大模型已能从视觉观测直接控机器人。材料点名 GPT-6 Astra 与 Claude Fable 5.1,并写明它们在长时程、接触丰富的真实任务上仍然脆弱。作者把继续前进收成两类资源:示范如何完成任务的人类行为,以及策略可滚动、评测并闭环改进的交互环境。语言模型有较清楚的缩放定律;物理 AI 要问的是能力如何随环境与行为规模变化。这首先要求确定放大哪些数据、如何持续生产并复用。Ropedia Xperience 2 的答案是环境和行为必须联合采集。

放出的规模

工作包含 1,589 份公制尺度三维扫描,以及 4,230 条第一人称录像,覆盖 74 项任务、共 131 小时。材料未说明场景类型、设备、是否含接触力或语言指令,也未报告策略指标。能确认的是:环境几何与「人怎么做」被放进同一套发布。

采集之后如何复用

每条捕捉被设计成可改写。场景转为可物理交互的仿真环境;人体运动重定向为全身机器人轨迹;额外行为再经虚拟遥操作和自动化长时程轨迹生成得到。用途对应闭环里的三件事:有场可滚动,有示范可监督,不够的行为可在虚拟侧补。作者称这种联合采集为物理 AI 数据收集的金标准,意在为环境与行为上的缩放定律铺数据基础。转换精度、遥操作规模和自动轨迹质量,摘要均未给出。

我的判断

问题对准得具体:视觉控机器人能演示,不等于长时程接触任务可用;把人类示范和可交互环境并列,比单堆视频或单堆网格更接近策略瓶颈。价值主要在数据方法论,而不是已经量出的能力曲线。适用边界很窄——只有规模和复用路径,没有下游性能、没有仿真到真实的差距、没有任务是否覆盖家庭或工厂。金标准是作者立场,不宜写成社区共识。对做物理 AI 的人,可当环境–行为原料说明来读;缩放定律是否成立,仍取决于后续闭环实验。材料没有的数字,这里也不补。