AI 读过一切，却没经历过任何事：Ropedia 发布 HOMIE Gen2，给具身智能补「经验」这一课

AI 缺的不是更大模型，而是真实世界的完整经验。

编辑丨李希

8 月中旬，新加坡的一场公开演讲上，南洋理工大学副教授、Ropedia 首席科学家刘子纬抛出了一个问题：为什么读过整个互联网的 AI，进了物理世界，却连一杯咖啡都冲不好？

他的回答是：“AI 读过一切，却几乎没有经历过任何事情。它从未真正冲过一杯咖啡，自然也不知道该怎么做。”

刘子纬教授在新加坡演讲的现场照片

这种分裂在今天的 AI 身上随处可见：感知模型能把冲咖啡的教程讲得头头是道，生成式模型能合成一段以假乱真的冲咖啡视频；可一旦真的伸出机械臂，同样的智能常常连一次可靠的抓取都完成不了。能听懂，能想象，就是做不好。这道裂缝，此刻正卡着整个具身智能行业。

AI 科技评论了解到，就在这场演讲之后不久，由联合创始人兼CEO陈昭熹与联合创始人兼CTO洪方舟共同创办的 Physical AI 公司Ropedia，正式发布了新一代多模态采集系统HOMIE Gen2。这套关于“经验”的判断，最终落到了一台约 380g 的头戴设备上：让 AI 从人类真实行为中，补上它缺失已久的“经验”这一课。对于这台设备要做的事，CEO 陈昭熹有一个很形象的说法：“学做一道菜，只看别人做的视频，可能知道最后成品长什么样；但真正亲手做过，才会知道什么时候下锅、该用多大力、食材发生了什么变化。”HOMIE Gen2要做的，就是把这些真实操作中的动作、时机和环境变化完整记录下来，让机器人学到的不只是结果，还有过程。

Ropedia 发布 HOMIE Gen2

01

从“看见世界”到“经历世界”

HOMIE Gen2 背后的“经验”思路，其实可以追溯到刘子纬教授更早的研究之中。

他的团队做过一个名为 EgoLife 的项目：六个人共同生活七天，录下约五十小时的第一视角视频，并同步了外部视角、音频、视线与动作。模型要在这些数据里回答的，不是“画面里有什么”，而是一些更接近生活本身的问题：那罐咖啡豆昨天被谁挪去了哪里？上一次冲煮为什么失败？用他的话说，这是在为物理世界构建“记忆层”。在他看来，真正的 Physical AI 要能跨越数小时、数天甚至不同的人去推理，这是语言模型从未面对过的时间尺度。

刘子纬教授团队的 EgoLife 项目，发表于 CVPR 2025

除了时间之外，他还反复强调另一个常被忽略的约束：行动。今天的 AI 可以慢慢想，物理世界却不会停下来等模型想完。“物理智能，是延迟约束下的智能。”这句话划出了具身智能与数字智能的分界线：后者只需要答对，前者必须在毫秒之间答对。

跨越时间的记忆、延迟约束下的行动，两条线索指向同一个结论：机Physical AI需要的，不再只是关于世界的描述，而是真实发生在物理世界中的完整经验。

02

什么才算“人类经验”

每一代AI系统都从不同的数据基本单元中学习，学习来源定义了智能的上限。感知 AI 把像素变成标签，回答“那里有什么”；生成式 AI 把提示词变成内容，回答“它可能是什么样子”；Physical AI 的基本单元则是一个完整的经验片段，它把行动、后果和下一次行动串在一起，回答“如果我这样做，会发生什么，下一步该怎么办”。

基于这一判断，Ropedia 进一步给“经验”划出了明确的边界：视频不是经验，RGB、动作捕捉、深度中的任何单一模态都不是，把它们简单叠在一起也不是；只有当动作、意图、环境、时序上下文与多模态信息同时在场、互相对齐，一段记录才配得上这个词。

Ropedia HOMIE GEN2 Demo

换一个角度说：语言模型学的是人类写下来的东西，Physical AI 要学的，是人类做了什么、世界如何回应、接下来又发生了什么。文字可以被爬取，经验却必须在真实世界中发生。

在此基础上，Ropedia进一步将这一趋势概括为Human Experience Scaling Law：机器人能力，将随着高质量人类经验的规模化增长而持续提升。经验从哪来？“人类不是要被过滤掉的噪声，而是最能理解丰富的物理世界的老师。”刘子纬教授这样认为。

业内的最新进展，也验证了这个判断。Generalist AI 刚发布的具身基础模型 GEN-1.5 展示了 physical prompting（物理提示）：把几秒钟的人类演示放进上下文，机器人不经重新训练就能上手新任务，并且单次演示的平均成功率约六成，这意味着：人类经验，可以直接成为模型的输入。

事实上，“从人身上采集数据”这条路线的有效性早有共识：公开研究显示，即便只用单摄像头的第一视角视频，从两万小时堆到百万小时，规模定律始终成立。当然，这只是"经验"的最低配，既然最低配已然有效，那么上限就看谁采得完整。竞争的焦点，正从「能不能采到」转向「采得够不够完整」。

03

一份答卷：HOMIE Gen2

要把这样的“经验”真正记录下来，HOMIE Gen2 从这三个关键词出发：

•沉浸式人类经验：设备用 4 目全景实现 360° 覆盖，外加 4 路空间音频，把人看到的、听到的、身处的环境一次收齐；多台设备还能同步作业，从不同的人、不同的视角记录同一个场景。

•丰富的多模态理解：设备把十余种模态压进同一时间轴、同一坐标系，多传感器同步精度做到 50µs。这意味着任何一帧画面，都能找到与它严格对应的动作、深度与标注。

•开箱即用的高精度训练级数据，交付物必须开箱即用。据 Ropedia 基于金标准样本集的测试：空间定位平均相对误差约千分之二，手部 21 关键点动捕平均误差 4.68 mm，深度范围误差低于 2.5%，动作语义标注准确率 96.0%。

HOMIE Gen2 “沉浸式”采集人类经验

更关键的变化是 HOMIE Gen2 硬件本身为“随时随地采经验”做好了准备：不需要任何外部布置，可以在家庭、工厂、商场等开放环境里全天候、自然地工作，多传感器之间的同步精度达到 50µs。据 Ropedia 介绍，它的部署速度比上一代方案快约 10 倍，采集成本降到约 1/12.5。这样一台约 380g、可连续采集约 13 小时的设备，承担的是整套体系最前端的一环：尽可能完整、准确地把真实世界中的人类经验记录下来。

04

全栈基础设施：

一台设备，三层系统

刘子纬教授认为：“如果经验是稀缺资源，那么就必须有人把它工业化。” 对 Ropedia 来说，这件事的起点不是模型，而是采集。采集那一刻丢掉的信息，后续任何算法都补不回来，因此硬件成为整套体系最先要解决的一环。联合创始人兼 CEO 陈昭熹把它称作“物理世界进入数字世界的入口”。

但真正把经验变成可规模化生产的数据资产，靠的不只是一台设备。在Ropedia的体系里，这是一整套会自我演进的基础设施，自下而上分为三层：硬件采集经验，数据基础设施加工经验，模型理解经验并反哺整个系统，最终以 Xperience Dataset 的形式向客户交付。

在这三层里，硬件是入口；数据基础设施用智能体驱动的流水线，把处理从手工调参推进到自动化；模型层则在自有数据上训练统一多模态模型，既自动标注新流入的经验，也部署回硬件，为下游策略模型提供能力。

Ropedia 自研的自我演进基础设施

这套流程已经有了可观察的产出。此前发布的Xperience-10M，包含约 1,000 万个真实世界交互片段、1 万小时带音频的第一视角视频，总规模接近 1PB。按照 Ropedia 的设计，数据交付也不是这条链路的终点：模型在训练中暴露出的能力缺口，会反过来影响下一轮采集什么、如何采集，让采集、处理与模型训练形成持续反馈。

过去十二个月，这个硬件更迭了四次，而四代硬件其实在解决同一个问题：从“能够采到经验”，走到“能够稳定、规模化地生产经验”。3D 打印的原型机“竹蜻蜓”验证了采得到；第二代 R-Ego 卖出了第一台，证明了可商业化的路径；Gen1 走向产品化，撑起了 Xperience-10M 的发布；今天的 Gen2 完成规格与佩戴系统的整体升级，让人类经验的大规模工业化生产成为可能。这个品类的想象空间，也远不止于采集。CEO 陈昭熹在近期访谈中提到，HOMIE 的形态在未来几代还会继续演化，但核心能力不变：一台随身的可穿戴 AI 助手，随时随地帮助人类理解身边的世界。据 AI 科技评论了解，这家公司至今已服务超过 20 家全球机器人及基础模型团队。

在那场演讲的结尾，刘子纬教授给行业留了一句话：“不要只是构建更大的大脑，而要构建更好的经验闭环。”过去二十年，互联网把人类知识数字化，喂出了大语言模型；Ropedia 押注的是下一个二十年：把人类经验数字化，喂出真正能做事的机器。

未经「AI科技评论」授权，严禁以任何方式在网页、论坛、社区进行转载！

公众号转载请先在「AI科技评论」后台留言取得授权，转载时需标注来源并插入本公众号名片。