高德发布全身基座模型λ0，无本体采集效率提升3.4倍，真机任务成功率提高22.5%

阿里巴巴集团旗下高德近日正式发布全身基座模型λ0，这是业内首个基于开放世界行为、支持全身协调动作学习的通用基座模型。该模型仅依赖人类行动视频与运动数据，即可驱动人形机器人完成移动、姿态调整与双手协同操作等复杂任务，标志着机器人动作学习正从传统的“局部动作建模”迈向“全身动作对齐”的新阶段。

当前具身智能的发展正加速进入真实开放场景——家庭服务、商超理货、仓储巡检等任务不再局限于固定站姿下的单点操作，而是要求机器人在动态环境中持续协调躯干、四肢与位姿，执行长程、多步骤的连贯动作。然而，现有技术路径面临两大瓶颈：其一，真机遥操采集成本高昂，需专业设备与人工复位，难以规模化；其二，主流第一视角VLA（视觉-语言-动作）模型普遍缺失全身动态信息，数据集中于手部或臂部局部交互，缺乏关节角度、重心偏移、步态节奏等关键协调信号。当任务复杂度上升时，“碎片化”学习导致机器人泛化能力弱、失败率高。

λ0的核心突破在于提出“无本体全身数据采集 + 软硬件协同人机对齐”双轨技术路径。在采集端，用户仅需佩戴消费级VR头显（如PICO 4 Ultra）与惯性测量单元（IMU）腰带及手环，即可在日常环境中自由行走、操作物体并同步录制第一视角视频、身体六自由度位移与双手末端轨迹。该方式彻底摆脱对昂贵机器人本体的依赖，将代表性任务单条示范采集时间由约100秒压缩至29秒，效率提升至主流方法的3.4倍。

在数据处理与建模层面，λ0构建了HumanVerse-500数据集，涵盖500小时开放世界无本体全身动作数据，覆盖18类以上技能、827种任务类型与32,993个演示片段，包含厨房烹饪、超市补货、物流分拣等真实场景。数据集结构清晰标注了对象类别、场景分布、动作时序与技能层级，支持跨任务迁移研究。

模型训练采用三阶段渐进策略：首先聚焦手部精细交互（如抓取、旋转），再引入全身协调约束（如重心转移与步态同步），最终适配具体人形本体动力学。为解决人机形态差异与执行偏差问题，λ0在采集、处理与动作输出三环节设计了“视角匹配”与“由粗到细”动作对齐机制——先对齐宏观运动轨迹与姿态序列，再微调末端接触点精度，兼顾全局协调性与局部操作可靠性。

在评估方面，λ0在SIMPLE仿真基准（Simulated Interactive Multi-Task Learning Environment）中全面领先现有基线模型；在真实机器人平台（如优必选Walker X与宇树Unitree G1）上测试7项全身协调+长程移动任务（如“从货架取物→绕障碍行走→放入指定箱体”），实现零样本迁移——即仅用人类示范数据训练，无需任何真机微调即可部署运行。结果显示，其真机任务成功率较当前最强对比基线提升22.5%，且随人类数据规模扩大呈现显著正向Scaling效应：同等机器人示范量下，人类数据每增加100小时，任务成功率平均提升约4.7%。

值得注意的是，λ0并非孤立技术模块，而是高德与阿里ATH事业群联合推进的具身智能基础设施之一。该项目打通了“人类经验采集→数据对齐→模型训练→真机验证”的完整闭环，为后续人形机器人在非结构化环境中的自主学习提供了可扩展范式。例如，在仓库巡检场景中，运维人员可佩戴轻量设备边走边示范异常识别与上报流程，系统自动提取其全身动作逻辑并转化为机器人指令，大幅降低部署门槛。

开源方面，高德已将λ0相关硬件配置代码开源至GitHub（项目名openlambda），并在HuggingFace上线HumanVerse-500数据样例，供学术界与工业界复现与二次开发。技术报告已提交arXiv（编号2610.18950），详细披露了数据采集协议、对齐算法与训练细节。

行业观察指出，λ0的发布折射出具身智能研发重心的转移：从追求单点性能突破，转向构建可持续积累的人类行为知识库。相比依赖仿真预训练或少量真机演示的传统路线，以“人类为中心”的数据驱动路径更具现实可行性与伦理安全性。尤其在人形机器人尚处商业化早期阶段的当下，降低数据获取成本、提升跨本体泛化能力，是推动技术落地的关键前提。

尽管λ0在开放场景中展现出较强潜力，其局限仍需关注：例如对极端光照、遮挡场景的鲁棒性尚未充分验证；部分高精度操作（如拧螺丝、插线）仍依赖后端微调；跨品牌机器人本体的适配需额外标定。未来迭代方向可能包括融合多模态反馈（触觉、力觉）、引入因果推理增强动作逻辑一致性，以及与高德地图时空语义能力结合，实现“空间理解-动作规划-全身执行”一体化。

目前，λ0已在内部用于支持高德参与的多个具身智能试点项目，涵盖城市服务机器人与工业巡检终端。随着HumanVerse系列数据集持续扩充，该模型有望成为人形机器人通用动作基座的重要候选方案。