Xiaomi-Robotics-1

该事件展示了机器人基础模型领域的重要突破：首次在大规模（10万小时）无本体预训练数据上验证了缩放定律（scaling laws）在机器人策略模型中的有效性，且缩放增益直接迁移至真实机器人后训练性能。四项仿真基准全面SOTA，新任务适配效率（10小时达75%成功率）近乎翻倍于π0.5基线（40%）。这一两阶段训练范式（无本体预训练+真实机器人后训练）效仿LLM发展路径，可能改变机器人策略模型的研发范式。但当前仅在移动操作领域验证，且为单家公司的研究成果，尚不及ChatGPT级别的范式转移（8-10分），因此评为7.8分。

论证过程：首先，该论文的核心突破在于实证证明了机器人策略模型存在与LLM类似的缩放定律（scaling laws）——预训练验证误差随数据量和模型规模增长稳定下降，且该优势可直接迁移至真实机器人成功率。这意味着机器人VLA赛道可能从'算法创新竞赛'转向'数据与算力规模竞赛'，效仿大语言模型的发展路径，具备极强的长期复利效应。其次，10万小时无本体（UMI）预训练数据的规模量级远超此前行业标准（通常数千小时），大幅突破了真实机器人数据采集瓶颈这一行业关键制约因素。第三，不到10小时演示即可达75%成功率的高效适配能力，意味着下游部署成本大幅降低，加速了从实验室到商业化落地的路径。但风险因素不可忽视：小米在AI研究领域的持续投入尚未形成品牌信任背书，过往AI产品落地节奏偏慢；硬件多样性导致的实体对齐问题可能限制缩放定律的跨平台普适性；Google DeepMind、Tesla、Physical Intelligence等竞争对手具备同等或更强的资金和数据获取能力。综合评定7.5分——方向性正确且有实证支持的范式级突破，但距'3-5年大概率成为行业基石'的确定性尚有距离，需持续跟踪后续复现验证和产品化进展。