📰 概要

2026年4月16日，Physical Intelligence (Pi) 发布 π0.7——一个可操控的通用机器人基础模型，首次在机器人领域证明了"组合泛化"能力。以前每个机器人任务需要一个专门训练的模型，现在一个 π0.7 就能搞定：折叠衣物、制作浓缩咖啡、折叠纸盒、操作从没见过的空气炸锅。更关键的是，它的性能匹配甚至超越了 π*0.6 专家模型——那些用强化学习专门为单一任务训练的"尖子生"。π0.7 在衣物折叠任务上吞吐量是专家的 1.5 倍，在纸盒折叠上是 1.6 倍。业内称这是"机器人的 GPT-3 时刻"。

---

🔍 解读

组合泛化是 LLM 的看家本领——GPT 没见过你问的每个具体问题，但它能组合学过的概念来回答。π0.7 把这个能力搬到了物理世界：机器人学会了"抓取""折叠""按压"等基础技能，然后像搭积木一样组合这些技能来完成从未训练过的新任务。这不是"更聪明的机器人"，而是"能举一反三的机器人"。

但"开箱即用"的承诺需要打折扣。空气炸锅实验显示：零样本提示只有"部分成功"，需要语言指导或微调才能完全自主执行。从"实验室能做"到"工厂里稳定干"，中间还有可靠性、实时性、成本三道坎。不过方向是对的——通用模型替代任务专属模型，是具身智能走向规模化的必经之路。

---

💎 深挖

π0.7 与 π*0.6 专家模型的性能对比说明问题：

任务	π0.7 吞吐量倍数	成功率
衣物折叠（T恤/短裤）	1.5x	~100%
衣物折叠（最难项目）	~1.3x	~100%
制作浓缩咖啡	~1.2x	~100%
折叠纸盒	~1.6x	~100%

单一通用模型在所有任务上达到或超越任务专属 RL 训练专家的性能，这在机器人领域是首次。技术路线对比也很清晰：π*0.6 专家是任务专属、需 RL 微调、限于训练任务；π0.7 是通用单一模型、组合泛化到新任务、开箱即用。π0.7 的关键创新是"多样化条件提示"——训练时同时接收语言指令、视觉子目标图像、元数据和控制模态标签，多种信息源共同训练，让模型学会了"技能是可拆解、可重组的"。

对做机器人应用开发的人来说，π0.7 改变了技术选型逻辑。以前你需要为每个任务训练一个模型，现在可以先用 π0.7 零样本试一下，不行再加语言指导，再不行做少量微调。从"每个任务从零开始"变成"渐进式适配"，开发周期可能从月级压缩到周级。但 π0.7 的组合泛化能力直接冲击了"世界模型"路线——后者试图让机器人先理解物理世界再行动，π0.7 则证明"技能组合"可能比"世界理解"更实际。不过 VLA 路线的短板也很明显：缺乏对物理规律的深层理解，在需要精确力控的场景可能不如传统方法可靠。

如果你在具身智能领域，仔细研究 π0.7 的"多样化条件提示"训练方法——特别是如何让不同质量、不同策略的数据共同训练而不互相干扰。论文已公开，建议精读方法论部分。但如果你的机器人应用是高精度工业装配（亚毫米级）、需要严格安全认证，π0.7 的通用性目前还不适合，传统运动规划 + 力控方案仍然更可靠。