数百万小时人类视频，让机器人学会零样本泛化。 文丨郭海惟 Natura-1 是一个百万小时级 Ego-Centric（注：第一人称视频）数据预训练的具身模型。在此之前，全球范围内公开可查的百万小时级 Ego 数据预训练具身模型不超过三家。而自然意志，作为一家成立仅 9 个月的公司，大概是具身行业历史上达成这一目标用时最短的团队。 围绕 Natura-1，这个团队像 LLM Lab 一样工作。在访谈中，多位研究员告诉《晚点 LatePost》，他们将 Scaling 作为研究目标，重新设计了一套既借鉴又区别于主流技术路线的具身大脑的研究架构，重新搭建了包括硬件手套、数据管线的 infra 能力，甚至为此从头写了独立的训推框架。“我们的目标就是 make everything scalable”，自然意志表示。 就像职业拳击手在赛前要按照体重分组，在智能领域，数据往往暗含了很多标尺性的信息。比如，越大的数据规模，往往意味着更强的智能上限。 在自然意志发布的技术报告《行动的意志 The Will to Act 》中，Natura-1 在三个维度、十二项考核上全部大幅领先业内公开可测的标杆模型。 在公司发布的技术报告中，Natura-1 在一套自建真机评测中取得了 53.4% 的基础任务成功率；加入记忆、纠错等能力后，成功率提高至 59.1%。在同一套测试中，π0.5 和 GPT-6 Astra 没有在灵巧手配置下得到可计分结果；改用夹爪后，两者分别取得 13.5% 和 16.7% 的成功率。 如图，整个 benchmark 被分成了三个核心部分：灵巧操作、指令遵循和长程任务操作。在三项得分中，灵巧操作的领先幅度最高；即便在语言类模型天然占优的长程操作与指令遵循领域，Natura-1 也表现了不错的领先性。 由于现阶段行业缺乏公信力的第三方 benchmark，可供自然意志团队测评的顶尖模型有限，如 π0.7、Helix-02、Gen-1.5、Dyna-2 等模型均无法供公开市场直接调用。而目前测评的 π0.5 是去年的开源模型、最近引发热议的 GPT-6 Astra 本身并不是专门的机器模型，这组结果更适合用来说明 Natura-1 的特长，而不能直接理解为一次行业排名。 比跑分更难确认的是 “零样本”。所谓 “零样本泛化”，是指模型没有针对测试任务进行专门训练，也没有使用同一物体、场景和指令组合的数据做后训练，在测试时直接根据自然语言指令完成操作，就像你可以很快学会没有玩过的电子游戏，羽乒爱好者可以立刻学会匹克球。包括王兴兴在内的从业者就公开将零样本能力视作是具身 “真正的 GPT 时刻” 是否到来的指标，认为它代表了模型对世界真正的理解水平。 以 Natura-1 为例，团队想强调，零样本泛化能力是本次模型发布的重要特质。 在技术报告中，团队公布了六大灵巧操作的 Demo，动作涵盖了包馄饨、打包快递、泡茶、制作酸奶碗、手机贴膜和写毛笔字。六个 Demo 对应了柔性物品、细腻操作、工具协同、长程规划、精细装配、连续力调节等不同的模型能力要求。 自然意志的研发人员告诉我们，他们保证每一个 Demo 必须是连续的、原速的、一镜到底的连贯视频。但他们也清楚这并不足以完全打消市场疑虑，因此团队决定同时制作 29 分钟一镜到底的零样本泛化视频，希望借此最大化团队能力范围内的市场说服力。同时，团队表示未来通过各种形式让越来越多的人线下 “玩” 到 Natura-1，而不只是看某个 Demo。 VLA 和 WAM 以外的第三条路 但自然意志告诉我们，“跑分” 和 Demo 反而是 Natura-1 身上最不重要的东西。团队中的研发同学一直想要向我们传递的信息是，Natura-1 只是一个具备更大 Scaling 参数潜力模型的第一步，因此它还是一个处在它自身发展早期的模型，59% 的成功率依然有很大的提升空间。 自然意志创始人丁宁告诉我们，甚至在内部跑出 Natura-1 之前，他都不确定自己团队能否真的做成——尽管他们此前已经做了所能做的一切：“所有 ablation（注：指消融实验，用于验证模型架构是否成立的手段）都做了”，每一个模型都用测评改进，从头做了基础设施、数据管线的搭建，但即便有数据和实验支撑，还是 “会忍不住怀疑到底能不能搞出来”。直到最后一刻模型终于训出来了，团队才确定： “哦，这样的模型确实是存在的。” 这是一个独特架构的模型，自然意志负责模型架构的同学告诉我们，它既借鉴又区别于今天具身大脑的两条主流技术路线 VLA（视觉-语言-动作模型）和 WAM（世界动作模型）。自然意志希望 Natura-1 可以成为上述两条路以外另一条寻找智能 Scaling 的路径。模型架构负责人对《晚点 LatePost》表示，至少可以从两个方面