• 小鹏集团联合北京大学、香港大学等高校研究团队联合发布具身感知基座模型的研究成果 GroundingPI。

• 该研究提出“感知优先”的技术路线，以约 40 亿参数规模，在 34 项公开感知基准的综合评测中位列第一，并在机器人仿真任务中展现出更高的数据处理效率与更强的场景泛化能力。

物理 AI 与具身智能是当前人工智能产业的核心发展方向，现有通用大模型主要面向办公、对话、编程等数字场景设计，直接应用于自动驾驶与机器人等物理场景时，存在天然的适配差距。行业主要存在两条技术路线：一是基于通用大模型进行微调改造直接应用在具身训练上；二是训练原生具身模型，从训练初始即以具身任务为目标、仅输入机器人相关数据。两条路线均在快速迭代，模型更新周期约为半年。

GroundingPI 则选择了一条不同的路径，它提出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，感知表征对于物理 AI 至关重要。若模型无法准确定位目标在画面中的位置，学习再多的动作知识也无法有效落地。基于这一判断，GroundingPI 在训练阶段不使用带关节动作标签的机器人数据，而是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，目标是让模型首先理解“物体是什么、在画面的哪个位置”。举个例子，我们要求模型找到“右边那个杯子的把手”，它需要用点或边界框标出杯子和把手的具体位置。回答“图里有杯子”还不够，语言里的目标必须对应到画面中的具体区域。

项目名称亦源于此，Grounding 对应视觉定位这一核心感知能力，PI 为 Physical Intelligence（物理智能）的缩写。

GroundingPI 在多个场景和能力上展现了基于视觉基元（构成画面的最小积木块）的感知能力

研究团队将 GroundingPI 与 OpenAI 前沿模型 GPT-6 Astra 在同一套 34 项感知基准上进行对比，按照以上这 11 类能力等权平均，GroundingPI 得分 73.68，Astra 得分 71.54。

多类感知能力基准比较：紫色为 GroundingPI，蓝色为各能力类别中排名 TOP4 的对照模型，其中包含 GPT-6 Astra

具身智能通常分为两段式系统：System1 为快系统，类比人类小脑，负责高速、低延迟的环境感知和动作执行；System2 为慢系统，类比人类大脑，负责任务理解和规划，是通用大模型的优势领域。当前，行业普遍以一套通用模型同时承担快慢两套系统、仅通过调整参数量进行区分。小鹏研发人员表示，模型训练需要从第一性原理出发，以验证快系统的执行动作的成功率为目的是最直接的。GroundingPI 在上游加强感知能力，下游保留原生动作学习器，不替代 System2 的通用大模型能力，而是为 System1 提供感知原生底座，并为快系统的预训练设计提供方法指导。    

该研究目前处于科研原型阶段，但其实验设计本身已经指明在具身领域的落地方向，目前仿真结果已经直面在量化部署中核心的两个问题：第一，显著降低示教成本。机器人每完成一个新任务通常都需要人工采集千百条示教数据，以 GroundingPI 为视觉底座的系统仅用 50% 示教数据即超过对比模型使用 75% 数据的成功率，其机制在于，它直接承担传统 VLA 模型中学习“物体在哪”的这个工作。这意味着实际部署中，同等成功率目标之下所需要的人工示教量能够大幅降低。第二，带来更强的场景泛化性。当前机器人落地的一个痛点是，切换到另一个空间/换另一个物体之后，之前已经会做的事情就不会做了。而 GroundingPI 所具备的感知力可以让机器人在应对材质变化、物体品类变化、容器变化、背景变化等不同现场变量时，都能够保持极强的稳定性，不因环境变化而影响执行性能。在仿真环境的散料分拣、料箱清点等高密度场景中，GroundingPI 的系统能够分类抓取同类工件，快速对应物品形态。这也为“一套权重跨工位复用”提供了实验支撑。

GroundingPI 是小鹏集团构建物理 AI 体系的一块重要拼图，为模型预训练提供了新的思路和方向，其对于数据与算力的双重要求，使得这一路线在行业内具有相当的稀缺性。相关代码、模型权重已经完成全面开源，欢迎业界共同探讨与验证。