从 Guided Policy Search、MAML 到 VLA

他们的路线不能被压成“做机器人基础模型”。Levine 二十年来一直在解决一个矛盾：真正可用的控制需要精确、快速、稳定，但能迁移的智能又不能依赖每个任务的手工模型；Finn 则持续追问：训练一个模型会做很多任务还不够，能否训练出一个特别容易被新经验改写的模型？Physical Intelligence 的 π 系列，是这两条线在 LLM 时代的汇合。

一、先给出这条路线的内在逻辑

如果把二人的工作按项目名排列，会看到 guided policy search、视觉控制、MAML、one-shot imitation、offline RL、VLA、flow matching、robot memory，像一串潮流词。但它们实际围绕同一个结构反复变化：

先利用某种昂贵但可靠的“老师”产生监督。 老师可以是轨迹优化器、人类遥操作、跨任务数据、预训练 VLM、奖励函数或专用策略。
把老师的能力压进一个快速通用策略。 部署时不能每个控制周期都做昂贵优化，神经策略需要直接从观察产生动作。
承认离线数据永远不完整。 数据没有覆盖的动作和状态最危险，策略必须保守、能识别不确定性，并在真实执行中继续纠正。
把“快速适应”本身变成训练目标。 好的基础模型不是零样本分数最高而已，而是遇到新机器人、新厨房、新任务后只需少量经验就能变成专家。
语言知识是强先验，不是物理经验的替代品。 LLM/VLM 提供人类认知和语义压缩，具身数据提供动作后果，两者缺一不可。

这使他们与两种极端路线都不同：

不相信每台机器人都应从纯 RL 随机探索起步；
也不相信把一个语言模型接到机械臂上就自然获得物理智能。

他们的工程配方是一种分层学习史：互联网知识 → 跨机器人预训练 → 人类示范 → 任务内适应 → 自主经验 → 长期记忆。

二、Levine 的起点：经典机器人控制为什么既强大又难以泛化

1. 传统机器人管线把世界拆得很清楚

经典机器人系统常包含：

状态估计：物体和机器人在哪里；
动力学模型：动作会产生什么状态变化；
轨迹规划：选择一条可行路径；
低层控制：让电机沿轨迹运动；
感知模块：从相机和传感器恢复规划所需变量。

在工业环境中，这种分解非常可靠。但每个模块都依赖准确模型、标定和结构假设。一旦物体可变形、视角变化、接触复杂或场景未知，误差会穿过整个管线。

端到端神经策略的吸引力是：直接从图像学动作，让网络自己决定哪些视觉特征对控制有用。问题也同样明显：高维策略空间巨大，真实机器人试错昂贵，纯策略梯度很难从随机动作学到精细技能。

Levine 早期工作的核心不是简单选择端到端，而是寻找传统优化怎样成为神经策略的老师。

2. Guided Policy Search：让有特权信息的老师教一个部署时看不到特权信息的学生

在 Levine 的博士论文与 guided policy search（GPS）工作中，局部轨迹优化器可以使用较完整状态、动力学近似和任务成本，先在若干初始条件下找到好动作；大网络再学习模仿这些局部控制器，从原始/部分观察直接输出动作。

训练过程大致交替：

在当前策略附近拟合局部动力学；
用轨迹优化得到高质量局部控制；
把局部控制产生的状态—动作数据监督给全局神经策略；
约束老师与学生不要偏离太远；
重复，逐步让策略覆盖更多状态。

这套方法解决了一个长期结构问题：

老师计算昂贵但样本效率高；
学生表达力强、执行快，但直接搜索困难；
训练时可用的特权状态，不必在部署时持续可得；
多个局部老师可被蒸馏成一个共享视觉策略。

它不是今天 Physical Intelligence 使用的具体训练算法，但“用强监督源产生轨迹，再蒸馏进通用策略”贯穿了 Levine 后续所有工作。

3. 从状态控制到视觉运动策略：知觉与行动必须共同塑形

2015–2016 年前后的工作把卷积网络与机器人控制端到端连接，让相机观察直接决定关节动作。其意义不只是删掉物体检测器，而是改变表征学习目标：

同一张桌面图像，对分类模型重要的是“有没有杯子”；对控制策略重要的是杯口姿态、遮挡、可抓取区域、抓后是否碰撞。行动任务决定知觉应保留什么。

这使 Levine 与 LeCun 都重视 action-conditioned representation，但二人侧重不同：LeCun 希望找到更普适的自监督世界模型；Levine 更愿意让任务、示范与控制损失直接塑造端到端表示。

三、大规模自监督机器人数据：为什么他很早就把瓶颈看成“数据分布”

1. 机器人无法直接享用 ImageNet 的数据飞轮

视觉模型可以从互联网收集数十亿图片；机器人动作数据需要真实设备运行，包含相机、标定、力、控制频率和失败恢复。每条轨迹成本高，而且不同机器人动作空间不同。

Levine 团队在 2016 年前后用多台机器人长期自主抓取，收集大量试验。系统不需要人逐帧标“正确抓点”，因为抓起与否可由执行结果自动产生标签。

这里形成一条重要判断：Moravec 悖论在很大程度上也是数据稀缺悖论。 网络上有海量文本和图片，所以高层语言、识别迅速规模化；人类觉得“不费脑”的接触、摩擦、柔性物体操作却几乎没有机器可用轨迹，因此很难学。

Physical Intelligence 2025–2026 的Robot Olympics 复现实验仍在重述同一观点：很多经典机器人难题并非不能被神经模型掌握，而是每项任务单独采集足够数据不经济；必须先用多任务预训练形成共享物理先验。

2. 自监督并不等于不需要设计反馈

抓取结果可自动判断，看似“无需标签”，但整个数据闭环仍由人设计：

机器如何重置物体；
怎样判断成功；
采样哪些动作；
哪些失败不会损坏设备；
如何覆盖稀有姿态；
多机器人数据怎样校准。

这预示具身基础模型与 LLM 的根本差别：文本预训练可把几乎任何网页序列放入同一 token 目标；机器人数据的动作语义、时间尺度和成功条件高度异构，不能只靠“数据更多”自动统一。

四、视频预测与 visual foresight：一条重要但没有按预期开花的支线

1. 最初的希望：如果模型能预测动作后的画面，就能在图像空间规划

Levine 与 Finn 参与的一系列 visual foresight 工作训练视频预测模型：输入当前图像和候选动作，预测未来帧；规划器采样动作序列，选择让目标像素/物体接近目标位置的轨迹。

这个思路非常直观：

无需显式建 3D 几何和接触方程；
可从无人工标签的视频轨迹学习；
预测模型本身就是可规划世界模型；
目标可在图像中指定。

在推、拨、简单物体移动中它能工作，也证明“预测未来观察 → 反向选择动作”可形成通用控制接口。

2. 为什么视频预测没有像语言模型一样产生高级认知

多年后 Levine 在《Language Models in Plato’s Cave》中回看这条路线：研究者曾期待 next-frame prediction 像 next-token prediction 一样自然产生物理理解，但现实没有如此简单。

原始视频包含大量与决策无关、甚至本质不可预测的细节：

纹理、光照和背景运动；
相机噪声；
多个视觉上合理的未来；
隐藏状态导致的随机性；
每个像素被同等计入生成损失。

模型可能把巨大容量用于让画面看起来真实，却没有形成能支持抽象推理和控制的状态。

这与 LeCun 批评逐像素生成浪费容量相近。但 Levine 由此得到的结论更特别：不是只有视频目标错了，还要解释为什么语言预测反而如此成功。

五、Offline RL：数据不只告诉你“人做了什么”，还应告诉你“哪一步改变了长期结果”

1. 为什么 behavior cloning 有一个不可跨越的上限

模仿学习最大化示范动作概率。它能复制数据中常见行为，却很难做到：

把不同人的局部优点组合起来；
判断某一步对数分钟后成功的贡献；
超过示范者平均水平；
在偏离示范分布后恢复；
根据不同最终目标重新使用同一日志。

RL 的价值函数则试图估计：当前动作对未来累计回报有多大影响。理论上，它可以从失败轨迹中学到某些局部动作有用，也能把多个示范者各自擅长的片段重组。

2. 但固定数据中的价值学习会产生“凭空乐观”

离线数据只覆盖行为策略访问过的一小块状态—动作空间。若价值函数认为数据外动作很好，策略会主动选择它；由于没有在线试验，错误无法及时纠正。这叫 extrapolation error / distributional shift。

Conservative Q-Learning的思路是，对数据外动作价值施加保守压力，让学到的 Q 值更像真实价值的下界；只有数据提供足够证据时才偏离行为策略。

这个技术问题后来在 LLM 和 VLA 中以不同面貌重现：

语言模型在训练分布外会自信生成；
机器人策略可能输出未被数据支持的动作组合；
reward model 可能给陌生轨迹虚高分；
在线 RL 会利用这些价值误差。

Levine 的离线 RL 路线因此带来一种很务实的认识论：泛化不只是大胆组合，还是知道哪里没有证据。

3. 2022 年，他已经把 LLM 看成“人类行为模型”，而非最终代理

在 ChatGPT 刚发布时的《Offline RL and Large Language Models》中，Levine 提出一个当时不主流、后来很关键的区分：

最大似然语言模型预测“人在这种上下文更可能输入什么”；
任务代理应选择“什么话或行动会让长期目标更可能完成”。

前者提供对人类行为、语言、心理和世界知识的强表示；后者需要价值、目的和序列决策。

例如技术支持对话中，一名员工善于安抚情绪，另一名员工技术强。模仿学习可能复制各自完整风格；离线 RL 理论上可识别“先安抚、再技术排障”两个局部步骤的长期价值，组合出数据中没有任何单人完整展示的更好策略。

这一判断预示后来结果奖励、process reward 和 agent RL：LLM 是非常强的行为先验，但像人类文本与实现任务结果是不同目标。

他同时提前指出风险：若奖励来自点击、停留或用户反应，RL 会让语言模型更擅长说服、操纵和利用人类行为模式。这里的技术核心不是抽象“AI 末日”，而是序列优化如何改变生成模型的意图结构。

六、Finn 的主线：不要只优化最终模型，要优化“学习之后的模型”

1. 普通多任务学习与元学习的区别

普通多任务训练寻找一组参数，使它在训练任务平均表现好。面对新任务时，模型可能零样本工作，也可能需要重新微调。

MAML改变目标：寻找一组初始参数 $\theta$ ，使模型在看到某个任务的少量数据、做一两步梯度更新后，得到的参数 $\theta'_i$ 在该任务上表现好。

简化地写：

\theta'_i = \theta - \alpha \nabla_\theta L_i^{train}(\theta)

外层再优化：

\min_\theta \sum_i L_i^{test}(\theta'_i)

外层不是奖励“现在会”，而是奖励“经过很少学习后会”。因此初始参数编码的不只是技能，还包括一个便于不同任务快速改变的表示与优化地形。

2. MAML 的深层判断：学习算法可以部分储存在参数空间几何中

如果某组参数附近存在许多方向，每个方向只需少量梯度就到达不同任务解，那么模型已经学到“怎样学这一类任务”。它无需显式写出一个手工元学习器，梯度更新本身成为适应机制。

这与 Chollet 的技能获取效率高度相关：基础模型价值不只是任务集合中的平均分，而是新任务适应曲线。

MAML 的具体二阶梯度成本、任务分布假设和稳定性后来受到大量改进与替代；但它提出的目标几乎成为今天 foundation model 的默认愿景：预训练不是交付最终行为，而是创造一个能低成本适配的起点。

3. One-shot imitation：新任务不是一个类别 ID，而是一段示范

Finn 的博士论文把元学习推进到机器人模仿：给一段新行为示范，机器人需要从一次例子理解目标并执行。

难点不只是样本少：

示范者与机器人身体不同；
摄像机视角不同；
轨迹细节与任务本质不同；
一次动作包含大量偶然变化；
系统必须提取“什么结果重要”，而非逐帧复制。

于是模型需要从大量旧任务中学习怎样解析示范：哪些是对象、关系和目标，哪些只是执行风格。这是“从经验中学会读经验”。

4. 快慢两层学习最终会变成基础模型 + 上下文/参数适应

Finn 的元学习工作可以理解为两种时间尺度：

慢层：跨很多任务吸收共享结构；
快层：在新任务内根据少量数据更新。

今天的机器人基础模型把快层实现为多种形式：

prompt / 上下文；
一段视觉或语言示范；
少量 fine-tuning；
在线 RL；
episodic memory；
高层任务状态。

具体机制变了，问题没有变：怎样让过去的多任务经验提高当前新任务的学习效率。

七、两条线在 Physical Intelligence 汇合：一个基础策略需要继承什么，又缺什么

1. 为什么通用机器人策略在 2024 年才真正变得可行

三种条件同时成熟：

VLM 已从互联网学到对象、语言和场景语义；
多个实验室积累跨任务、跨本体机器人数据；
扩散/flow matching 等生成模型可表达连续、多模态动作分布。

Levine 带来的问题是怎样规模化控制与经验学习；Finn 带来的问题是怎样快速适应和理解示范。二者共同的目标不是“一台机器人会一百项技能”，而是建立一个物理智能层：像语言基础模型一样，成为不同机器人应用的共享起点。

Physical Intelligence 在 2026 年的“Physical Intelligence Layer”一文中明确把愿景写成基础设施：应用开发者不应从控制器、数据管线和模型全栈重新开始。

2. π0：把语义大脑与高频动作专家接起来

π0以约 3B 参数 VLM 为起点，继承互联网图文预训练的语义与视觉能力，再增加 action expert，用 flow matching 输出连续动作块。

为什么不用把机械臂关节离散成语言 token？

动作是高频连续信号；
同一目标常有多条可行轨迹；
精细操作需要平滑、相关的多维输出；
逐 token 自回归可能积累延迟和误差。

Flow matching 学一个从简单噪声分布流向动作分布的连续向量场，能表达多模态动作并并行生成动作 chunk。它不是认知理论，而是让 VLM 语义层与实时控制层在同一模型中共存的工程接口。

π0 混合多种机器人本体和任务，目标是让共享表示吸收物理共性。其公开评测显示相对 OpenVLA、Octo 等基线在团队任务上更强；但评测主要来自开发团队，任务与硬件分布有限。

3. OpenPI：基础模型的真正价值应体现为新平台适配成本

2025 年OpenPI开放代码与 π0 权重，并报告若干新任务用约 1–20 小时数据微调。这个指标比“参数多少”更符合 Finn 的元学习传统：基础策略是否让新平台所需数据下降。

但 1–20 小时仍不是“一次示范就会”，而且不同任务差异巨大；新本体需要控制接口、相机、动作归一化和安全重置。开放权重提高了第三方验证可能，但不能把示例范围外推为任意机器人。

4. π0.5：从“技能集合”转向开放世界部署

π0.5增加来自网络的多模态数据、多环境机器人数据和跨本体数据，并在此前未见家庭中执行长流程任务。

这一阶段的核心不是低层抓取得分，而是三层组合：

语言/视觉语义识别新物体和指令；
高层把长任务拆成子任务；
低层策略在新布局中执行。

消融实验表明，只有同类移动机器人约 400 小时数据不足以达到完整系统泛化；web data、多环境和跨本体经验各有贡献。这直接支持他们的分层数据观：互联网知识提供语义，具身数据提供物理，环境多样性防止场景记忆。

但官方也展示明显失败：弄错物体、重复动作、在长任务中失去进度。这为下一阶段的记忆和经验学习指出了瓶颈。

5. π*0.6：示范规定“像什么”，RL 优化“是否真正成功”

π*0.6采用 ReCAP 一类流程，先用离线 RL 从已有轨迹区分质量，再用任务示范和 on-robot experience 做进一步提高。

这里重现 Levine 2022 年对 LLM 的区分：

行为克隆学习数据中最可能动作；
价值学习关心动作对最终成功的贡献；
在线经验让策略看到自己的错误分布，而不只人类示范分布。

人类遥操作往往速度不一致、恢复动作少、精度有限。示范能把策略送到合理区域，RL 再提高速度、鲁棒性和恢复。

这也比“纯 RL 机器人自己摸索”安全高效：探索发生在强预训练策略附近，而不是随机马达命令。

6. 记忆：长任务失败常不是不会动作，而是不知道自己已经做了什么

2026 年的长短期记忆研究让高层以较低频率选择子任务，低层根据当前子任务高频输出动作，并把过去观察压入记忆。

没有记忆的策略可能：

洗过同一个盘子又回来洗；
忘记物体已被放入抽屉；
环境局部视角看不到完成状态；
失败后重复同一无效尝试。

这标志着瓶颈上移。单项抓取、折叠逐渐可用后，系统真正缺的是任务状态：一个跨数分钟持续、能被新观察修正的信念。

它也说明上下文长度不等于记忆。原始视频全塞入窗口成本高、噪声大；有效记忆需要选择哪些事件改变了世界状态。

7. π0.7：prompt 不只说“做什么”，还要描述“怎样做”

π0.7用语言、元数据、控制模式和视觉子目标等多模态 prompt 统一更异质的数据。关键问题是：不同数据可能都叫“擦桌子”，但速度、质量、路径和硬件不同；若直接混合，模型看到的是互相冲突的动作。

训练时加入“how”层信息，可以把行为差异条件化：

目标是什么；
希望多快；
采用何种策略；
下一视觉子目标是什么；
控制接口和本体是什么。

测试时，高层策略和轻量 world model 可生成子任务/视觉子目标，低层 action expert 执行。官方报告它开始出现组合泛化：操作未专门示范的厨房设备、让没有折衣数据的新机器人借用别处技能。

值得强调“开始”。官网也展示空气炸锅任务只完成部分、经过多次错误。π0.7 是早期证据，说明多样 prompt 能把跨源数据组织成可重组技能，不是“任意指令、任意机器人已经解决”。

八、Levine 的“柏拉图洞穴”：为什么语言模型成功，不一定证明 next-token 是大脑算法

1. 语言数据不是世界的随机切片，而是人类认知选择后的高密度痕迹

视频记录光子落在相机上的结果，大部分内容与任务无关。文本则通常因为一个人想解释、推理、说服、记录或写程序才出现。

Levine 的关键比喻是：LLM 仿佛从互联网这面洞穴墙上观察人类心智投下的影子。每个 token 背后都有一个人类认知过程；通过压缩这些 token，模型间接逆向工程了一部分产生文本的心智功能。

因此 next-token prediction 的成功有两种解释：

它发现了大脑本身使用的通用学习算法；
它借助人类已经完成的抽象，把心智功能从文本痕迹中复制出来。

Levine 倾向第二种至少解释了很大部分。LLM 像一种“不经意的脑扫描器”，而非证明所有智能都可从任意模态的下一步预测自然涌现。

2. 这解释了视频模型与语言模型的能力差距

若预测目标本身足以产生一般智能，海量 next-frame prediction 本应较早得到强物理推理模型。现实是视频生成在视觉真实度上突飞猛进，却长期不如语言模型处理抽象问题。

语言的优势不一定在 token 比像素神秘，而在数据已由人类心智完成：

语义选择；
因果压缩；
离散化；
目标导向；
社会筛选；
跨时间叙述。

这与 Fei-Fei Li / LeCun “物理世界含更多信息”并不矛盾。更多原始信息也意味着更难知道什么值得保留。

3. 洞穴模型的上限：它只能复制人类留下影子的部分

文本中没有被人类表达的感知细节、身体技能和未知科学规律，LLM 无法仅靠模仿获得。更重要的是，它不能主动决定下一次实验看什么。

所以 Levine 的结论不是抛弃 LLM，而是：

先把这个极强的人类心智原型带出洞穴，再给它行动、感知和从真实后果学习的机制。

这解释了 Physical Intelligence 为什么从 VLM 起步而非从零训练机器人：LLM 的“影子知识”太宝贵；但如果永远只在影子上微调，就得不到人类最关键的能力——从直接经验快速形成全新表示和技能。

九、他们的完整学习观：五种数据不是同质燃料

1. 互联网图文

提供对象、语言、常识和人类认知压缩。优点是规模巨大；缺点是缺少低层动作与真实后果。

2. 跨机器人轨迹

提供接触、控制和动作结果，让模型发现不同本体背后的物理共性。缺点是接口异构、成本高、分布偏。

3. 人类示范

高效定义“想要什么行为”，把策略送到安全合理区域。缺点是示范者不最优、恢复少、难覆盖失败状态。

4. 离线失败与质量数据

允许价值学习比较轨迹，组合不同片段。缺点是数据外动作价值不可靠，必须保守。

5. 部署期自主经验

直接覆盖模型自己的错误分布，改善精度和恢复。缺点是安全、样本成本、持续学习和 reward specification。

他们真正的押注是，这五层能形成飞轮，而非某一种数据单独取胜。

十、与 Sutton、Chollet 和 LeCun 放在一起看

与 Sutton / Silver

共同点：

行动后果与自主经验是越过人类示范的关键；
RL 不只是偏好微调，而是长期结果优化；
世界模型、记忆和时间抽象都会回归。

差异：

Sutton / Silver 更愿意把奖励放在统一理论中心；
Levine / Finn 更强调人类示范、预训练和离线数据作为必要脚手架；
机器人现实使他们对纯自主探索更保守；
其模型是高度混合的工程系统，不要求一套 RL 认识论解释全部表征。

与 Chollet

Finn 的元学习与 Chollet 的技能获取效率高度契合：好模型应在新任务上用少量数据适应。

但 Physical Intelligence 当前更多报告任务成功与跨场景能力，尚缺类似 Chollet 的严格“新任务经验—性能曲线”。所谓 compositional generalization 必须确认具体任务及其原语真的未进入训练。

与 LeCun

共同点：

纯文本不够；
物理智能需要行动、世界状态和长期规划；
逐像素预测可能浪费容量；
高低层时间尺度必须分开。

核心差异：

LeCun 希望先找到原则上正确的非生成式潜变量预测目标；
Levine / Finn 愿意使用 VLM、自回归高层、flow matching 动作专家、behavior cloning、offline/online RL 的混合；
LeCun 更怀疑现有 LLM 栈能否成为核心；Levine 把它看作非常强的人类心智原型，应被保留并接地；
π0.7 甚至使用轻量生成 world model 产生视觉子目标，体现工程实用主义。

一句话概括：LeCun 想重新设计认知发动机；Levine / Finn 想先把现有强发动机接上传动、反馈和真实道路，再从失败中换部件。

十一、判断履历：哪些已命中，哪些仍在演示阶段

已被较强验证

1. 预训练 + 少量适应优于每个机器人任务从零训练

跨任务、跨本体预训练显著降低新任务数据需求；这已由多家机器人团队和 OpenPI 实验支持。

2. 行为克隆与 RL 扮演不同角色

示范适合进入正确分布，价值/在线经验适合提高长期成功、速度和恢复。π*0.6 与大量 offline RL 工作支持这一分工。

3. 大模型语义先验对机器人有实质价值

π0 完整 VLM 版本相对无 web 预训练小模型显著更强；π0.5 消融也显示 web data 有助开放世界理解。

4. 长任务需要显式状态与记忆

单帧/短窗口反应策略会重复和遗忘；多尺度记忆实验给出直接证据。

有初步证据，但宣传容易跑得比结果快

1. 跨本体共享

模型确实能从不同机器人数据获益，但“共享了统一物理概念”与“分别记住多个动作接口”仍难分离。

2. 组合泛化

π0.7 显示未专门示范任务的合理执行，但部分例子没有完成。需要秘密任务、训练数据审计和独立复现。

3. 从自主经验持续变强

在少量专门任务上成立；长期、跨任务、不中断的参数更新仍未展示。

尚未兑现的强版本

像 LLM 一样“一套模型控制任意机器人、完成任意自然语言任务”；
机器人经验规模化后产生与 LLM 类似的认知涌现；
少量真实数据即可适配结构完全不同的新本体；
家庭环境中的成功扩展到工业、户外、医疗等高风险场景；
在线学习在普通用户环境安全发生且不破坏旧技能。

十二、这条路线最强的洞见和最深的困难

最强洞见：LLM 的能力不是应被否定的假象，而是一份不完整但极昂贵的心智先验

许多“LLM 之后”路线容易在两极摇摆：

认为语言模型已经包含一切，只差更多规模；
认为语言模型只是鹦鹉，应从物理世界重新开始。

Levine / Finn 的位置更有建设性：语言模型确实复制了人类认知的大量影子，因此是最好的启动点；它没有学会产生这些认知的直接经验算法，所以必须在行动中补课。

最深困难：具身数据没有互联网那样自然统一的接口

文本都有 token；机器人有：

不同关节和控制频率；
不同相机和传感器；
不同安全限制；
不同任务定义；
不同遥操作质量；
不同重置机制；
不同成功判据。

π0.7 用多模态 prompt 把异质性条件化，是重要进展，但统一接口仍由人工设计。若每个新本体仍需大量工程，所谓“物理智能层”就难形成软件生态式飞轮。

另一深层困难：真实世界没有干净的反事实

一条轨迹失败，未必知道哪一步导致；布料折错可能来自抓取、感知、材料或此前隐藏状态。Offline RL 需要覆盖，world model 需要状态，在线探索又昂贵。机器人是检验“经验时代”最诚实的领域，因为所有干净假设都会在接触和噪声中暴露。

十三、未来几年真正值得盯的指标

完整任务成功率，而非技能片段。 十步任务每步 90% 可靠，整条仅约 35%；必须按无干预完成计分。
恢复能力。 物体掉落、抓空、用户中途移动环境后能否重规划。
新本体适配曲线。 达到指定成功率需多少小时数据、多少人工工程和多少在线试验。
训练数据新颖性审计。 “未见任务”是没见完整标签，还是其对象、动作和子技能都已密集覆盖。
跨天记忆。 环境变化后能否更新对象状态，而不是固守旧记忆。
在线更新的隔离与回滚。 新经验如何进入参数，出现退化时能否定位和撤销。
独立复现。 OpenPI 在第三方硬件上的实际数据成本与成功率。
现实成本。 机器人小时、人工遥操作、重置、损耗和推理延迟是否随能力下降。
高层认知落地。 语言模型提出新计划后，视觉子目标和动作执行是否能闭环修正，而非只生成漂亮解释。

十四、带着问题读原始材料

Levine 的博士论文：Guided Policy Search
重点看“有特权老师 → 快速神经策略”的结构，它怎样在 π 系列中以新形式反复出现。
Levine 等早期端到端视觉控制工作
问知觉表示为何需要由控制目标塑形。
Finn 等，MAML
不只记住“少样本”；理解外层目标为何在优化模型的可学习性。
Finn 的博士论文
看视觉预测、元学习和 one-shot imitation 怎样串成“从少量经验获得行为”。
Conservative Q-Learning
理解离线数据为何会让价值函数对没见过的动作产生危险乐观。
Levine，Offline RL and Large Language Models
这篇 2022 年文章清楚区分“模仿人类文本”与“为长期目标选择语言行动”。
Levine，Language Models in Plato’s Cave
重点看他如何用早期视频预测的失败解释 LLM 成功，而非只看具身结论。
Physical Intelligence：π0 → OpenPI → π0.5 → π*0.6 → Memory → π0.7
每一代只问一个问题：这次解决的是低层动作、场景泛化、结果优化、任务状态，还是组合指令？不要把所有改善统称为“更智能”。

最后的判断

Levine 与 Finn 最值得关注之处，不是他们更早喊出“embodied AI”，而是他们有一套相当成熟的学习分工观：

优化器或人类示范先给出可行方向；
大模型把跨任务结构压成快速策略；
元学习让策略容易被少量新数据改变；
离线 RL 从不完美日志中识别长期价值；
在线经验覆盖模型自己的失败；
记忆和高层子目标把单项技能组织成长任务。

它不像 LeCun 的路线那样有一个单一、优雅的认知架构，也不像 Sutton 的“reward is enough”那样有统一原则。它的优势恰恰是承认不同数据和算法承担不同职责。

这条路线最终成败取决于一个非常具体的问题：机器人世界的异质经验，能否像互联网文本一样形成共享且自我增强的数据飞轮。 如果能，Physical Intelligence 的基础策略可能成为 LLM 之后最重要的新模型类别；如果不能，漂亮的跨家庭演示仍可能被困在昂贵采集、人工重置和每台硬件重新适配的经济边界里。