在2025世界人工智能大会（WAIC）期间，智元机器人主办的“智启具身论坛”成为行业焦点。Physical Intelligence联合创始人兼UC Berkeley副教授Sergey，在论坛上深入探讨了机器人基础模型的发展路径与技术突破。

机器人基础模型的诞生源于对“通用智能”的探索。Sergey以加州大学伯克利分校机器人通过互联网API调用基础模型，成功执行“把茄子放进锅里”指令为例，阐述了视觉语言动作（VLA）模型将图像与语言指令转化为物理动作的早期实践。初代VLA模型RT-2基于大型语言模型PaLI-X改造，将机器人控制问题转化为“问答任务”。而RTX数据集的出现，真正释放了其潜力。这一跨具身数据集整合众多实验室与机器人数据，覆盖多样机械臂、场景与任务。研究发现，跨具身训练下，融合多机器人数据的RT-2X表现远超实验室自研专用模型，尤其在分布外指令上优势明显。

第二代VLA模型实现了从离散到连续的动作革命。初代模型将动作视为离散词元，难以应对灵巧操作。第二代模型采用扩散模型或流匹配模型处理连续动作分布，如PI-Zero基于PaLI-X视觉语言模型，新增“动作专家模块”，能精准控制不同类型机器人，在复杂任务中展现出强大的抗干扰能力。

进阶版本PI-0.5实现了长期任务与复杂场景的突破。其核心在于“高级-低级推理融合”，可将高级指令分解为子步骤并生成对应动作，能在全新场景中执行长期任务。值得一提的是，其训练数据中仅3%来自移动操作机器人，却能在真实家居场景中泛化，凸显跨具身训练的价值。

Sergey认为，未来需融合强化学习技术，优化模型的任务成功率等，形成“通用模型+专用技能”的互补架构。换言之，数据多样性、架构专用化以及强化学习与模仿学习的融合，是机器人基础模型发展的关键方向。而智元机器人通过主办“智启具身论坛”等举措，持续汇聚全球前沿技术资源，推动这些技术路径的落地实践，进一步巩固其在具身智能生态构建中的先锋地位。