Physical Intelligence 正在把通用人工智能带入物理世界。我们由工程师、科学家、机器人专家和公司建设者组成，开发学习算法，打造一个能够控制任何机器人完成任何任务的模型。
π₀.₇：具备涌现能力的可操控模型
可操控的机器人基础模型，在泛化能力上实现了跨越式提升。
借助高效在线RL实现精确操作
从 VLA 模型中提取 RL Token，以少量数据快速在线强化学习并提升精细任务吞吐量。
具备长短期记忆的 VLA
Multi-Scale Embodied Memory（MEM）让模型同时拥有长期与短期记忆，支持持续十分钟以上的复杂任务。
物理智能层
通用 physical intelligence 模型将带来机器人应用的寒武纪大爆发，看看合作伙伴如何解决真实世界问题。
莫拉维克悖论与机器人奥运会
通过微调最新模型，我们解决了一系列极难的 manipulation 挑战任务。
VLA 中人类到机器人的迁移能力涌现
探索随着 robotic foundation models 扩展，人类视频中的行为如何迁移到机器人任务。
π*₀.₆：一个从经验中学习的 VLA
用 RL 训练通用策略，提高真实世界任务的成功率与吞吐量。
大型模型的实时动作分块
一种面向大型 VLA 的实时系统，在高延迟下依然保持精度与速度。
训练快、运行快、泛化更好的 VLA
让 vision-language-action models 快速训练、保留互联网级知识，并拥有高质量推理表现的方法。
π₀.₅：具备开放世界泛化能力的 VLA
π₀.₅ 扩展了 π₀，使移动操作机器人能够整理全新的厨房或卧室。
教机器人倾听并更深入地思考
让机器人逐步思考复杂任务，并结合 human-in-the-loop 反馈的方法。
开源 π₀
发布 π₀ 的权重与代码，以及新的 π₀-FAST 自回归模型。
FAST：高效的机器人动作 token 化
一种新的 robot action tokenizer，让通用策略训练速度提升 5 倍。
π₀：我们的第一个通用策略
首个 generalist policy：结合大规模多任务、多机器人数据与新网络架构，打造更灵巧的机器人策略。