10 万小时，砸出一条机器人赛道的工业化之路

10 万小时，砸出一条机器人赛道的工业化之路

2026 年 7 月 16 日，小米发布了第二代具身基座模型 Xiaomi-Robotics-1。这家公司用它喂了10 万小时真实世界操作轨迹，预训练完成后下游任务随之稳定改善——这是国内第一次在机器人策略模型上，对 Scaling Law 做了系统验证。

机器人想要复刻 ChatGPT 的奇迹，被卡在数据上整整十年。小米用中国人自己的方式，打开了这条死结。

一、为什么机器人走不了 LLM 那条 Scaling Law

先把问题说清楚。

LLM 这两年进步神速，核心秘诀只有一条：数据越多，模型越大，算力越猛，能力就越强。 这条规律叫 Scaling Law，OpenAI 从 GPT-2 堆到 GPT-5，每一代都在按这条曲线走，背后是互联网上万亿 token 的语料。

机器人也想走这条路。但十年下来，没人能走通。

因为机器人需要的"互联网"，根本不存在。

训练 ChatGPT 的数据可以从公共网页爬，成本可控。但要训练机器人去抓杯子、整理桌面、拧螺丝，需要的是真实世界的操作数据。一台机器人、一个操作员、一天能采到的轨迹就那么多。换个机械臂、换个相机位置，同一段任务的数据分布就变了，原来的数据直接作废。

每换一个平台就得重新来。规模化？想想就别想了。

这个死结困住了整个行业十年。所有人知道"数据越多越好"，但就是凑不够。凑不够，就没法做规模实验，没法验证规律，没法预测下一代能涨多少。大家都只能在单任务上调参、做 Demo、写漂亮的指标，然后改改改。

小米的破局，发生在数据来源这一环。

二、把"人如何改变世界状态"录下来

Xiaomi-Robotics-1 的 10 万小时预训练数据，不是来自机器人本体，而是来自人手操作的轨迹。

具体怎么做？小米自研了一台叫 UMI（Universal Manipulation Interface）的便携采集设备。它的妙处在于不绑定任何特定机器人。人拿着它就能在各种真实场景里录操作轨迹——家里、办公室、商场、户外，工业产线也行。

然后是一条 VLM 自动标注流水线。10 万小时数据让人工一帧一帧标注，慢得让人绝望。小米的做法是：把长轨迹切成固定片段，让视觉语言模型自动识别每个片段里夹爪状态、物体状态的变化。

模型训练的目标不再是"模仿动作"，而是"理解状态变化"——从"这一步夹爪往左 2 厘米"，变成"把桌上的杯子放进柜子里"。

到这里，规模化第一次有了可能。

实验数据印证了这条路：预训练数据从 2,500 小时扩到 20,000 小时，模型在验证集上的动作预测损失持续下降；参数规模从 20 亿扩到 50 亿、再到 100 亿，动作预测能力同样稳定改善（来源：小米 Xiaomi-Robotics-1 技术披露，2026-07-16）。

数据维度和参数维度，两个轴同时验证。Scaling Law 在机器人策略模型上第一次跑通了。

数据本身，是机器人赛道被忽略的那条主轴。小米做的不是模型创新，是底层原料的工业化。

三、从手工作坊到工业化 2.0

这个曲线意味着什么？

意味着机器人第一次有了"开箱即用"的底座。

传统做法是每个新任务都得从头训一个模型，或者用一个基础模型在每个客户场景里做几十次微调。这条路线对应的是 LLM 早期——每个公司都有自己的小模型，谁也通用不起来。

而小米这次发布的 Robotics-1 是基座模型。它的目标不是完成某一个具体任务，而是让下游开发者，不用从零造轮子。