小米开源380亿参数具身生成模型：机器人训练数据要从「采集」变「生成」？

7月15日，小米发布了Xiaomi-Robotics-UO，一个380亿参数的多模态自回归具身生成基础模型，并同步开源。这个数字在具身智能领域不算最大，但背后的思路值得关注——不是在现有数据上训练模型，而是用模型来生成训练数据。

具身智能的核心瓶颈：数据从哪里来

做机器人的人都知道，具身智能最难的不是算法，而是数据。传统的机器人训练依赖真实场景采集：让机器人在物理环境中执行任务，收集传感器数据，标注动作结果，再喂给模型训练。这个过程有几个硬伤：成本高、周期长、覆盖度有限。

成本高——一台人形机器人在实验室里跑一天，采集的数据可能只有几百条有效样本。周期长——从采集到清洗到训练，一个完整的迭代周期往往需要数周。覆盖度有限——现实世界的长尾场景太多，机器人可能遇到一万种不同的门把手，但实际采集到的可能只有十几种。

数据瓶颈直接限制了具身智能的规模化落地。这也是为什么大家都在探索"仿真训练"——在虚拟环境中生成数据，训练模型，再迁移到真实场景。

Xiaomi-Robotics-UO的核心能力有两个方向：一是数据增强，二是场景生成。

数据增强方面，模型能在保持几何一致性的前提下，对已有数据进行变换——更换物体、调整光照、替换背景、添加干扰。这意味着，一条真实的机器人抓取数据，经过模型处理后，可以生成多条变体数据，而不需要真实机器人反复执行相同动作。

场景生成方面，模型能从零生成全新的虚拟场景，覆盖危险场景、极端天气、长尾状况等机器人难以实地触达的环境。比如训练机器人在地震废墟中搜救，不可能真的去炸楼采集数据，但可以用模型生成逼真的废墟场景。

用模型生成训练数据不是新思路，但之前的效果一直有争议。核心问题是"域迁移"：仿真环境生成的数据，训练出来的模型，在真实环境中表现往往打折扣。这个差距叫"sim-to-real gap"，是具身智能领域的经典难题。

小米的方案能不能缩小这个差距，现在还不好说。但有一点值得注意：这次开源的模型参数量是380亿，对于具身生成任务来说已经算相当大了。大参数通常意味着更强的泛化能力，对生成数据与真实数据之间的风格一致性、物理规律一致性有更好的把控。

当然，具体效果还是要看社区测试。如果生成数据的质量足够好，用模型造数据比用机器人采集数据效率高几个数量级，成本则会低得多。

小米这次选择开源，对于整个具身智能行业是有意义的。目前有能力做大规模数据采集和仿真的团队屈指可数，头部玩家是特斯拉、Figure、宇树这些资金雄厚的企业。开源380亿参数模型后，中小团队可以直接用这个模型来增强自己的数据，或者基于它做下游任务，门槛会降低不少。

对小米来说，开源也有战略考量：吸引开发者围绕模型构建应用生态，为自己在机器人和具身智能方向的长期布局积累社区基础。如果这个模型在社区中被广泛使用并证明有效，小米在具身智能底层技术上的影响力会显著提升。

长远来看，具身智能的数据获取方式可能会经历一次范式转移：从"真实世界采集"到"模型生成"。这不是说真实数据不再重要，而是说模型生成的数据会成为重要的补充——覆盖长尾、降低成本、加速迭代。

当然，这个转移的前提是生成数据的质量过关。小米这次开源是一个检验机会：如果社区用这个模型生成的数据能训练出效果不错的机器人控制器，说明这条路走得通；如果sim-to-real gap依然显著，那还需要在数据生成的质量控制上下更多功夫。