Eye On A.I. · Episode 331 · 已上线
无人谈论的机器人革命
Craig Smith 对话 Sergey Levine（Physical Intelligence 联合创始人 / UC Berkeley）：什么是机器人基础模型，为何「最广、最多样的真实数据」比打磨单一完美机器更关键，以及人形形态、开放世界与持续学习飞轮。
机器人基础模型
跨本体 · RT-X / OXE
人形争议
数据飞轮
格式说明：短问中文 + 回答贴原话中文译述；旁白为近似沉稳男声的库存 TTS（非声纹克隆）。本页仅为个人学习向听读辅助，非正式配音或官方译本。
节目脉络（听读大纲）
对应忠实中文脚本结构
- 引言 / 声明
- Levine 与机器人基础模型
- 「基础模型」含义与广域数据策略
- 仿真 vs 真实数据：为何多样性胜出
- 遥操作 → 语言反馈 → RL 的可扩展监督组合
- 车队 / 集体学习与跨本体
- RT-X / Open X-Embodiment（约 50% 提升）与移动迁移轶事
- 模仿 vs 离线 RL；VLA 代际；推理 / CoT
- 世界模型 vs VLA：抽象层次，而非硬二分
- 云端 vs 端侧分层推理与优雅降级
- 两类可行集群：VLA（操作多样性）vs 仿真到真实（运动竞技）
- VLA 管线：VLM + 「运动皮层」/ diffusion → 关节目标
- 开放世界：通才胜过窄域专家
- 人形：成本与数据、OS/PC 类比、软件解绑形态
- 下一步：真正的数据飞轮 / 持续学习
- 科幻趣味与「少设限地思考」建议
相关论文（机器人基础模型时代）
图卡优先 · 主张 / 假设 / 结果 / 专业读法