通信行业深度：机器人的泛化和ChatGPT时刻，挑战、路径与猜想

机器人的泛化和ChatGPT时刻：挑战、路径与猜想 增持（维持） 作者 对照：机器人当前处于GPT-2与GPT-3之间。GPT各代模型经历了从“专用任务能力”向““跨分布迁移能力”的演进。我们认为，做一个模糊比较，当前机器人接近GPT-3水平，原因是：1）π0.7开始根据语言指令调用和组合不同技能，面对没有完整示范的新任务也能作出合理尝试，这比GPT-2更进一步；2）π0.7在只有一句指令时通常只能完成部分任务，要实现更加稳定的自主执行，仍需要逐步语言指导，甚至需要利用多次指导数据对高层策略进行微调，才能够自行生成语言子目标，而GPT-3原则上不需要更新模型参数，仅依靠上下文中的少量示例即可调整任务行为。挑战：当前机器人泛化存在的问题与归因。当前机器人泛化能力的局限可 分析师宋嘉吉执业证书编号：S0680519010002邮箱：songjiaji@gszq.com 分析师孙爽执业证书编号：S0680521050001邮箱：sunshuang@gszq.com 相关研究 以进一步归纳为三个层面：1、实际任务执行能力距离商用仍然较远，π0.5单次执行物品放进抽屉、把衣服放入洗衣篮、把餐具放入水槽等任务通常持续约2—5分钟；2、第三方独立验证仍不充分，能力较强的π0.7尚未开源，第三方难复现；3）不同研究的泛化评测口径尚未统一。我们认为，当前机器人泛化增强的障碍主要是：1）模型侧：当前机器人基础模型路线尚未收敛，究竟是VLA，还是世界模型，还是其他““具身原生”模型，尚未有定论。其中，VLA当前仍是主流，但业界在不断探索利用世界模型，来预测机器人所处环境的下一个状态、甚至是机器人自身的动作会如何改变所处环境，如2026年8月发布的Dyna-2，宣称使用世界模型比VLA效果更佳。2）数据侧：在数据金字塔中，真机数据价值量最高，但也最难获取，而较容易获取的人类视频数据，有效性仍然有待验证。展望：机器人的ChatGPT时刻与实现路径。关于机器人的ChatGPT时 1、《通信：光进存储——光的远期愿景》2026-08-232、《通信：无源通胀》2026-08-163、《通信：AI竞争进入能源时代》2026-08-10 刻，““能力强”和““使用门槛低”是产业公认的两大关键要素，另外，多位行业人士预言机器人将在未来5年内接近ChatGPT时刻。而在实现路径上，部分产业人士提出机器人GPT时刻或需1亿小时量级数据；部分则认为应用““部署量”期待新场景适配成本下降。我们注意到，当前已经在泛化上取得进展的机器人模型主要是在“数据”上发力，例如使用异构数据训练、使用人类视频数据、使用有针对性的数据、使用更多数据等等。 投资建议：在迎接机器人ChatGPT时刻的路上，建议关注：1）整机：越疆、优必选、仙工智能等；2）芯片：地平线等；3）核心零部件：奥比中光、步科股份、来福谐波等。 风险提示：机器人模型进展不及预期，机器人数据采集进展不及预期，机器人硬件技术提升不及预期。 内容目录 投资要件...............................................................................................................................................41我们为何关注“泛化”？.....................................................................................................................51.1“泛化”是当前机器人的关键问题...............................................................................................51.2定义：模型在OOD（未见分布）保持性能....................................................................................51.3分类：视觉/语义/行为泛化等......................................................................................................52曙光：当前机器人存在“泛化”的几个案例...........................................................................................62.1语义泛化（RT-2）：听懂模糊指令...............................................................................................62.2环境泛化（π0.5）：新环境中的泛化并不总能成功，但存在............................................................72.3组合泛化（π0.7）：从“用空气炸锅烤红薯”瞥见组合泛化的曙光..................................................82.4跨本体泛化（π0.7）：“一脑千手”的可能性显现.........................................................................83对照：GPT珠玉在前，机器人处于何种阶段？.......................................................................................103.1多任务策略：π0可类比GPT-1....................................................................................................103.1.1大模型：GPT-1验证通用预训练路线..................................................................................103.1.2机器人：从固定程序走向通用策略.....................................................................................103.2新环境泛化：π0.5可类比GPT-2.................................................................................................113.2.1大模型：GPT-2，初步的泛化能力......................................................................................113.2.2机器人：π0.5，新环境泛化...............................................................................................113.3组合泛化：π0.7介于GPT-2与GPT-3之间..................................................................................113.3.1大模型：GPT-3，上下文学习能力......................................................................................113.3.2大模型：从InstructGPT到ChatGPT，从做任务到按人类意图交互........................................123.3.3机器人：π0.7，已超越新环境泛化，但还不是ChatGPT式交互.............................................124挑战：当前机器人泛化的局限性与原因.................................................................................................144.1问题1：从任务执行看，效率、稳定性与长时程能力仍不足...........................................................144.1.1基础操作与执行效率有限..................................................................................................144.1.2长时程任务的全流程完成能力不足.....................................................................................144.1.3现实扰动下，模型表现仍不稳定........................................................................................164.2问题2：从第三方验证看，公开复测仍不充分...............................................................................164.2.1 π0.5：测试揭示泛化表现并不均衡......................................................................................164.2.2 π0.7：缺少公开权重验证...................................................................................................184.3问题3：评测口径不一，模型成绩难以横向比较...........................................................................184.4归因：为什么机器人泛化仍显著弱于大语言模型？.......................................................................204.4.1模型侧：VLA、世界模型等模型路线尚未收敛，数据Scaling方向未定；可用开源模型少.........204.4.2数据侧：高质量训练数据规模增长难度大...........................................................................205展望：机器人泛化提高的路径与ChatGPT时刻......................................................................................245.1路径：当前产业提高机器人泛化的几个经验.................................................................