Physical Intelligence与机器人开源革命：“免费大脑”背后的四派力量与博弈
核心观点摘要 (Executive Summary)
- 起点与转折：2024–2026年，具身智能领域出现了开源大模型全方位挑战闭源巨头的现象。以参数量仅 70 亿的 OpenVLA 击败 550 亿参数的谷歌 RT-2-X 为标志，证明了在具身智能领域“大不代表聪明”，良好的数据设计和架构创新能实现“以小博大”。
- 技术四派：开源 VLA（视觉-语言-动作）模型已分化为四大派别：学院派（OpenVLA/OCTO）、巨头生态派（NVIDIA GR00T/Google Gemini Robotics）、创业派/中国力量（小米/蚂蚁/自变量/OpenMind）、技术极致派（Physical Intelligence π0）。
- 开源动因：商业公司开源并非单纯慈善，而是通过“开源模型引流、闭源专有数据/训练 Pipeline 变现”或“用模型绑定自身硬件/计算生态”等策略抢夺行业标准制定权。
- 对抗巨头的武器：开源社区依靠 “数据（Open X-Embodiment） + 工具（LeRobot/Genesis） + 架构” 的三层组合拳，降低了硬件与训练门槛，打破了特斯拉等闭源自研孤岛。
逐章节完整详解
一、 背景与破局：OpenVLA 的“以小博大”
- 打破闭源神话：2024 年 6 月推出的 OpenVLA 仅有 70 亿参数，却在 29 项机器人操作任务中，以 16.5% 的成功率优势击败了谷歌 DeepMind 拥有 550 亿参数的旗舰闭源模型 RT-2-X。
- 架构巧妙设计（“三个臭皮匠”战略）：
- 谷歌 RT-2-X 仅使用单视觉编码器，信息处理效率较低。
- OpenVLA 引入双视觉编码器：
DINOv2负责空间物理关系理解；SigLIP负责语义与常识理解。结合 Llama 大语言模型作为决策大脑，将空间与语义信息解耦优化再统一决策，实现了更高的综合性能。