高德λ0，让机器人先学会全身配合

高德近日正式发布全身基座模型 λ0，把具身智能的训练对象从机械臂、双腿等局部执行器，推进到视觉、躯干、双臂和双腿协同工作的完整身体。与主流机器人模型主要依赖遥操作采集数据不同，λ0 的核心路线是利用开放世界中的第一人称人类行为数据，让机器人先从人类如何完成全身任务中学习，再把这些动作转换成机器人能够执行的策略。

**λ0 是一个面向人形机器人的全身行为基座模型，目标是根据第一人称视觉观察生成协调的全身动作。**它不是只负责“手怎么抓”或“脚怎么走”的单项模型，而是试图统一移动、观察、伸手、弯腰和操作物体等连续行为。

这条路线的真正价值，不是又让机器人多学会几个演示动作，而是尝试改变具身智能的数据生产方式。机器人训练长期受困于一个现实：互联网拥有海量文本、图片和视频，却几乎没有同等规模、带精确控制信号的机器人行为数据。λ0 的答案是，不再把机器人本体视为唯一的数据采集设备，而是让人类本身成为开放世界数据的生产者。

从“手会干活”到“整个人会干活”

**全身动作对齐是让机器人的不同身体部件围绕同一个任务目标协同运动，而不是分别执行互不连贯的局部策略。**例如，机器人从房间另一端取回杯子，至少需要完成目标识别、路径规划、身体转向、步态控制、手臂伸展、重心调整和抓取闭环；任何一个环节脱节，任务都会失败。

过去两年，视觉—语言—动作模型，也就是 VLA，显著提升了机器人理解指令和操作物体的能力。VLA 是把图像、自然语言和机器人动作放进统一模型中学习的技术路线，典型任务是根据摄像头画面和一句指令，预测机械臂接下来应当采取的动作。

但多数 VLA 的强项仍集中在固定底座或有限工作空间内的上肢操作。机器人可以在桌面上把杯子放进水槽，却不一定知道应该先走到水槽前；可以生成合理的手臂轨迹，却可能在伸手时失去平衡。移动与操作通常由两套模型、两组数据和两种控制接口负责，中间再依赖人工编排衔接。

λ0 试图解决的正是这种“局部都能做，合起来不会做”的问题。高德把模型定位为全身基座，而非单纯的操作模型或导航模型，意味着模型需要学习动作之间的因果关系：人为什么先向左侧身，为什么在伸手前迈半步，以及拿起重物后为什么要改变站姿。

这种能力对人形机器人尤其关键。机械臂固定在工作台上时，底座不会晃动，任务空间也相对确定；人形机器人一旦进入家庭、商场或工厂，任何上肢动作都会影响身体重心，移动过程又会持续改变视角。此时，导航和操作不再是两个可以彻底拆开的模块，而是同一条行为链上的不同阶段。

最大变化是训练数据不必全部来自机器人

**开放世界行为数据是人在真实、非预设环境中完成日常任务时产生的视觉与动作记录。**相比实验室里的标准化抓取数据，这类数据覆盖更多地点、物体、任务和意外情况，也更接近机器人最终需要面对的长尾世界。

λ0 背后的研究工作提出了一种直接思路：让人佩戴第一人称相机执行全身任务，在采集阶段不使用机器人，再把人的视觉观察和动作转换为机器人可学习的训练样本。第一人称视角与机器人头部摄像头较为接近，能够记录“执行者看到了什么”；人体姿态和运动轨迹则提供了“执行者接下来做了什么”。

这和从公开视频里学习动作并不完全相同。第三人称视频更容易观察完整人体姿态，但画面视角与机器人的实际观察差异很大；普通第一人称视频虽然视角匹配，却通常缺少精确的身体状态。λ0 路线的关键，是同时获得第一人称视觉与可恢复的全身运动信息，并完成从人体动作空间到机器人动作空间的重定向。

**动作重定向是把人类骨骼运动转换为满足机器人关节、平衡和动力学约束的动作。**人和机器人拥有不同的身高、臂展、关节自由度和负载能力，因此“照抄”人的关节角度通常不可行。有效的数据转换必须保留任务语义，例如手向杯子靠近、身体绕过桌角，同时去除机器人无法执行的动作。

这项工作真正要扩展的不是单段轨迹长度，而是任务分布。实验室遥操作擅长提供高质量、可直接监督的机器人动作，但成本高，采集范围受场地和硬件限制。人类第一人称采集可以进入办公室、家庭和户外环境，数据生产者也不必始终操作一台昂贵的人形机器人。

| 数据路线 | 采集主体 | 动作监督 | 场景覆盖 | 主要优势 | 主要限制 | |---|---|---|---|---|---| | 机器人遥操作 | 人类操作者与真实机器人 | 原生机器人控制信号 | 通常限于实验室或示范场地 | 动作可直接执行，监督精确 | 成本高、速度慢、硬件占用大 | | 仿真数据 | 仿真机器人 | 完整状态与控制信号 | 可批量生成虚拟场景 | 规模大、标注完整 | 存在仿真到现实差距 | | 第三人称人类视频 | 普通视频或动作捕捉 | 人体动作或弱标签 | 场景丰富 | 数据来源广 | 视角与机器人不一致 | | λ0采用的第一人称行为数据 | 执行真实任务的人 | 第一人称视觉与可转换的人体动作 | 面向开放世界扩展 | 不占用机器人，视角更接近本体 | 仍需解决动作重定向与动力学约束 |

需要强调的是，“不使用机器人采集”不等于机器人数据已经没有价值。人类行为数据可以教模型任务结构和动作先验，却不能自动覆盖每台机器人的电机响应、关节误差、接触反馈与安全边界。更现实的组合是：用大规模人类数据完成预训练，再用较少的机器人轨迹适配具体本体，并通过真机执行继续校正。

λ0 补的是高德ABot体系最明显的一块空白

**ABot 是高德面向具身智能构建的模型与智能体技术体系。**高德在 2026 年 2 月先发布了操作基座模型 ABot-M0 和导航基座模型 ABot-N0，随后继续扩展导航、操作、具身推理和智能体调度能力；λ0 则进一步把原本分开的移动和操作拉进全身行为模型。

ABot-M0 主要解决跨平台操作数据难以统一的问题。公开资料显示，该模型整合超过 600 万条真实操作轨迹，覆盖 9500 多小时数据和 20 多种机器人本体，并构建统一机器人数据集 UniACT。在 LIBERO、LIBERO-Plus 和 RoboCasa 等操作基准上，ABot-M0 均取得当时的领先结果；其中 LIBERO-Plus 任务成功率为 80.5%，公开报道将其描述为较 π0 高出近 30 个百分点。

ABot-N0 主要解决导航任务长期碎片化的问题。它把 Point-Goal、Object-Goal、Instruction-Following、POI-Goal 和 Person-Following 五类任务纳入同一模型，使机器人不必为“去坐标点”“寻找某个物体”和“跟随某个人”分别维护完全独立的策略。

λ0 与这两款模型的差异在于，它不再默认“移动”和“操作”之间存在清晰边界。机器人弯腰捡起地面的物品时，腿部负责降低重心，躯干负责调整姿态，头部摄像头需要保持目标可见，手臂才有机会完成抓取。这个过程很难简单拆成一次导航调用加一次机械臂调用。

| 模型 | 发布时间 | 核心定位 | 主要数据 | 解决的问题 | |---|---:|---|---|---| | ABot-M0 | 2026年2月 | 通用具身操作基座模型 | 超过600万条真实操作轨迹、9500多小时、20多种本体 | 跨机器人平台的操作泛化 | | ABot-N0 | 2026年2月 | 多任务导航基座模型 | 多类导航任务数据 | 五类导航任务的统一建模 | | λ0 | 2026年10月 | 全身行为基座模型 | 开放世界第一人称人类行为数据 | 移动、观察与操作的全身动作对齐 |

从产品路线看，λ0 也解释了高德为什么适合做这件事。地图导航业务积累的强项不是机械结构，而是开放环境中的位置、路径、场景语义和长程决策。此前的 ABot-N0 把这些能力延伸到机器人导航；λ0 则继续向下进入身体控制，让“知道该去哪里”和“知道身体怎么过去、怎么完成任务”形成更紧密的闭环。

第一人称数据很便宜，但并不天然可靠

**λ0 最值得肯定的地方，是它瞄准了机器人行业真正稀缺的资源：可扩展的真实世界行为数据。**大语言模型能够依靠网页文本迅速扩展，视觉模型能够使用互联网图片和视频，但机器人模型需要带动作标签的数据，而公开网络上的视频通常没有关节位置、末端执行器状态和力反馈。

如果第一人称采集与动作转换能够稳定工作，机器人数据的供给关系会发生明显变化。团队可以让更多人在更多场景中执行任务，而不必为每个采集者配备一台机器人，也不必担心早期策略频繁摔倒或损坏硬件。对需要覆盖数千种家庭长尾任务的全身模型而言，这种扩展能力比某一个基准提高几个百分点更重要。

但这条路线也有三个不能绕开的限制。

**第一，人类动作可行不代表机器人动作可行。**人可以依靠柔软手掌、触觉和精细平衡完成动作，机器人却受到关节行程、执行器速度和足底接触条件约束。动作重定向如果只追求视觉相似，可能生成看起来正确但无法稳定执行的轨迹。

**第二，第一人称画面缺少完整身体信息。**头戴相机通常看不到人的腿部，也可能在手臂接近身体时产生遮挡。系统需要依赖额外传感器、人体姿态估计或时序模型恢复全身运动，而这些估计误差最终会进入训练数据。

**第三，离线模仿无法替代真机闭环。**人在演示中不会经历机器人的控制延迟、相机抖动和抓取偏差，模型一旦在执行时偏离示范轨迹，就必须根据新观察自主纠错。评估 λ0 时，真机上的长程任务成功率、连续运行稳定性和失败恢复能力，会比演示视频是否流畅更有判断价值。

因此，λ0 目前更像是高德给出的数据与训练范式，而不是已经完成商业验证的通用机器人“大脑”。截至 2026 年 10 月 23 日，公开信息的重点集中在模型方法和开放世界行为数据价值上；关于参数规模、训练算力、数据总时长、模型权重开放方式以及大规模真机评测结果，仍需要更完整的技术报告与复现实验来回答。

对行业而言，重点不是“像人”，而是规模化

**全身模型的竞争最终会落到数据规模、跨本体适配和真机成功率，而不是动作展示的拟人程度。**一个能流畅做出复杂姿态、却只能在固定场景复现的模型，商业价值仍然有限；一个动作不够漂亮、但能在不同房间和不同机器人上稳定完成任务的模型，反而更接近可部署产品。

λ0 把人类行为数据引入全身机器人训练，与当前具身智能行业的两条主线形成交汇：一条是用统一 VLA 模型连接视觉、语言和动作，另一条是通过人类视频、仿真与遥操作数据混合训练，突破真机数据规模瓶颈。高德的不同之处，在于它把开放世界导航经验、第一人称行为数据和全身控制放在同一条产品线上。

这也意味着竞争标准需要变化。接下来判断 λ0 是否真正有效，应重点关注四组数字：不同真实场景的任务成功率、单次任务的平均持续时间、跨机器人本体微调所需的数据量，以及遇到遮挡、碰撞和目标移动后的恢复成功率。只公布仿真基准或挑选后的演示视频，无法证明模型已经获得开放世界泛化能力。

高德此前用 ABot-M0 证明了自己能够处理跨平台操作数据，用 ABot-N0 证明了统一导航任务的意图；λ0 则把问题推进了一层：机器人不仅要有会走的腿和会抓的手，还要让整个身体理解同一个任务。这个方向是对的，而且比单纯刷新局部操作榜单更接近通用具身智能。

不过，方向正确并不等于壁垒已经建立。第一人称人类数据能否稳定转化为机器人收益、模型能否跨越人类与机器人的动力学差异，以及全身控制能否在真实环境连续运行，才是 λ0 接下来必须交出的答案。

参考来源

由于本文参考资料对应的公开报道与论文页面不在指定的国内可访问域名白名单内，以下仅列出来源名称与信息用途，不附站外链接：

• 高德 λ0 发布报道：用于确认模型发布时间、产品定位及开放世界第一人称行为数据路线。
• 论文《λ0: Scaling First-Person Human Data for Humanoid Whole-Body Control》：用于说明无机器人采集、人体动作转换与全身控制方法。
• 高德 ABot-M0、ABot-N0 发布资料：用于核对 UniACT 数据规模、LIBERO-Plus 成绩与五类统一导航任务。
• 高德 ABot 全栈具身技术体系公开资料：用于梳理 λ0 与操作、导航及具身智能体模型之间的关系。