HOMIE Gen2 发布：为具身智能补上经验课

8 月中旬，南洋理工大学副教授、Ropedia 首席科学家刘子纬在新加坡一场公开演讲中抛出一个问题：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——它从未真正冲过一杯咖啡，自然也不知道该怎么做。”

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不成。能听懂、能想象，就是做不好。这道裂缝正卡着整个具身智能行业。

就在这场演讲之后不久，Physical AI 公司 Rodepia 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 380 克的头戴设备上：让 AI 从人类真实行为中，补上缺失已久的经验。CEO 陈昭熹有个形象的说法：学做一道菜，只看别人做的视频，可能知道成品长什么样；但亲手做过，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。

从“看见世界”到“经历世界”

HOMIE Gen2 背后的思路，可以追溯到刘子纬更早的研究。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。模型要回答的不是“画面里有什么”，而是“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”。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。

除了时间，他还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。他称之为“延迟约束下的智能”：数字智能只需要答对，Physical AI 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：Physical AI 需要的，不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。

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。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 的基本单元是完整的经验片段，回答“如果我这样做，会发生什么，下一步该怎么办”。

Ropedia 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；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。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。

Ropedia 将这一趋势概括为 Human Experience Scaling Law：机器人能力随着高质量人类经验的规模化而提升。人类不是要被过滤掉的噪声，而是最能理解物理世界的老师。业内进展也验证了这一点：Generalist AI 发布的具身基础模型 GEN-1.5 展示了物理提示（physical prompting）——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，单次演示平均成功率约六成。公开研究同样显示，即便只用单摄像头第一视角视频，从两万小时堆到百万小时，规模定律始终成立。竞争的焦点，正从“能不能采到”转向“采得够不够完整”。

一份答卷：HOMIE Gen2

要把这样的经验真正记录下来，HOMIE Gen2 从三个关键词出发：

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：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%。

硬件本身也为“随时随地采经验”做好了准备：不需要外部布置，可以在家庭、工厂、商场等开放环境里全天候工作。部署速度比上一代快约 10 倍，采集成本降到约 1/12.5。一台约 380 克、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。

全栈基础设施：一台设备，三层系统

刘子纬认为：“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，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。CEO 陈昭熹把它称作“物理世界进入数字世界的入口”。

真正把经验变成可规模化生产的数据资产，靠的是一整套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。模型层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。