π0：动作是长出来的

叠衣服的时候，你的手腕在干什么？提起衣角、抖平、压出折痕——高度一起一伏，从不停顿。下面这块画布，横轴是 3 秒时间，纵轴是手腕的高度。

在图中从左到右按住拖动，画出你自己的"叠衣曲线"——随手画就行，弯弯曲曲才好。画完之后，它会被翻译成机器人的语言，重新执行一遍。没什么大不了的，对吧？

看红色那台机器人：它每 0.33 秒才动一下，一动就是一大步。你画的灰色曲线里，每秒藏着 50 个小小的修正——翻译成"动作词汇"之后，只剩每秒 3 个词，中间那些说不出口的微调全丢了。

这不是我们故意调坏的玩具。2023 年前后最出名的机器人大模型（RT-2、OpenVLA 这一系）就是这样干活的：把连续动作切成 256 个档位编进词表，像写句子一样，一个词一个词地把动作"说"出来。灵巧不在词汇表里——它藏在每秒几十次、谁也说不出口的连续微调里。

然而，机器人为什么非要用"说"的？这得从它的家世讲起。

想让机器人听懂"把衬衫叠好"这句话，最省事的办法是站在巨人肩膀上：把在整个互联网上练出来的视觉语言模型（VLM，白话叫「见过世面的底座」）搬过来。它认得衬衫、懂得"叠"是什么意思、还见过一万种桌面。代价是：它只会输出"词"。于是前辈们教它把动作也当成一种外语——切档、编号、进词表（如果你读过我们的具身智能总图那一篇，你亲手给机械臂的动作切过档）。

这条路成立，但欠了两笔债，而且都欠在"手"上：

第一宗罪：慢。语言模型说话是自回归的（白话叫「一格一格往外吐」）——每吐一个词，都要完整跑一遍几十亿参数的网络，还得等上一个词吐完才能吐下一个。RT-2 自己汇报的控制频率是每秒 1–3 个动作；而叠衣服这种活，手腕需要每秒 50 次修正。第二宗罪：糙。就是你在上一节亲眼看到的阶梯——切档丢掉的所有微调。

问题链已经清楚了：前辈们解决了"见识"，代价是失去了"手感"。能不能两样都要——既留住 VLM 读万卷书的底子，又让动作保持连续、成块、以 50Hz 的节奏涌出来？

π0 的回答分两半：动作怎么出来（下一节），和动作从哪个器官出来（再下一节）。

如果你读过我们的扩散模型那一篇，你在暗房里亲手显影过一张雏菊：从一团雪花噪声出发，一小步一小步擦掉噪声，图像慢慢浮现。π0 干的是同一件事，只是显影液里泡的不是像素，是动作：一条 50 步、整整一秒的手腕轨迹，作为一个整体，从随机噪声里被"洗"出来。这门手艺叫流匹配（flow matching，扩散的近亲，白话叫「走直线的显影术」）。论文管这一整条轨迹叫动作块（action chunk）——不是一个词一个词地说，是一整秒的动作一口气长出来。

显影要花几步？扩散原配是 1000 步——图像可以慢慢等，机器人的手悬在半空等不起。先押注，再拖滑块验证：你猜 π0 在真机上显影一块动作，用几步？

把滑块拖到底你会看到答案：10 步。但真正的信息藏在从 1 到 10 的路上。步数 = 1 时，曲线是虚线所示两种叠法（先提左角 / 先提右角）的平均——手既想先提这边又想先提那边，结果哪边都不像，衣角会直接脱手。步数加上去，曲线越来越果断地投向其中一种叠法。一步是平均，十步是选择：显影的每一小步都在重新问一次"往哪种动作走"，问得多了，糊糊的平均就凝成清晰的决定。这和扩散篇里"一步登天画不出雏菊"是同一个道理——而 π0 只需要 10 步，因为走的是直线路径，每步只花 2.7 毫秒。

然而，显影的每一小步都需要有人报方向——"向量场"从哪来？让 30 亿参数的 VLM 底座自己报？它那张嘴一秒钟吐不出几个词，我们绕了一圈又回到原地。π0 的做法是：给它配一个新器官。

想想你自己：认出"这是衬衫、要叠它"的是大脑皮层——大、博学、慢条斯理；真正控制手指起落节奏的是小脑——小、专一、飞快。π0 就是照这个分工长的：一个 Transformer 里住着两套权重。图像和指令这些"见识 token"，归 PaliGemma 底座（30 亿参数：4 亿的眼睛 SigLIP + 26 亿的语言模型 Gemma，互联网预训练原封搬来）；机器人的本体状态（白话叫「它对自己关节的感觉」）和待显影的动作 token，归一个从零训练的 动作专家（action expert，只有 3 亿参数）。两套权重在同一栋楼里开会——注意力互通——但各记各的笔记。

互通归互通，谁能看谁是有规矩的。点下面三组 token，看每一组的注意力能望到哪里：

注意箭头的方向：永远指向左边。动作 token 望得到全部——图像、指令、状态；但图像和指令永远看不见动作。这一手有两个用意：预训练的见识不被动作打扰（底座见到的输入分布和它在互联网上见的一样），以及一笔精明的算术——显影要跑 10 轮，但图像、指令、状态在这 10 轮里一动不动，它们的注意力结果算一次就缓存起来，10 轮显影只有 3 亿参数的动作专家在反复奔跑。见识和手感住同一栋楼，但不共用一本笔记：底座保住它读过的万卷书，专家小到跑得起 50Hz。

器官齐了。然而一双好手还得摸过足够多的衣服——数据从哪来？这是论文自认为和架构同等重要的另一半答案。

学厨的老规矩：先在后厨打三年杂——什么菜都碰过、什么翻车都救过；再跟师傅精学三个月本帮菜。只上过精修课、没打过杂的学徒，手艺可以很齐整，但一失手就不知道怎么救。π0 的训练配方照抄这个结构：预训练喂杂数据——7 种机器人、68 类任务、超过 10000 小时的自采数据，再掺上开源数据集（占 9.1%），教它"世界会出什么错"；后训练喂精数据——针对目标任务的 5 到 100+ 小时高质量演示，教它"这件事怎么干漂亮"。

这个配方值多少分？论文用 7 个又长又难的真实任务做了对照：完整配方、"从零学精"（跳过预训练）、"只见世面"（预训练完直接上，不微调）。点下面三个配方，逐个上考场——三个都点过，对比才会浮现：

三个配方都点过之后，看两处：右边三个 ○ 任务（组装纸箱、打包外卖盒、装鸡蛋）预训练里完全没有——"只见世面"在它们身上几乎交白卷，见过世面不等于上手就会。再看最左边的叠衣服："从零学精"只拿到约 0.2，完整配方约 0.8——差出的那 0.6，不是精修课教的，是三年杂役教的"衣服缠成一团时怎么办"。杂数据教它世界会怎么出错，精数据教它这件事该怎么干漂亮——越难的任务，前者越值钱。坦白一处例外：装鸡蛋一栏，"从零学精"追平了完整配方——预训练不是处处灵，论文自己也把"该配多少杂数据"列为未解问题。

然而，成绩单再好也是"离线"的故事。真机上，50Hz 意味着每 20 毫秒就得有一个动作候着——这笔实时的账，π0 是怎么算平的？现在把所有零件装回一台机器，看它真实的一秒钟。

你摸过的零件全部到齐：底座看一眼世界，动作专家显影 10 步，一整块 50 个动作出炉，机器人执行其中一段，然后回头再看一眼世界。下面是这个循环在一块消费级显卡（RTX 4090）上的真实计时，每一毫秒都来自论文附录的实测表。拖动滑块，改变"执行多少个动作才回头看一眼"，看这台机器的性格怎么变：

盯住下面那条"新鲜度"标尺：拖到最左（每 5 个动作就回头看），机器人对世界的反应极快，但将近一半的时间花在推理上，动作走走停停；拖到最右（把 50 个动作执行完才回头），动作行云流水，但块尾那个动作执行时，它依据的已经是一秒之前的世界——衣角早就滑走了。π0 选在 25（半秒）：一次长出一整块动作，是 50Hz 流畅的前提；块要执行多长，是"流畅"和"活在当下"之间的折中。顺带看推理条的内部：73 毫秒里，显影 10 步只占 27 毫秒——正因为反复奔跑的只是那个 3 亿参数的小脑，第 04 节埋的伏笔在这里兑现。

机器装完了。然而它对上老路子的"说动作"机器人，到底赢多少？上考卷。

论文把预训练完的 π0 不做任何微调直接拉上考场，同台的有：自回归离散 token 的 OpenVLA（70 亿参数，正是你在第 01 节见过的那种"说动作"的模型）、扩散出动作但没有 VLM 底座的 Octo（9300 万参数）、以及 π0 自家去掉 VLM 的对照版 π0-small（4.7 亿参数）。点五张考卷逐一翻看——先猜猜参数最大的 OpenVLA 考得怎么样：

叠 T 恤那张考卷最说明问题：70 亿参数的 OpenVLA 几乎交白卷——不是它见识少，是自回归离散 token 撑不起 50 步的动作块，衣服在它"说"完一个动作之前就滑走了。再看 π0-small：没有 VLM 底座，靠流匹配也能拿到一半分数——手感是流匹配给的；但论文的语言跟随实验里，它听不懂细致的指令（π0 的语言跟随准确率显著更高，还能接受一个高层 VLM 当"指挥"拆解长任务）——见识是底座给的。手感这门课，流匹配完胜自回归；见识这门课，预训练底座完胜从零训练——两门都及格的，只有双体。

你已经看完了整台机器的原理、家教和考卷。最后一站，轮到你来当它的工程师。

任务：追住一只被气流吹得飘忽的衣角（虚线），3 秒钟。你有两个旋钮——显影步数（第 03 节）和动作块执行长度（第 06 节）。推理期间机器人只能保持原姿势（这个玩具里如此，见下方杠精清单）。先试两种极端：1 步 × 执行 50，和 20 步 × 执行 5，说出它们各自的死因；然后试着打败 π0 的原配（10 步 × 执行 25）。

三种死法应该都见过了：步数太少，动作是"各种可能的平均"，糊；块太长，块尾执行的是一秒前规划的动作，旧；块太短，一小半时间悬停在显影里，还频繁地重掷"哪种叠法"的骰子，卡。离原配最近的是 10 步 × 执行 10——在这个玩具里几乎打平，但真机上重推理次数翻倍，意味着 GPU 负载和延迟抖动的风险也翻倍，论文选 25 是更稳的那只手。能说出每种失败的死因，你就真的懂了这台机器。

回到学术锚点：这是 Physical Intelligence 团队 2024 年的论文《π0: A Vision-Language-Action Flow Model for General Robot Control》（arXiv:2410.24164）。本文只展开了它的主线：流匹配动作块、双体架构、预训练/后训练配方与真机评测；被我们从简的有语言跟随实验的细节、高层 VLM 指挥策略，以及全部训练超参。文中所有交互都是教学玩具：真实的 π0 显影的不是一条高度曲线，而是 50×18 维的联合动作分布。

论文的扉页引了海因莱因的那句话，结尾是"专精是昆虫的事"（Specialization is for insects）。整篇论文就是对这句话的一次工程执行：不为某一个任务造一台专机，而是让一个模型先见遍七种身体、一万小时的杂活，再学会任何一门手艺。你这一路亲手验证过它的每个零件：你画过一条自己都说不出口的连续轨迹（第 01 节）——所以你知道灵巧为什么装不进词表；你押注过显影步数，看着一团糊在 10 步里凝成一种叠法（第 03 节）；你点亮过三组 token 的视野，看见见识和手感如何同楼不同笔记（第 04 节）；你给它排过课程表，看见杂役的三年在最难的考卷上值 0.6 分（第 05 节）；你掰过它的一秒钟，最后亲手把它调坏又调好（第 06、08 节）。当你下次看到机器人叠衣服的视频，你看到的不再是魔术——是每半秒一次快门、10 步显影、50 个动作一口气长出来的那台机器。

从这里出发有两条路：还没走过具身智能总图的，去那里看这台机器在整张地图上的位置；对"从噪声里长出东西"意犹未尽的，扩散模型那一篇的暗房随时开门。