深度｜Liber-0发布：220万小时人类经验，Zero-shot再破边界

从GPT的考题，到一杯奶茶，Liber-0 正在拓展零样本泛化的能力边界。

今日，物理AI公司 LiberAI 发布了世界动作模型 Liber-0。它不仅能根据不同口味订单，灵活组合操作技能，完成复杂长程的奶茶制作；还接受了 GPT-6 随机生成的60项任务挑战，在没有目标任务机器人数据示范的情况下，实现从基础抓取到更加复杂长程灵巧操作任务的 Zero-shot 泛化。

支撑这些能力的，是超过220万小时的人类经验。通过 Human Data Scaling，LiberAI 正在将人类积累的海量物理经验，转化为机器人可持续扩展的通用泛化执行能力。

从单一技能到复杂长程任务，从零样本泛化到真实场景应用，通用物理智能的潜力正在逐步显现。

01 一杯奶茶，为什么让人看到了更大的可能？

过去，机器人学习一项技能，通常需要为该任务采集大量对应的真机后训练数据。这套模式可以让机器人在特定场景中达到较高的执行水平，但也限制了机器人走向更多场景更多任务。

Liber-0 的奶茶制作，展示了另一种可能性。

经过少量后训练，模型能够执行一套较长的奶茶制作流程。而在面对不同订单时，它不必将每种口味都视为一个完全独立的新任务，而是可以根据需求变化，重新组织已经掌握的操作技能。

这里涉及两项关键能力。

第一项是长程灵巧操作。机器人需要连续操作杯子、勺子、配料容器等不同物体，在加冰、加各类小料、加不同糖浆、加各类茶底多个步骤之间保持正确的物理状态。前一个动作的结果会直接影响后一个动作能否顺利执行，任何一次接触偏差，都可能让整套流程中断。

第二项则是组合泛化。不同订单可能共享大量基础操作，却需要不同的技能排列与组合。模型不仅需要会使用这些技能，还需要根据当前任务选择合适的组合方式。

从执行一套固定流程，到根据需求重新组织操作技能，是机器人走向通用化的重要一步。

这种能力一旦持续扩展，潜在的应用范围就不再局限于奶茶制作。在餐饮、零售、物流、工业生产等场景中，大量真实任务都具有相似特征：基础操作相对有限，但实际任务需求与组合方式却千变万化。

Liber-0 模型在做奶茶任务中展示了一条值得期待的路径：通过大规模预训练获得通用操作能力，再以少量后训练适应具体场景，模型驱动技能自动灵活组合覆盖更多实际需求。

而比做奶茶更值得关注的，是 LiberAI 对模型 Zero-shot 泛化能力的一次系统性验证。

02 GPT 随机出题，Liber-0 挑战长程 Zero-shot 泛化

衡量模型是否真正具备泛化能力，一个最直接但高难度的方法，就是让它面对没有专门训练过的新任务。

LiberAI 这次将出题权交给了 GPT-6。

由 GPT-6 生成的 60 项任务，被划分为三个难度等级。

最基础的是 Pick-and-Place（PnP），考察物体抓取、移动与放置。

第二组是 Non-PnP，要求机器人完成更复杂的物体交互，包括精细接触、姿态调整以及超越简单抓取的操作。

第三组难度进一步提升，涉及需要连续完成多个步骤的长程 Non-PnP 任务。机器人不仅要执行动作，还要让不同动作在物理状态上正确衔接。

测试的关键限制是：Liber-0 没有使用针对这些目标任务采集的机器人示范进行训练。在三组测试中，Liber-0 分别取得了 63.5%、34.0% 和 10.5% 的成功率，整体成功率达到 36.0%。

其中，尤其值得关注的是第三组任务。对于涉及多个连续步骤的灵巧操作，机器人不仅需要完成眼前的动作，还要考虑动作之后的物体状态是否适合下一步执行。例如，抓握方式是否影响后续操作，物体移动后应当如何重新接触，以及如何避免误差在连续动作中不断放大。

这些挑战使得长程操作远比单次抓取复杂，高自由度灵巧手的灵巧执行更是“难上加难”。

虽然10.5%的成功率仍处于早期水平，但它释放出了一个重要信号：没有目标任务的机器人示范，模型也已经开始能够完成完整的、多步骤的陌生灵巧操作任务。零样本泛化正在从相对独立的基础动作，向更复杂的连续操作延伸。

而 Liber-0 的 Zero-shot 泛化能力，与上层 Agent 的结合，也为更复杂的长程任务打开了新的想象空间。

Liber-0 已支持接入 Astra 等上层 Agent，由 Agent 进行任务规划、跟踪执行状态、管理中间目标，再调用 Liber-0 完成具体的物理操作。

值得注意的是，在 LiberAI 公布的同一套任务测试中，Astra 直接作为机器人策略时，三组任务的成功率分别为8.3%、5.0%和1.7%。这一结果也凸显了通用推理模型在 System1 精细物理操作中的局限性。

03 Human Data Scaling：220万小时背后的物理智能增长引擎

那么，Liber-0 的这些灵巧泛化能力，究竟从哪里来？

答案指向了 LiberAI 长期坚持的一条技术路线：Human Data Scaling。

此次 Liber-0 使用的预训练数据超过220万小时，其中人类视频达到200万小时，进一步突破了此前 Dyna 等发布的百万小时级人类视频训练的规模。如此庞大的数据背后，是一套支撑海量数据处理的自动化管线和数据基础设施。

但人类视频的规模优势，并不能直接等同于模型的动作能力。

互联网上每天产生大量关于人类如何使用工具、操作物体、完成工作的影像。视频中包含极其丰富的物理知识，却缺少一类关键的信息：人究竟是通过怎样精细的身体运动，完成眼前的操作？

尤其在灵巧手执行场景中，仅凭视觉画面很难准确还原手指的位置、接触方式与运动轨迹。要让机器人真正学会行动，就需要建立视觉经验与动作之间的联系。

为此，LiberAI 自研了 LiberSense Glove，一套能够在真实环境中使用的轻量化动作数据采集系统。

设备通过记录精确的手部姿态与运动轨迹，同时结合第一视角与双腕部摄像头，将人类操作时的视觉信息和动作信息同步采集下来。

相比依赖机器人遥操作的数据采集模式，这套方案不要求采集现场部署机器人。人们可以直接佩戴手套，在真实工作、生活场景中完成日常操作。

这意味着，家政阿姨收拾房间、零售人员整理物品、工人装配零件、普通人使用工具的过程，都有机会转化为模型可以利用的操作经验。

更重要的是，少量高质量的动作监督，有机会激活更大规模视频中蕴藏的物理经验。

这使得人类视频的规模优势与高质量动作数据的精度优势，可以在同一套模型训练体系中形成互补。对于需要多指协同、精细接触和复杂运动控制的灵巧操作而言，这种数据获取方式尤其具有价值。

随着 LiberSense Glove 在真实世界场景中的规模化部署，LiberAI 正在构建一张覆盖多元物理场景、持续积累高质量人类动作数据的分布式采集网络，将亿万次真实的人类操作经验，转化为驱动物理智能持续 Scaling 的数据引擎。

04 从数据 Scaling 到技能涌现：人类示教能否减少对真机数据的依赖？

什么样的人类数据，才是驱动物理智能 Scaling 最有效的燃料？

LiberAI 用一组系统性的对照实验，给出了自己的答案：在与互联网人类视频、开源第一视角数据等不同数据源的直接比较中，LiberSense Glove 数据展现出最陡峭的 Scaling 曲线，以及最显著的模型性能增长。

这意味着，手套数据的价值不再只是技术路线上的判断，而是得到了实际 Scaling 曲线的量化验证：在所比较的数据源中，精准的人类动作数据展现出最强的能力增长效率，为大规模预训练 Scaling 找到了更具潜力的数据 Recipe。

更具突破性的是，LiberAI 通过实验验证：即使没有对应任务的机器人示范，仅依靠人类手套数据，模型也能学会全新的灵巧操作技能，性能甚至接近使用完整机器人示范训练的水平。这意味着，人类数据已经开始具备替代部分真机示范、直接向机器人传递新技能的能力，为机器人技能的规模化学习打开了全新的 Scaling 路径。

这组实验的意义，远不只是分数提升——人类经验不再只是辅助预训练的背景知识，而是开始成为机器人获得新技能的直接来源。

传统机器人技能采集受到本体数量、遥操作设备、场地和专业操作人员等因素制约。相比之下，让人类直接在真实场景中完成物理操作，天然拥有更广泛的参与者和应用环境。

如果这种人类到机器人的技能迁移能力可以继续扩展，通过人类示教积累技能，再结合少量针对性后训练和部署验证，机器人有机会以更低成本、更快速度进入新的场景与任务领域。

这也是 LiberAI 的独特 Human Data Scaling 路线，值得持续关注的原因。

05 除了数据规模，本体多样性也能推动智能增长？

人类经验迁移还有一个长期存在的难题：人和机器人毕竟拥有不同的身体。

不仅人类与机器人不同，不同人之间的身高、臂长、手部尺寸也存在差异；不同机器人之间，关节结构、运动范围和灵巧手设计同样不尽相同。

过去，解决本体差异的主流思路，是尽可能让数据采集设备与最终执行的机器人保持一致。

LiberAI 则突破性选择进一步利用这些差异。

在 Liber-0 中，团队创新性引入了统一的 Embodiment 表征机制，将身体几何、运动学等信息显式纳入模型的动作预测上下文。

模型在学习任务时，不仅要掌握某种操作应当如何完成，还需要理解不同身体条件下，完成同一任务所对应的动作方式。

这让一个新的 Scaling 方向浮现出来：除了持续增加训练数据，还可以扩大数据所覆盖的身体形态范围。

LiberAI 的实验显示，在手套数据总时长保持不变的情况下，提升示范者的身体形态多样性，仍然可以持续改善机器人操作表现。

这意味着，本体差异不再只是需要消除的训练障碍，也可能成为模型学习泛化能力的新资源。

由此，LiberAI 的 Scaling 逻辑开始形成更完整的体系。

在人类数据层面，轻量化手套不断扩展高质量动作的规模；在模型层面，海量视觉经验、动作信息与本体表征共同参与训练；在机器人本体层面，硬件结构与运动能力又能够反过来服务模型的数据需求和执行需求。

数据、模型与本体之间，不再是简单的单向传递关系，而是可以相互反馈、共同优化的全栈系统。

结语

有意思的是，此次发布 LiberAI 还同步上线了在线交互式模拟器（sim.liberai.work），大家可以自由上传物体，亲自测试 Liber-0 面对陌生物体时的 Zero-shot 泛化能力，让机器人智能的边界接受更开放的检验。

此次发布的完整技术 Blog 更披露了更多对照实验与 Scaling 细节。比眼前 Demo 更值得关注的，是 LiberAI 用实验验证了一条可持续扩展的 Human Data Scaling 路径。

从 GPT 随机生成的60项任务，到灵活完成不同订单的奶茶制作，Liber-0 正在展现一个重要趋势：机器人不再只是重复训练过的动作，而是开始将已有经验泛化到未知任务，并通过技能组合完成更加复杂的物理操作。

人类与物理世界的每一次交互，都在创造值得被学习的智慧。从指尖的细微动作，到双手完成的复杂操作，无数看似平凡的瞬间，都蕴藏着对物理世界的深刻理解。LiberAI 正在让这些散落于日常生活中的经验被看见、被学习、被传承，汇聚成物理智能持续生长的力量。一个更加广阔的物理智能未来，也正从这些微小而真实的交互中，悄然生长。

参考链接

Liber-0 官方技术 Blog：https://www.liberai.com/blog/liber0

LiberAI 官网：https://www.liberai.com/

文章来自于"Z Potentials"，作者 "Z Potentials"。