把「教机器人做事」变成一次托管调用：Physical Intelligence 开放 Pi API 测试版
三类基础模型、一万小时以上机器人数据、Apache 2.0 许可、本地推理 8GB 显存起步——但这次真正的新东西不是模型，是把「上传数据—训练—部署—评估」这条闭环做成了一个可调用的托管服务。
- 事件：Physical Intelligence 开放 Pi API 测试版，以托管方式向外部开发者提供微调与推理；中文侧报道见于 2026-10-15 20:31，原始公告为当地时间 2026-10-13。
- 模型底座：π0（基于流的视觉—语言—动作模型）、π0-FAST（FAST 动作分词器的自回归版本）、π0.5（以「知识隔离」方法提升开放世界泛化），均以 Apache 2.0 在 openpi 仓库发布。
- 算力门槛：三类模型均在超过一万小时机器人数据上预训练；本地运行仅需显存大于 8GB 的显卡，全量微调需 A100 / H100 级别。
- 闭环四步：上传数据 → 平台托管算力上启动微调 → 通过托管网关调用微调后模型驱动机器人 → 评估数据反哺下一轮迭代。
- 已披露案例：从 Utah 的自主重型机械到乳制品、餐饮与制造产线；早期试用中有团队仅用四天迭代就让双臂机器人完成去毛刺任务（单一信源，出自该公司口径的新增报道）。
- 判断：这次发布的重点不在模型能力，而在「谁来跑闭环」。当微调管线被托管，竞争重心会从「谁有更好的大脑」前移到「谁的硬件与场景数据更值钱」。
把这次的发布内容拆开，会看到三层东西。第一层是模型，π0、π0-FAST、π0.5 三类，本就以 Apache 2.0 在 openpi 仓库公开，这次没有换成闭源；第二层是算力，微调被搬到平台管理的资源上，开发者不需要自己准备 A100 或 H100 集群；第三层是网关，微调完的模型通过托管接口被调用，驱动机器人本体。
三层里，只有第二、三层是新的。判断：真正的变化是「谁来跑闭环」。过去一家机器人公司要从零搭训练管线、采购算力、维护版本，现在这部分被托管了；剩下的两家活是硬件和场景数据——恰好是很难外包的两件事。
| 模型 | 技术形态 | 被强调的能力 |
|---|---|---|
| π0 | 基于流的视觉—语言—动作模型 | 作为系列基座，承担通用操作策略 |
| π0-FAST | 采用 FAST 动作分词器的自回归版本 | 用自回归路线处理动作序列 |
| π0.5 | 以「知识隔离」方法训练 | 更强的开放世界泛化 |
算力门槛这一栏值得单独记下来：本地跑推理只需要显存大于 8GB 的显卡，全量微调才需要 A100 或 H100 级别。这条分界线其实是在告诉开发者——试玩很便宜，改模型很贵。而这个「贵」的部分，正是这次被托管掉的部分。
这条闭环看起来顺，但每一步都有需要问清的问题。第一步问的是数据归属与留存：上传的动作数据，平台方能否用于训练自己的基础模型？第二步问的是可复现性：同样的数据与超参，换一次运行会不会得到可用性不同的模型？第三步问的是末端覆盖：托管网关能不能覆盖到自家硬件与实时性要求，还是只能在实验条件下跑通？第四步问的是退出成本：一旦停用平台，微调出来的模型能不能带走、能不能在本地跑。
判断：这四个问题里，第三和第四最容易被忽略，却最影响长期成本。用站内 402 号稿总结过的「开源三问」来套——许可、显卡数、推理服务覆盖末端——托管服务恰好把第二问变得无关紧要，把第三问变得至关重要。前两问能省下来的钱，很可能在第三问上花回去。
开发者的收益：不用从零收集海量演示数据、不用搭训练管线，把精力集中在硬件与场景上。报道中提到的共同模式是「收集演示—训练模型—在机器人上测试—用失败决定下一步采集什么数据」。
平台方的收益：越多开发者上传数据、越多场景被覆盖，基础模型泛化越强，进而吸引更多开发者。开源权重建立社区信任，托管 API 锁定高价值的企业级微调需求。
这套结构在软件行业已经跑过一遍，「基础模型即服务」的云思路被复制到机器人领域并不意外。判断：对创业团队而言，短期这是划得来的——四天做完一个双臂去毛刺的迭代，如果属实，意味着验证成本被大幅压低。但中长期要盯住一件事：当通用大脑变成可按需取用的基础设施，机器人公司之间的差距就会收缩到硬件、数据与场景准入这三样上。这正是本篇把它归到「工具教程」而不是「产品发布」的原因——它改变的不是某一台机器人的能力，而是团队搭建能力的顺序。