Meta 给机器人世界模型立下首个缩放定律
RoboJEPA 用 15000 小时机器人视频训练，技能涌现对应到算力阈值
Meta 的基础 AI 研究实验室本周发布论文，提出RoboJEPA，一个 80 亿参数的机器人世界模型，在十二种不同的机器人平台上遵循可预测的数学缩放定律。这项于 10 月 7 日提交到 arXiv 的研究，在训练算力、数据集规模和物理世界预测精度之间建立了定量关系 —— 给了机器人团队一个公式，可以在投入训练预算之前预估模型能力。
物理 AI 的缩放已经从假设变成公式，让人有可能像当年算力缩放曲线在 GPT-4 开训之前就预测它那样，去规划机器人的能力。
RoboJEPA 的架构：预测潜表示，而不是生成像素
RoboJEPA 建立在Meta 的联合嵌入预测架构之上。模型不预测原始像素值，而是学习在压缩的潜空间里预测未来机器人状态的表示。一个冻结的 V-JEPA 2.1-G 视觉编码器把相机画面转成结构化嵌入；RoboJEPA 再预测这些嵌入在特定机器人动作下如何演变。
像素空间的世界模型必须学习大量与操作无关的视觉细节 —— 背景纹理、光照噪声、阴影变化。潜空间预测把学习信号聚焦在有物理意义的状态变化上，作者认为这会随着算力扩展带来更陡的性能提升。
训练数据涵盖 23 个数据集、12 种机器人本体，共 15022 小时机器人视频。其中 6692 小时是动作同步的 —— 相机观测与实际电机指令配对 —— 模型要学习动作后果而不是被动的视觉模式，靠的正是这个子集。由此得到的数据集是迄今已公开的最大多本体机器人视频集合。
延伸阅读：JEPA-Anything：同一个世界模型，横跨七个学科赢过专用模型
技能在可预测的算力阈值上涌现
论文的核心发现是一个二阶幂律，描述想象误差 —— 模型预测未来机器人状态的能力 —— 随训练算力的变化：L(C) = E + A·C^(α − γ ln C)。指数里多出的那一项捕捉了真实训练动态中的曲率，而标准的语言模型幂律漏掉了它。
作者随后标出了全新能力定性涌现的算力阈值。末端执行器的到达动作出现在 10²⁰ FLOPs 左右。避障在 10²¹ 左右变得可靠。精细物体动力学 —— 预测小物体在接触时如何响应 —— 在 10²² 左右到来。这些是来自一次训练运行的经验观察，不是理论推导出的规格，但它们是首个把训练预算与具体物理技能的可得性联系起来的公开尝试。
单看缩放指数也值得注意。机器人基础模型的数据缩放指数约为 |β_D|≈0.30，模型规模指数约为 |β_M|≈0.39 —— 是纯语言模型相应数字（分别约 0.076 和 0.095）的三到四倍。机器人训练数据或参数量每翻一倍，带来的增益按比例大于语言任务上同等的翻倍，这意味着相对于当前的投入水平，物理 AI 在其缩放曲线上所处的位置，比语言 AI 在可比阶段时更靠前。
一年的证据：从 GEN-0 到定量公式
RoboJEPA 是对一个自 2025 年 11 月开始成形的模式迄今最严格的形式化。Generalist AI 的 GEN-0 是第一个在机器人领域表现出缩放定律行为的公开系统 —— 一个存在性证明，没有定量框架。2026 年 4 月 2 日发布的 GEN-1 把故事推向了量级：任务成功率 99%，对比 GEN-0 的 64%；执行速度约快三倍；并在数百次重复中保持表现 —— 连续折 86 件 T 恤、连续装 100 部手机 —— 没有退化。GEN-1 是在 50 万小时人类可穿戴设备视频而非机器人数据上预训练后达到这些结果的，说明多样化的具身观察可以为可泛化的物理理解打底。
2026 年 8 月 19 日发布的 GEN-1.5 展示了从短至三秒的演示进行单样本适应、无需梯度更新 —— 十个任务类别上单样本成功率 59%，少样本条件下 83% —— 而且在训练数据不含任何仿真数据的情况下涌现出了仿真到现实的迁移。
RoboJEPA 是一个世界模型 —— 它预测机器人状态，而不生成电机指令。它的贡献是一套数学脚手架，用来预测策略能力会在怎样的训练投入下到来。
物理 AI 的燃料比语言模型稀缺得多
数据瓶颈是攀登缩放曲线的硬约束。智元机器人首席科学家罗剑岚（此前曾在加州大学伯克利分校、Google X 和 DeepMind 与 Sergey Levine 共事）在 2026 年 6 月表示，主要限制不是参数量，而是稀缺的多场景机器人交互数据 —— 尤其是失败案例和纠正序列，这些是只有演示的数据集很少捕捉到的。
语言模型是在互联网规模的既有文本上扩展的。机器人数据则必须在足够多的环境、本体和失效模式下实地采集才能泛化。Bessemer Venture Partners 的 2026 年机器人分析把这个领域描述为处于「GPT-2.5 时刻」，估计全球机器人操作数据总量约为 30 万小时。RoboJEPA 的 15022 小时训练集 —— 已公开的最大多本体集合 —— 约占这个估计的全球总量的 5%。
零样本结果显示进展；商业部署划定标准
在一台实体 Franka Emika 机器人上仅凭目标图像做零样本评估，RoboJEPA-8B 在抓取任务上成功率 67%，物体抬起 50%。同一协议下，Physical Intelligence 当前的多本体系统 π0.5 在同样任务上得 5% 和 0% —— 在这些特定基准上 RoboJEPA 领先不少。
商业标准仍然高得多。Figure AI 已在宝马斯帕坦堡工厂累计运行超过 1250 小时，放置准确率超过 99%；Agility Robotics 则在包括 GXO、舍弗勒和丰田加拿大在内的九处企业设施持续部署 Digit。67% 的零样本抓取与那种可靠性之间的差距，就是缩放曲线还要走完的工程距离。RoboJEPA 的全部检查点和代码均已开源，独立团队可以复现缩放分析，并检验算力阈值在不同训练配置下是否成立。
延伸阅读：Digit 5 刚发布，Agility 已在研究轮式机器人
像规划语言模型一样规划物理 AI —— 前提是数据存在
将于 12 月 11 日或 12 日在悉尼举行的NeurIPS 2026 机器人学习研讨会把主题定为「物理 AI 正在走向零样本吗？」—— 对 2026 年泛化浪潮的直接回应。RoboJEPA 的缩放定律将作为首个预测零样本可靠性何时可以实际部署的框架，进入那场讨论。
这个公式改变的是资本规划：实验室现在可以在花钱之前估算一笔训练预算会落在能力曲线的哪个位置。它没有改变的是数据采集问题。谁能想出办法大规模生成机器人交互数据 —— 通过贴合真实物理的仿真、合成生成，或者以收集失败而非精致演示为优先的机器人车队 —— 谁就决定实际的攀升速度。RoboJEPA 给了这个领域一张地图。油箱仍然大半是空的。