湘潭网

11月4日消息，小鹏集团联合北京大学、香港大学等高校研究团队，发布了具身感知基座模型的研究成果 GroundingPI。官方介绍，这项研究走的是“感知优先”路线，模型规模约40亿参数，在34项公开感知基准的综合评测中排在首位，机器人仿真任务里也体现出更高的数据处理效率与更强的场景泛化能力。

研究团队把 GroundingPI 与 OpenAI 前沿模型 GPT-6 Astra 放在同一套34项感知基准上比较，按11类能力等权平均后，GroundingPI 得73.68分，Astra 得71.54分。团队给出的判断是：具身智能的首要前提是精准感知自身与周边物体的空间位置，感知表征对物理 AI 至关重要；模型若无法准确定位目标在画面中的位置，学再多的动作知识也难以有效落地。

顺着这一思路，GroundingPI 在训练阶段完全不使用带关节动作标签的机器人数据，而全部采用无动作标签的纯感知数据，覆盖通用检测、密集小目标、指代定位、文字识别、文档版面、界面元素、机器人空间定位等11类感知能力，目标是先让模型弄清“物体是什么、在画面的哪个位置”。官方举例：要求模型找出“右边那个杯子的把手”，它必须用点或边界框标出杯子和把手的具体位置，仅回答“图里有杯子”并不够。项目名称也由此而来，Grounding 对应视觉定位，PI 是 Physical Intelligence（物理智能）的缩写。

目前该研究仍处科研原型阶段，但实验设计已指向具身领域落地的两个核心问题。其一是显著降低示教成本：机器人每完成一个新任务往往需人工采集千百条示教数据，而以 GroundingPI 为视觉底座的系统只用50%示教数据，就超过了对比模型使用75%数据的成功率，原因在于它直接承担了传统 VLA 模型中学习“物体在哪”的工作。其二是带来更强的场景泛化性：面对材质、物体品类、容器、背景等现场变量变化，系统仍能保持稳定，不因环境改变影响执行性能；在仿真环境的散料分拣、料箱清点等高密度场景中，能够分类抓取同类工件、快速对应物品形态，为“一套权重跨工位复用”提供了实验支撑。