Scaling Law（扩展法则）是大语言模型能力的核心支撑——模型规模越大、数据越多，性能越好。这一法则能否在机器人领域成立，是决定人形机器人智能化路径的关键问题。民生证券研报指出，1X世界模型首次在机器人上证明了Scaling Law的存在——随着数据、计算和模型规模的增加，机器人在认知和行为上的能力显著提升。字节跳动GR-2同样验证了这一法则，更大参数模型展现出更低的验证损失和更强的泛化能力。Scaling Law的验证意味着机器人智能的提升路径变得可预测、可计算。本文将深度解析Scaling Law在机器人领域的验证过程与深远意义。
1X世界模型：首证Scaling Law，机器人能力随规模提升
1X世界模型是首个在机器人领域证明Scaling Law的研究。该模型从数千小时EVE人形机器人在家庭和办公室环境中执行各种任务的原始传感器数据中直接学习，构建能够预测世界如何响应机器人动作的模拟器。研究人员将视频和动作数据结合训练世界模型，使其能够根据观察和动作预测未来的视频。1X的进展首次在机器人上证明了扩展法则：随着数据、计算和模型规模的增加，机器人在认知和行为上的能力必将显著提升。这一验证具有里程碑意义——如果Scaling Law在机器人领域成立，那么只需要搭建好算法框架并不断收集数据，机器人能力就会持续提升，AGI的路径变得更加清晰。1X模型通过大量真实数据学习，能够预测复杂物体互动、理解周围环境，并灵活应对日常任务。
表：1X世界模型核心突破| 突破维度 | 具体内容 | 意义 |
|---|
| Scaling Law验证 | 首次在机器人领域证明 | 能力提升路径可预测 |
| 训练数据 | 数千小时EVE机器人真实数据 | 家庭/办公室环境 |
| 核心能力 | 预测物体互动、理解环境 | 灵活应对日常任务 |
| 技术路径 | 从原始传感器直接学习 | 构建世界模拟器 |
GR-2：更大模型更低验证损失，Scaling Law实证验证
字节跳动GR-2是另一个在机器人领域验证Scaling Law的重要研究。GR-2在3800万个互联网视频片段上进行生成式预训练，涵盖人类在不同场景下的各种日常活动。研究团队对比了四种不同规模的模型（GR-2 S、GR-2 B、GR-2 L、GR-2 XL），在预训练过程中，视频预测的验证损失随着模型大小的增加而减小。以150k预测迭代为例，最小的GR-2 S验证损失为5.54单位，而最大的GR-2 XL验证损失降至5.38单位。更大的模型不仅能够处理更多复杂任务，在泛化到未见过的任务和场景时也表现更出色。这一实证结果验证了Scaling Law在机器人领域的普适性——模型参数规模提升直接转化为性能改善。GR-2在各场景端到端测试中，未见场景拣选任务成功率从33%提升至79%，在CALVIN基准测试中大幅超越五种最先进基线方法。
Scaling Law在机器人领域的应用逻辑
Scaling Law在机器人领域的应用逻辑与大语言模型一脉相承。从计算理论角度看，联合压缩多模态数据理应获得比单模态更好的理论最优压缩器——“预测即压缩、压缩即泛化、泛化即智能”。对于所有模态，其服从的Scaling Law是：随着数据规模的提升，模型表现也会随之提升。如果法则正确，那么要使模型更好，只需搭建好算法和框架，不断收集数据即可。民生证券研报指出，一旦证明Scaling Law的存在和有效性，就可以预测模型性能与规模的关系，投入恰当规模的数据集，使计算资源更高效应用。多模态模型变得更加可预测和可计算，其不确定性极大降低。这为机器人领域的投资和研发提供了清晰的方向——数据和算力投入的回报可预期。
Scaling Law验证对机器人产业的意义
Scaling Law在机器人领域的验证具有三重深远意义。第一，投资确定性提升——Scaling Law使机器人能力提升路径变得可预测，投资者可以根据数据规模和算力投入评估企业进展，行业不确定性降低。第二，数据成为核心壁垒——既然Scaling Law成立，谁能获取更多高质量的真实机器人操作数据，谁就能训练出更强的模型。特斯拉拥有数百万辆汽车的道路数据、1X拥有数千小时EVE机器人数据，这些数据资产成为最核心的竞争壁垒。第三，合成数据价值凸显——真实数据采集成本高昂，合成数据生成成为补充数据规模的关键手段。英伟达MimicGen能从少量人类演示自动生成5万条数据，Robocasa通过模拟环境生成超10万条轨迹，合成数据将加速Scaling Law的兑现。1X和GR-2的研究共同表明，机器人智能的提升将遵循可预测的规模化路径，AGI的“机器人时刻”正在加速到来。
