。

还有个实验我来回看了三遍。四个模型副本，每个只喂一条人类演示，各教一种不同的叠法，再拿没见过的衣服考，四个全学会了，而且都能举一反三。你教小孩叠被子还得示范好几遍，它看一遍就会。报告脚注里排了条时间线，GPT-1 还要逐任务微调，GPT-3 几个例子就能干活，机器人这边，π0 证明预训练加微调可行，GEN-1 把新任务压到一小时数据，现在是一条。

预训练里，没有一条机器人数据

这是让我这个干数据的人最坐不住的地方。

ACT-2 的预训练数据全部来自人。人穿着 Sunday 自研的传感硬件去干活，数据再过一整套筛选处理的流水线。机器人自己的数据只在后训练阶段出现，量级很小。上一代 ACT-1 的报告标题干脆就叫 Zero Robot Data，零机器人数据。

真机数据有多贵，行内人都有数。机器人、场地、操作员，三样都是钱，国内不少头部公司眼下正按百万小时的量级规划真机采集。如果人类数据加单条演示这条路真走通了，拼的就不再是谁的真机小时数多，是谁的人类数据质量高、管线硬。谁对谁错现在下结论还早，但这条路已经跑出了这个任务上最好的成绩。说到底，教机器人干活的老师，本来就该是干活的人。

它最科幻的地方，恰好最像你家

报告里我反复看的，反而是一些边角画面。

衣服掉地上，它捡起来接着叠。小孩跑过来把它手里的衣服抽走，它重新规划接着干。有人故意把叠好的堆推乱，它一件件重新码。灯从亮调到暗，都行。这些没人显式教过，是大规模预训练自己长出来的。报告把这类混乱定义为可恢复的中间状态，而不是直接宕机，不是只会处理见过的场景。

你想想自己家。沙发上永远有昨天没有的东西，猫会踩过刚叠好的衣服，孩子的玩具没有固定位置。家从来不是一个受控环境，这恰恰是机器人几十年进不了家门的原因，也是 Sunday 偏要选家庭当考场的原因。研究要的和市场要的，头一回是同一个东西。

体型跨度也一样。婴儿服、8XL 衬衫、大浴巾，尺寸差出一个量级，它会自己挪位置、调高度、俯身探进工作区。按 Tony Zhao 的说法，以上全部跑在机器人本体的算力上，不联网。

下次看机器人发布会，你只需要问三个问题

报告里有段话，我建议你抄下来。

在未见过的家庭中、零适配达成 99.1% 成功率，与在同一件衣物、同一个预先布置的台面、同一个熟悉的房间中测得 99.1%，是两个截然不同的命题，尽管两个百分比完全相同。

为什么 demo 量不了进度？因为每个 demo 的环境、道具、干预规则都是自己定的，没法比较，也没法累积。Sunday 提出用一个叫 Solve 的标准替代它，一个能力要算数，得同时讲清楚三件事。做到了多好。在多大范围内做到的。换个地方还要再花多少功夫。

他们自己先按这个标准交了卷，诚实到连不做什么都写清楚了。袜子、文胸、内衣、配饰不在范围内，因为它们通常的处理方式是配对、归类或悬挂，而不是折叠。适配成本那一栏只有四个字，每个家庭为零。

下次再刷到机器人发布会，你就拿这三问过一遍。做到多好，范围多大，搬到我家还要花多少功夫。我猜大部分 demo 撑不过第一问。对投资人来说，这就是一份现成的尽调清单。

冷水还是要泼

该说的我还是得说。这是 preview，考卷自己出，成绩自己判，第三方复现还没有。叠衣服之外，同一个模型正在学的冲咖啡、吸尘、整理玩具，没有一项过了 Solve 的门槛。卖多少钱、用半年之后还灵不灵、安不安全，全是空白。

但报告里有句反直觉的话我很认同，一个每项任务都只有 60% 可靠性的机器人，可能不如一个能可靠完成少数高价值任务的机器人有用。样样都会但样样掉链子的帮手，你家里大概也有过，用两次就吃灰了。先把一件事做到可靠，数据和方法沉淀下来，下一件才更容易，飞轮才转得起来。

回到开头那 12 秒。1914 年，第一家航空公司在坦帕湾开出定期航线，一天两班，离首飞隔了 11 年。航空业真正的起点不是飞起来的那 12 秒，是可靠到能定期载客的那一天。

Sunday 说自己在做的，就是把 12 秒变成一条航线。今年秋天，搭载 ACT-2 的 Memo 会通过 Beta 计划进入真实的美国家庭，第一项能力就是叠衣服。感觉和自变量的 58 同城进入家庭计划有异曲同工之妙啊。

也许不远的某个周末，床上那堆衣服，就不归你管了。

写在最后

从技术上看，这份报告解决的是具身智能最老的一块心病，模型出了实验室就不可靠。ACT-2 把它变成了一条可以计算的曲线，机器人第一次从演示道具，往可交付的产品迈了实实在在的一步。这一步是不是真的，下半年看第二个 Solve 出不出现，就知道了。

但合上报告，我想的是另一件事。等机器人真的能接手家务，我们和家的关系，会变成什么样？

人做家务，从来不是因为热爱。叠衣服、洗碗、吸尘，这些安静的重复吃掉了我们大量的时间，晚饭后的散步、想读没读完的书、陪孩子拼到一半的积木，都在给它们让路。

也许这就是 Sunday 们真正在做的事。机器人接手的不是家的温度，是那些重复了一万次、谁做都一样的动作。让机器负责重复，让人负责生活。

真正让一个房子变成家的，从来都是人，是那个会赖床、会走神、衣服叠得歪歪扭扭还理直气壮的你。

把时间还给人，才是机器人这门生意的终点。

看清方向，比跑得快更重要。我是向光，下次见。