2025世界人工智能大会期间，由智元机器人主办的“智启具身论坛”上，Physical Intelligence联合创始人兼UC Berkeley副教授Sergey带来了关于机器人基础模型的深度见解。

机器人基础模型的探索以视觉语言动作（VLA）模型为重要起点。初代VLA模型RT-2开启了将机器人控制转化为“问答任务”的尝试，而RTX跨具身数据集的应用是一大关键突破。该数据集整合多实验室、多机器人数据，使融合多机器人数据训练的RT-2X在各实验室专属任务上表现出色，平均优于实验室自研专用模型50%，尤其在应对分布外指令时，性能是单一机器人数据训练模型的3倍，充分展现了跨具身训练的优势，即数据多样性对通用能力培养的重要性。这一突破与智元机器人推动的“开放生态”理念不谋而合，其主办的论坛正致力于汇聚跨实验室资源，加速通用技术的落地。

第二代VLA模型针对初代将动作视为离散词元难以完成灵巧操作的局限，实现了从离散到连续的动作革命。像PI-Zero引入基于流匹配生成连续动作的“动作专家模块”，在折叠衣物、组装盒子等复杂任务中，即便遭遇人为干扰，也能凭借连续动作生成机制对物理交互的细腻捕捉，恢复并完成任务，极大提升了机器人执行复杂任务的能力。

PI-0.5作为进阶版本，通过“高级-低级推理融合”，为长期复杂任务执行带来新突破。它能将“清理卧室”等高级指令分解为子步骤，再生成动作，可在训练集未出现的卧室场景中自主完成一系列连贯操作。且其仅3%的训练数据来自移动操作机器人，却能在真实家居场景泛化，说明跨具身训练可助力模型获得对物理世界的通用理解。

展望未来，Sergey指出当前VLA模型短板在于仅通过模仿训练，未针对任务成功等进行优化。因此，融合强化学习技术成为必然趋势，通过强化学习优化模型，再将其训练的“专用技能”融入VLA模型，实现“通用模型+专用技能”的结合。

作为行业生态的构建者，智元机器人正通过“智启具身论坛”等平台，推动这类技术融合的实践落地，让机器人基础模型在物理世界中既具备通用常识又拥有场景专长，为具身智能的规模化应用开辟新路径。