π0.7 学习笔记(中文版详细整理)

规模本身不是答案——机器人数据公司究竟做错了什么

作者：苏亮 · 全世萝卜 Panbotica · 2026年4月22日 · 约 15 分钟阅读

文档类型：个人学习笔记

主题：π0.7 为什么重要，以及机器人数据公司究竟做错了什么

原始来源：Shreyas Gite 在 X 发布的长文《π0.7 and Everything Robot Data Companies Are Getting Wrong》

相关参考：Physical Intelligence 官方介绍；论文 PDF（pi.website/download/pi07.pdf）

整理目标：在尽量保持原作论证顺序与核心判断的前提下，整理成适合中文研究与反复查阅的图文学习笔记

一、先给出最核心的结论

这篇文章最重要的判断，不是单纯地夸奖 π0.7很强，而是借 π0.7 来反驳当前机器人数据行业里一种很流行、但作者认为过于粗糙的叙事：只要不断收集更多第一视角人类数据，再把这些数据喂给机器人模型，问题最终就会自己解决。

作者的观点恰恰相反。他认为，机器人学习的问题从来不只是"数据够不够多"，而更是"数据有没有被正确组织、正确标注、正确条件化，以及是否能让模型在冲突策略中学到有用结构"。因此，π0.7 的关键进步并不是神秘的"涌现能力"突然降临，而是来自一系列完全可以点名的工程设计选择。

规模本身不是答案；没有上下文、没有元数据、没有条件化的规模，甚至可能是诅咒。

二、作者到底在反对什么

作者开篇就针对一种常见叙事开火：很多人看到机器人领域的 demo，会以为只要积累足够多的人类第一视角数据，模型最终就会获得类似大语言模型那样的泛化能力。文章特意点到了一个典型案例：如果你只看到某些 demo 宣称自己拥有数十万小时的人类数据，再加上很少量的任务特定数据，你很容易相信"数据量就是答案"。

但作者认为，这种理解危险地忽略了数据工程。原因很简单：机器人动作数据不是普通互联网文本。不同演示之间可能包含不同策略、不同速度、不同质量、不同控制方式、不同局部目标，甚至彼此冲突。如果你只是把它们一股脑混到一起训练，那么模型学到的很可能不是更强泛化，而是一个把冲突行为平均化之后的模糊策略。

换句话说，这篇文章反对的不是"多数据"本身，而是把数据规模当成唯一变量、把数据工程视为次要细节的行业思路。

三、作者对 π0.7 的总体判断

作者特意对标题中的 "Emergent Capabilities"做了一个保留。他认为，这个说法多少有些"卖大了"。因为在他看来，π0.7 的提升主要并不是无法解释的突现，而是几个明确可描述、可复现、可工程化的选择叠加出来的结果。

这些关键选择可以被整理成下面这张表：

π0.7 的本质不是"更大"，而是"更会组织异质数据，并用条件化把这些数据从噪声变成结构"。

四、数据层：π0.7 到底用了什么数据

作者指出，π0.7 几乎使用了"除仿真之外的一切数据"。这些数据包括遥操作示范、自主 rollout、RL 专家轨迹、明显失败的样本、第一视角人类视频以及网页数据。

这个点非常重要，因为它代表了一个和许多"单一来源数据神话"完全不同的方向。官方介绍页也明确强调，π0.7 的广泛泛化能力来自广泛且多样的数据，包括不同机器人、不同控制模态、人类数据以及由不同策略跑出来的自主 episode。

这里最值得注意的一点是：异质数据本身并不会自动产生泛化，只有当这些数据被正确地对齐与注释时，它们才可能真正有用。这也是文章后面为什么反复强调 metadata 和 prompt conditioning。

五、真正的重活发生在哪里：Prompt 本身

作者有一句必须原样记住的话：

"The heavy lifting happens in the prompt itself."

这句话的意思不是"prompt engineering 万能"，而是说，π0.7 的泛化能力在很大程度上不是来自某个神秘的模型内部变化，而是来自于输入条件本身被设计得足够丰富。作者点出的几个关键条件包括：subgoal images、subtask instructions、episode metadata。这些条件在训练过程中还会被随机 dropout，使模型学会在测试时面对条件不完整的情况。

官方介绍也给出了类似但更系统的说法：π0.7 的关键在于把多样上下文加入 prompt，让模型不仅知道"要做什么"，还知道"要如何做"，甚至知道任务应以怎样的速度、质量或策略完成。

机器人基础模型的泛化，不只是数据规模问题，更是条件化设计问题。

六、为什么 naive scaling 会失败

这是整篇文章最锋利、也是最值得反复研究的一部分。

作者认为，很多机器人数据团队的默认逻辑是：数据越多，模型越强。但问题在于，如果不同 episode 中包含了互相冲突的策略，而你又没有元数据去解释这些差异，那么训练就会把这些行为"平均"到一起。文章引用论文措辞，把这种现象描述为 **"averaging together different behaviors"**。

这会导致一个反直觉现象：你灌进更多数据，模型反而更差。因为它并没有学到更丰富的策略，而是把不同策略互相冲淡了。

"Scale without context is a curse."

七、元数据为什么是规模化的真正钥匙

作者认为，真正让规模化成立的，不是数据量本身，而是对 episode 如何进行、表现质量如何、策略风格如何的高密度标注。

尤其关键的是，文章提到可以在训练时给元数据加入 data-quality score。这样，模型就能区分：哪些样本应该被主动模仿，哪些样本更多只是帮助自己了解状态分布，而不一定值得照着学动作。

官方介绍页也明确提到，metadata 可以编码任务完成速度、质量等信息，使 suboptimal 的自主数据也能安全纳入训练，因为模型知道这些样本应该如何被解释。

metadata 在 π0.7 里不是附属信息，而是解除数据冲突、扩大数据适用范围、提升可扩展性的信号层。

八、子目标图像：为什么它比语言更强

作者对 subgoal image conditioning的评价非常高，甚至把它看作 π0.7 成功的关键支点之一。

其核心思路是：与其运行一个昂贵的世界模型去 rollout 完整未来轨迹，不如把连续未来离散化，预测一个单独的未来帧，也就是 subgoal，然后让策略以此为条件来预测动作。

这会把原本复杂的开放式动作规划问题，转化为一个更容易收敛的逆动力学问题：

"从当前观测出发，什么动作能把我带到这个未来观测？"

官方介绍也与此一致，指出视觉子目标可以为当前子步骤提供精确的空间布局定义，而这些视觉子目标甚至可以由一个轻量级 world model 在测试时生成。

π0.7 Vision-Language-Action Model 架构图：输入包含 observation memory、task instruction、subtask instruction、subgoal images、metadata，下方连接 High-Level Policy 与 World Model，右侧连接 action expert。图片来源：Physical Intelligence 论文

从这张图里可以看到，作者强调的那些条件化信号，并不是文字修饰，而是模型架构真正消费的输入部分。

九、为什么 π0.7 的指令跟随终于更像"听懂了"

作者提到，很多人抱怨 π0 和 π0.5 一旦把"drop x on the left"改成"drop x on the right"，性能就会明显崩掉，因为训练数据在空间方向上本来就偏向某个分布。于是模型学到的不是语言，而是任务分布本身。

在这种情况下，简单增加更多语言多样性并不是完整答案。作者认为，π0.7 真正更有效的地方在于：subgoal image conditioning 比语言本身更强，更能压过原始训练分布带来的任务先验。

在机器人里，语言未必总是最高优先级的条件；在许多操作任务中，视觉化的未来状态描述比自然语言更能约束动作空间。

十、Cross-embodiment transfer：所谓"没有任务特定数据"到底是什么意思

作者非常小心地区分了一个容易被误解的概念：**"没有任务特定数据"并不等于"没有机器人本体相关数据"。**

也就是说，目标机器人仍然做过别的任务，模型对这个 embodiment 并不陌生；只是它没有见过"这个机器人执行这个具体任务"的演示而已。

这点很重要，因为它告诉我们：π0.7 证明的不是"完全零经验"神话，而是组合式泛化。也就是模型把过去在其他任务、其他说明、其他视觉状态中学到的能力重新拼接，去完成一个没见过的新任务。

十一、组合泛化为什么是北极星

作者明确说，compositional generalization is the north star。

这个判断的意义在于，它重新定义了机器人基础模型真正追求的目标。不是背会更多任务模板，也不是在一个固定机器人上做更多 task-specific fine-tuning，而是像大语言模型那样，把已经学过的技能进行新的组合与重组。

官方介绍页面同样把这一点当作 π0.7 的亮点，称其出现了机器人领域中早期的组合式泛化信号，能够把多个任务中的技能重新组合，去解决训练中没见过的问题，例如使用新型厨房电器，甚至在没有洗衣折叠数据的情况下让新机器人学会折衣服。

机器人基础模型真正的目标，不是会很多孤立技能，而是能把旧技能重新组合成新能力。

十二、这篇文章对机器人数据公司的产业判断

作者最后把讨论从模型方法上升到了产业层。

他认为，未来真正有价值的机器人数据公司，不能只出售"原始数据包"，而必须自己去搭机器人、做训练、沉淀标注体系、掌握模型改进经验，然后把这些能力与 learnings 一起打包输出。

这背后的逻辑非常硬核：如果你只是一个纯数据供给方，而不真正理解这些数据如何进入训练、如何与条件化系统配合、如何影响泛化，那么你卖出的只是"素材"，不是"学习系统"。真正愿意买单的机器人公司，最终想买的不会只是原始数据，而是经过验证的数据工程能力。

十三、最值得保留的三句原话

"Scale without context is a curse."

这句话几乎是全篇的中心结论。在机器人学习里，数据规模必须被上下文与条件化结构约束，否则规模只是把噪声和冲突放大。

"The heavy lifting happens in the prompt itself."

π0.7 的性能提升很大程度上发生在输入设计层，而不是神秘地发生在模型内部。

"It is that subgoal image conditioning has a stronger effect than language in overriding the task prior."

在机器人控制里，视觉条件对动作分布的约束，可能比自然语言条件更直接、更强。

十四、适合继续深入研究的问题

十五、适合直接存入个人知识库的简版结论

1. π0.7 的进步不是单纯靠更多数据，而是靠更好的条件化与更高密度的元数据。
2. 异质数据要想真正有用，必须被 prompt、metadata 和子目标图像解释清楚。
3. 没有上下文的信息型规模会把冲突策略平均掉，因此规模可能反而有害。
4. 子目标图像条件化是 π0.7 的关键，它把开放式规划问题收缩成更可控的逆动力学问题。
5. 无任务特定数据不等于无本体数据，π0.7 更准确展示的是组合式泛化。
6. 未来有价值的机器人数据公司，卖的不是原始数据量，而是完整的数据工程与学习系统能力。

十六、我的总体评价

如果你说这篇对你"太重要了"，我认为这个判断是对的。因为它并不是单纯在分析一个新模型，而是在重新定义机器人数据行业的价值来源。它真正重要的地方，不是"π0.7 又刷新了什么 demo"，而是它把一个长期被讲得过于简单的问题——"数据越多越好吗？"——拆开成了一套更真实的技术命题：

1. 数据源是否足够多样；
2. 不同数据是否能用 metadata 被正确解释；
3. prompt 是否能提供足够强的行为条件；
4. 子目标图像是否能把任务先验从语言分布拉回到空间状态分布；
5. 模型是否真的在学习组合式泛化，而不是背诵任务分布。

从这个角度看，这篇文章的真正主题其实不是 π0.7，而是：机器人基础模型时代，数据公司必须升级成"数据 + 标注 + 训练 + 模型理解"的系统型公司。

参考文献

1. Shreyas Gite on X: π0.7 and Everything Robot Data Companies Are Getting Wrong（x.com/shreyasgite）
2. Physical Intelligence: π0.7: a Steerable Model with Emergent Capabilities（pi.website/blog/pi07）
3. π0.7: a Steerable Generalist Robotic Foundation Model with Emergent Capabilities（pi.website/download/pi07.pdf）

苏亮 · 全世萝卜 Panbotica · panbotica.net/pi07-notes