“泛化”能力直接决定了机器人应用的天花板。宇树科技创始人兼CEO王兴兴表示，人形机器人面临的最大挑战是AI泛化能力不足，提前训练过的特定场景中，成功率可达100%，一旦更换场景，便急剧下跌。我们认为，泛化能力弱的机器人就像人类的“提线木偶”，在训练分布之外的新样本/新条件上难以保持性能，置身人类社会多样的环境，商业价值有限。
曙光：π0.5、π0.7、Dyna-2等模型验证机器人存在泛化。可喜的是，我们在机器人产业中注意到“泛化”存在的证据：1）语义泛化（RT-2）：能从视觉-语言预训练中迁移机器人数据中完全不存在的语义知识，如“将可乐罐挪动到字母 X卡片旁边”；2）环境泛化（π0.5）：能清理没在训练数据中见过的新家中的厨房或卧室；3）组合泛化（π0.7）：能将不同任务中的技能直接整合起来，从而解决新的问题，比如使用新的厨房设备，甚至让机器人完成洗衣服的任务——而训练数据中没有关于如何洗衣服的数据；4）跨本体泛化（π0.7）：两个带有 Robotiq 并联夹持器的 UR5e 工业手臂能像训练中的静态双手动机器人一样折叠衣物，成功率与那些在原始机器人上接受过相关训练的人类远程操作员的“零尝试”成功率一致。
对照：机器人当前处于GPT-2与GPT-3之间。 GPT各代模型经历了从“专用任务能力”向“跨分布迁移能力”的演进。我们认为，做一个模糊比较，当前机器人接近GPT-3水平，原因是：1）π0.7开始根据语言指令调用和组合不同技能，面对没有完整示范的新任务也能作出合理尝试，这比 GPT-2 更进一步；2）π0.7 在只有一句 指令时通常只能完成部分任务，要实现更加稳定的自主执行，仍需要逐步语言指导，甚至需要利用多次指导数据对高层策略进行微调，才能够自行生成语言子目标，而GPT-3原则上不需要更新模型参数，仅依靠上下文中的少量示例即可调整任务行为。
挑战：当前机器人泛化存在的问题与归因
展望：机器人的ChatGPT时刻与实现路径
此报告完整内容与行业资料合集，可扫码进入星球社群查看
（报告来源：国盛证券。本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）
我们组建了研究报告知识星球社群，加入后您可以享受以下服务：1、星球中分享最新、专业、深度有价值的行业研究报告、投行报告、白皮书、蓝皮书、公司研报等。报告持续更新；2、
会员可以用提问方式单独获取需要的报告，满足个性化需求；
业务咨询、商务合作：136 3162 3664（同微信）应广大粉丝要求，「报告研究所」成立了报告交流群，欢迎各位公司、企业、投行、投资机构、政府机构、基金、创业者朋友加入！
这里能且不限于：“每日分享多篇研究报告、行业交流、报告交流、信息交流、寻求合作等......”
入群方式：添加助理微信【touzireport666】，发送「个人纸质名片」或「电子名片」审核后即可入群。
