物理AI实验室 // 第 0.2 集 // 一页纸
为什么是现在？
数据、模型、算力，三条曲线一起抬头
三个要点
- 数据：从各实验室各攒各的，到跨机构拼成一个数据集（2023，22 种机器人，R），再到看人干活来学（2026，20,854 小时第一视角视频，R）。
- 模型：看过海量图文的大模型学会了输出动作（RT-2，2023，R）；2026 年已有开放下载、允许商用的人形机器人模型（GR00T N1.7，30 亿参数，O）。
- 算力：前沿 AI 模型的训练算力每年涨 4–5 倍（Epoch AI，R）；Jetson AGX Thor 对比上一代 AGX Orin，厂商报告特定精度下的峰值算力为 7.5 倍（O）。峰值算力不能直接换算成机器人任务速度，曲线抬头不等于问题解决。
证据：O 官方一手 · R 学术文献 · M 媒体二手
| R | 22 种 | 机器人的数据拼进同一个数据集（21 家机构、527 种技能） |
| R | 20,854 小时 | 带动作标注的第一视角人类视频，用来预训练机器人；论文称比此前同类工作大 20 倍以上；折合约连续 2.4 年（本片换算） |
| R | 6,000 次 | 真机评测；对训练数据里没有的物体，泛化明显更好（RT-2，视觉-语言-动作模型） |
| O | 30 亿 | 参数的开放人形机器人模型 GR00T N1.7，允许商用；预训练用了 EgoScale 的 20,854 小时人类视频 |
| R | 4–5 倍 | 前沿 AI 模型训练算力的年增速（2010 年至 2024 年 5 月） |
| O | 7.5 倍 | Jetson AGX Thor 对比上一代 AGX Orin 的 AI 算力；厂商峰值 2,070 FP4 TFLOPS |
延伸阅读
- Open X-Embodiment（arXiv 2310.08864）
https://arxiv.org/abs/2310.08864 - EgoScale（arXiv 2602.16710）
https://arxiv.org/abs/2602.16710 - RT-2（arXiv 2307.15818）
https://arxiv.org/abs/2307.15818 - Epoch AI · Training compute of frontier AI models grows by 4-5x per year
https://epoch.ai/blog/training-compute-of-frontier-ai-models-grows-by-4-5x-per-year - NVIDIA · Introducing NVIDIA Jetson Thor
https://developer.nvidia.com/blog/introducing-nvidia-jetson-thor-the-ultimate-platform-for-physical-ai/