11月初，小鹏联合北京大学、香港大学等高校团队发布了一项具身感知基座模型的研究成果，名字叫GroundingPI。参数规模约40亿，在34项公开感知基准的综合评测里排到第一，机器人仿真任务中还表现出更高的数据处理效率和更强的场景泛化能力。数字不算炸裂，但方向值得琢磨——它没有堆动作数据，而是把“看懂画面”这件事单独拎出来做。
为什么先练感知，而不是先练动作
研究团队给出的判断很直接：具身智能的第一步不是学会抓取，而是知道目标在画面的哪个位置。模型要是定位不准，学再多动作知识也落不了地。所以GroundingPI在训练阶段完全不用带关节动作标签的机器人数据，全部采用纯感知数据，覆盖通用检测、密集小目标、指代定位、文字识别、文档版面、界面元素、机器人空间定位等11类能力。
举个例子，让它找“右边那个杯子的把手”，它得用点或边界框把杯子和把手标出来。只回答“图里有杯子”远远不够，语言里的目标必须落到画面中的具体区域。Grounding对应视觉定位，PI是Physical Intelligence的缩写，名字本身就说明了取舍。
两个仿真结果，指向部署成本
目前这项研究还在科研原型阶段，但实验设计已经指向落地时最疼的两个问题。第一是示教成本。机器人每学一个新任务，通常要人工采集千百条示教数据；以GroundingPI为视觉底座的系统，只用50%的示教数据就超过了对比模型用75%数据的成功率。机制不复杂——它把传统VLA模型里“物体在哪”这部分活接了过去，同等成功率目标下，人工示教量能大幅压缩。
第二是泛化性。机器人落地有个老毛病：换个空间、换类物体，之前会做的事就不会了。GroundingPI的感知力让系统在材质、品类、容器、背景发生变化时保持稳定。仿真环境里的散料分拣、料箱清点这类高密度场景中，它能分类抓取同类工件，快速对应物品形态。这为“一套权重跨工位复用”提供了实验支撑。
对算力部署意味着什么
换个角度看，感知优先路线对基础设施的影响是双向的。一方面，40亿参数在基座模型里算轻量，训练和推理的门槛没有百亿千亿模型那么吓人；另一方面，感知数据本身是密集的图像与标注，数据吞吐、预处理、仿真并行对存储和GPU利用率的要求并不低。科研阶段可以靠共享集群凑合，真往产线仿真和批量评测走，机器的稳定性比峰值算力更要命。
如果是高校实验室或小团队做类似的原型验证，海外物理服务器是比较务实的选择。整机独享，不用担心邻居抢卡，长时间跑仿真和批量基准测试时I/O和网络抖动更可控，成本也比按量计费的弹性实例好预算。新酷云的物理服务器支持按需选配，适合这种“任务周期长、负载持续”的科研场景。
要是团队同时维护多个模型版本的文档、评测页面和数据集索引，站群服务器能把多站点管理收拢到一台机器上，省去逐台维护的麻烦。而涉及公开数据集下载、对外提供演示接口的项目，被扫描和流量攻击是常事，高防服务器在链路层做清洗，比事后封IP从容得多。
别急着追跑分
需要泼一点冷水：34项基准第一是综合评测的结果，科研原型和产线部署之间还隔着工程化的一整段路。示教数据减半很有价值，但真实工位的标定、节拍、安全冗余，仿真里替代不了。选服务器也一样，先想清楚是训练、推理还是仿真评测，再决定要不要为高主频和大显存买单，别被跑分带着走。