文章核心观点 - 人形机器人最大瓶颈已从硬件转向大脑和软件[1] - 美国创业公司Perceptron发布的Isaac 0.5模型通过数据分工和视频Scaling，大幅降低昂贵真机数据需求，可能重塑具身智能产业链的数据经济账[11][40] Isaac 0.5模型核心特征 - 模型参数36B，动态稀疏MoE架构，256个路由专家，每个token最多选8个，含Null Expert跳过不必要计算，平均每个token实际激活约2.5B参数[55] - 训练数据包含100万小时通用视频、37.5万小时第一视角Ego视频、37.5万小时UMI手持夹爪视频、10万小时机器人相关数据，覆盖35种以上机器人配置[31] - 10万小时机器人数据中：1万小时高质量遥操作示范、4万小时更广泛机器人交互轨迹、5万小时游戏与仿真数据[18] - 模型开源权重[3] - 采用统一36B稀疏backbone，视频理解、空间定位、具身推理、任务进度判断及机器人控制共享同一套表示[46] - 引入Percept概念，训练模型预测未来画面中与任务相关的可见状态变化，而非全部像素[51] - 离散动作走2048个FAST token，连续控制由Flow expert和36层DiT生成action chunk[55] 数据效率与Scaling路线 - 当通用视频从1000小时扩大到100万小时，为达到action loss=2.50阈值，遥操作数据需求从5884小时下降到28小时，约210倍[34][35] - 视频不能无条件替代机器人数据：当遥操作数据仅1小时时，增加视频收益曲线几乎持平；从约100小时真机数据开始，视频Scaling收益才稳定[37] - 昂贵的真机数据正从“主粮”变成“引子”，量未必无限增加，但质量、覆盖范围和动作grounding能力更重要[40] - 不同数据分工明确：通用视频负责看广世界，Ego和UMI拉近交互观察，真机数据完成动作接地[30] 与主流模型对比 - 与π0.7对比：π系列持续证明机器人基础模型能力上限，Isaac 0.5更重视数据经济账[63] - 在LIBERO-Long上，Isaac 0.5零样本成功率仅6%，更新Flow/DiT动作专家后达91%，加入接口投影达92.5%，全量微调为93%[64] - 与Google Gemini Robotics 2对比：Google做最强闭源通用智能，Perceptron押开放模型+规模化数据方法[69] - 与NVIDIA GR00T N1.7对比：GR00T N1.7为3B参数、开放跨本体VLA，加入约2万小时EgoScale视频，背后有完整开发流水线[72][73] - 推理性能对比：Isaac 0.5延迟70ms、策略率14.3Hz、检查点36GB；GR00T N1.7延迟27.9ms、策略率35.9Hz、检查点6.93GB[78] - 中国团队方向：原力灵机DM0.5开放基础模型及适配checkpoint[80]；ACE-Brain-0.5为8B统一模型[81]；腾讯HY-Embodied-0.5提供2B端侧和32B复杂推理版本[82] 产业链影响 - 数据竞赛进入第二阶段：从拼资产规模转向拼数据转化效率[92][93] - 数采公司需重新评估数据价值，仿真公司需证明数据增益层级，模型公司需证明多模态汇入动作能力，本体厂希望“换身体不用换脑子”[95] - 下游客户核心关注：让机器人学会新任务还需花多少钱[95] - 模型接入LeRobot，公开机器人配置，用视频Scaling降低开发者自采真机数据压力[76] - 关键悬念：Percept目标构造和loss仍闭源，210倍为离线action-loss测量，不等于真实部署成本已下降210倍，外部复现至关重要[95]