TL;DR

Ψ0 (Psi-Zero) 是由 USC PSI 实验室等机构发布的一款人形机器人统一基础模型。它通过“先人类视频预训练、后机器人专家微调”的策略，以极高的数据效率（仅 30 小时真机数据）在包括洗碗、倒水、远距离推车等 8 种高难度 Loco-Manipulation 任务上刷新了 SOTA 记录，且全面开源了从遥操作系统到推理引擎的完整生态。

背景定位：数据规模 vs. 数据效率

在具身智能领域，RT-2 和 GR00T 等模型的成功让人产生一种错觉：只要喂给模型足够多的混合机器人数据（Co-training），通用智能就会浮现。然而 Ψ0 团队提出了深刻的质疑：人类和机器人在关节自由度、运动频率和动力学上存在巨大的 Embodiment Gap。强行在同一个 Action Space 下混合训练，不仅收敛慢，而且会导致模型在两种不同的动作分布中“左右为难”。

Ψ0 的核心直觉在于：将知识获取（大脑）与精细控制（小脑）解耦。

痛点深挖

1. 数据稀缺与不匹配：高质量的机器人遥操作数据极其昂贵，而互联网人类视频虽然易得，但无法直接映射到机器人的关节扭矩。
2. 推理延迟（Stop-and-Think）：数十亿参数的 VLA 模型推理通常超过 100ms，导致机器人动作像断片一样，无法实现平滑的实时反馈。
3. 全身协调难：行走、弯腰与精密的手部操作（如转动水龙头）在时空尺度上完全不同，现有模型往往顾此失彼。

核心方法论：分阶段“三部曲”

1. 架构设计：MM-DiT 实力霸榜

Ψ0 采用了 Triple-System 架构：

• System-2 (VLM 主干)：基于 Qwen3-VL-2B，负责理解语言指令和高层视觉特征。
• System-1 (动作专家)：采用多模态扩散 Transformer (MM-DiT)。不同于普通的 DiT，MM-DiT 对动作（Action）和视言（VL）特征进行双重调制，通过全局注意力机制实现更深度的特征融合。
• System-0 (底层控制)：基于强化学习的姿态跟踪器（如 AMO），处理足式平衡等低频信号。

2. 训练配方：从人类动作到机器人关节

• 预训练 (Human Priors)：在 829 小时人类第一视角视频（EgoDex）上进行，任务简单直接——预测下一个 Action Token。这让 VLM 获得了关于“如何拿杯子”、“如何推门”的常识性视觉表征。
• 后训练 (Robot Expert)：冻结 VLM，在机器人数据上训练动作专家。这里不学离散 Token，而是用 Rectified Flow 直接生成关节空间的连续 Action Chunk。
• 微调 (Target Task)：针对具体任务进行少量（约 80 个轨迹）的真机演示微调。

3. 解决震颤：训练时实时分块 (RTC)

为了消除推理延迟导致的动作停顿，Ψ0 在训练时会随机遮蔽掉 Action Chunk 的前几个 Step。这意味着模型被强迫“在跑步时系鞋带”——即根据正在执行的旧动作残影，平滑地生成新动作。

实验战绩

在 Unitree G1 平台的测试中，Ψ0 表现出惊人的统治力：

• 多任务全胜：在 8 个长程任务中，平均成功率遥遥领先。特别是在涉及精细指尖操作的“揭盖倒水”任务中，比最近的 GR00T-N1.6 高出 40% 以上。
• 双臂协作与全身运动：模型不仅学会了手部的复杂交互，还能顺滑地结合身体弯腰和走位。

深度洞察

Ψ0 的成功给了工业界一个重要启示：** scaling law 并不意味着盲目增加数据总量，而是要 scaling the right data in the right way。** 通过这种分层架构，VLM 充当了“通才”，理解万物；而 MM-DiT 充当了“匠人”，精雕细琢。这种架构不仅降低了对真机数据的依赖，也为未来多模态、大参数人形机器人的落地提供了一个清晰的工程模板。

总结与局限

Ψ0 是目前人形机器人开源社区最具诚意的工作之一。尽管受限于单台 G1 机器人的负重和算力，它仍展示了人形基础模型的巨大潜力。未来如果能结合更大规模的人类视频库（如 Ego-Exo4D），我们或许能看到人形机器人从“能洗碗”进化到“能做饭”的跨越。