不只是會做菜的機器人：Mobile ALOHA 給 Embodied AI 最重要的一堂課——資料效率

史丹佛大學團隊推出的 Mobile ALOHA 機器人，最近在社群上掀起一陣旋風。它不僅能自主炒菜、擦桌子，甚至還能搭電梯，展現了令人驚嘆的複雜任務能力。然而，我認為這項研究最值得我們深思的，並非這些酷炫的技能本身，而是它為通用型智慧體（Agent）的發展，揭示了一條更務實、更高效的路徑。Mobile ALOHA 的核心貢獻在於證明：當前 Embodied AI 的真正瓶頸，往往不在於模型不夠大或硬體不夠強，而在於如何用有限且高成本的互動資料，來取得更強的泛化能力。透過巧妙的「共訓練」（Co-training）策略，Mobile ALOHA 成功利用既有的靜態資料集，將新任務的學習成功率提升了最高 90%。這對所有正在打造 AI Agent 的團隊來說，無疑是一記關於資料效率的關鍵啟示。

為什麼 Embodied AI 的資料挑戰，遠比語言模型更棘手？

在大型語言模型（LLM）的世界裡，資料似乎是取之不盡的。網路上數以兆計的文本、程式碼與對話，為模型提供了豐富的養分。然而，當我們將目光轉向物理世界，為機器人或 Embodied AI 收集高品質的訓練資料，卻是一項成本高昂且極度耗時的工程。每一個動作、每一次互動，都牽涉到多重挑戰：

• 高昂的硬體成本： 機器人本體、感測器、運算單元，每一套都是不小的投資，且維護不易。
• 緩慢的收集速度： 資料收集無法像爬取網頁一樣大規模平行化。它必須在物理世界中即時（real-time）進行，一個動作接著一個動作，效率極低。
• 脆弱的物理互動： 機器人可能會損壞，任務也可能因環境變數而失敗。每一次失敗，都意味著時間與寶貴資源的耗損。

這種「資料饑渴」與「資料昂貴」的矛盾，是 Embodied AI 領域長期以來的核心痛點。單純追求更大規模的真實世界互動資料集，不僅不經濟，也難以規模化。因此，如何提升資料的利用效率，成為比單純堆疊算力或擴大模型規模更根本的問題。

Mobile ALOHA 如何用低成本硬體，撬動高難度任務？

Mobile ALOHA 的設計本身就體現了對成本與實用性的深思熟慮。整個系統建立在一台移動底盤和一個雙臂操作平台之上，總成本控制在 $32,000 美元左右，這在研究級機器人中，已屬相對親民的範疇。操作者可以透過全身遙控（whole-body teleoperation）的方式，親自「示範」如何完成任務，系統則會記錄下這些寶貴的示範資料，用於後續的模仿學習（Imitation Learning）。

透過這種人機協作的方式，研究團隊成功讓 Mobile ALOHA 學會了數十種複雜的家務任務，例如開關櫥櫃、清洗用過的平底鍋、將椅子歸位等。這些任務不僅需要精細的雙手協調，更需要全身的移動與定位能力，是傳統固定式機器手臂難以企及的。然而，如果故事只到這裡，Mobile ALOHA 頂多算是一個優秀但仍舊依賴大量資料收集的專案。它真正的突破，在於如何巧妙地處理這些來之不易的示範資料，這也正是其「共訓練」策略的精髓所在。

共訓練（Co-training）如何成為提升泛化能力的關鍵？

這正是 Mobile ALOHA 論文的精華與巧思所在。研究團隊為每個新任務只收集了極其有限的 20 到 50 次示範。對於訓練一個能穩定執行的深度學習模型來說，這個資料量顯然是遠遠不夠的。直接用這些稀疏的資料進行訓練，模型的表現非常不穩定，成功率也極低。

他們的解決方案，正是巧妙的「共訓練」策略。他們將新收集到的、帶有「移動」性質的 Mobile ALOHA 資料，與一個現有的、更大規模的「靜態」資料集——來自前代固定式機器人 ALOHA 的資料——混合在一起進行訓練。這個靜態資料集包含了大量精細的雙手操作任務，例如剝蝦殼、掛衣服等，但缺乏移動能力。

結果令人驚艷：透過與靜態資料的共訓練，Mobile ALOHA 在新任務上的成功率平均提升了 50%，在某些任務上甚至提升了高達 90%。這背後的直覺非常清晰：

• 靜態資料 教會了模型「如何操作」：例如，如何精準地抓取物體、如何協調雙臂。這些是通用的底層操作技能。
• 移動資料 教會了模型「在哪裡操作」：例如，如何從客廳移動到廚房、如何調整身體姿態以配合操作檯的高度。這些是高層次的任務脈絡與空間理解。

這種策略，讓模型得以從大規模的既有靜態資料中學習到穩固的底層表徵（representation），再用少量的新移動資料來快速適應高層次的任務流程與環境變化。這不僅大幅提升了資料效率，也顯著增強了模型的泛化能力。值得一提的是，其採用的 ACT (Action Chunking with Transformers) 等模仿學習演算法，也為這種端到端的學習提供了有效的模型架構。

從資料效率到 Agent 泛化的下一步

Mobile ALOHA 的成功，為我們思考 AI Agent 的發展路徑提供了寶貴的視角。過去，我們常常陷入一種迷思，認為通往通用智慧的道路，就是不斷擴大模型規模和訓練資料量。然而，這項研究清晰地提醒我們，聰明的「資料策略」可能比單純的「資料規模」更為關鍵。

我認為，這對整個 Agent 系統的設計與實踐，帶來了幾個重要啟示，值得所有開發者與決策者深思：

1. 善用遺留資料（Legacy Data）： 幾乎所有組織都坐擁大量「靜態」的歷史資料，例如操作日誌、螢幕錄影、API 呼叫記錄等。與其從零開始為新的 Agent 任務收集資料，不如積極思考如何設計共訓練或遷移學習的策略，讓 Agent 從這些現有資料中學習基礎能力，實現「舊資料新用」。
2. 分層學習與技能分解： 將複雜任務分解為底層的通用技能（如 Mobile ALOHA 中的「抓取」）和高層次的任務規劃（如「移動到廚房」），並針對性地使用不同來源的資料進行訓練，是一條極具潛力的路徑。這也與 Google 的 RT-2 或更廣泛的 Octo 這類通用機器人模型所探索的方向不謀而合，預示著未來 Agent 系統的設計趨勢。
3. 人機迴圈的價值轉移： 人類示範的價值，不應僅僅是提供模仿的樣本，更關鍵的是提供模型難以從靜態資料中學到的「高層次意圖」與「任務脈絡」。這意味著我們應該將寶貴的人力，投入到更具指導性、更智慧化的資料標註與示範上，讓人類智慧發揮最大效益。

總結來說，Mobile ALOHA 不只是一個會做菜的機器人。它是一份關於如何在資料受限的現實世界中，打造高效率、高泛化能力智慧體的務實藍圖。對於所有致力於建構無論是實體或虛擬 AI Agent 的開發者與產品經理而言，這堂關於資料效率的課，或許比追逐下一個 SOTA 模型來得更加重要且根本。

我是江中喬，一位具有 TPM 與產品管理背景的 AI 系統建構者，目前專注於 AI 認知增強系統與多 Agent 協作架構的設計與實踐。