Physical Intelligence 发布 Pi API Beta，开放机器人基础模型微调与推理

发布

2026年10月13日

我们正通过 Pi API 测试版 提供最新模型，用于训练和推理。

部署机器人颇具挑战。除了确定合适的用例并构建合适的硬件外，开发者还需要足够智能的模型来执行手头的任务。诸如 π₀ 和 π_0.5 这样的通用机器人基础模型，为应对这一挑战提供了一条有前景的途径。它们提供了强大的物理知识和能力基础，大幅减少了适应新任务、新环境或新机器人所需的数据和工作量。但对其进行适配仍然需要机器学习基础设施、算力以及复杂的数据流水线，这些本身就困难重重。如果最新、最强大的机器人基础模型能够通过一个简单且现成的 API 适配到每个应用，那会怎样？

Pi API 为你做到了这一点。你上传数据，在我们管理的算力和基础设施上启动微调，并通过托管网关访问微调后的模型来运行推理。通过该 API 可用的最新模型已经为我们的合作伙伴提供了更数据高效的微调和更强的能力。由于 Pi 能够快速更新支撑该 API 的模型，我们计划继续提供对我们最新、最强大模型的访问。推出测试版是我们的第一步，旨在提供社区可以在此基础上构建的物理智能基础，并实现端到端自主。

为确保该 API 支持多样化的应用，我们试图回答两个关键问题。第一，我们的模型是否支持不同行业中广泛的应用和机器人硬件？第二，该 API 在多大程度上能让开发者轻松地迭代，以实现有用、实用的自主？

支持不同行业中广泛的应用

为了探索我们的模型能有多广泛的适应性，我们与部署机器人的公司紧密合作，为其应用构建自主系统。这些合作让我们能够验证我们的模型在不同任务、硬件和运行环境中的表现如何。

实现面向实用自主的独立迭代

在这些初步合作中，一个共同的模式浮现出来。挑战因任务而异：一件里外翻转的衣物、一种无法留在铲斗中的原料、一个落错位置的制造零件。但改进性能的流程却大致相同：收集演示、训练模型、在机器人上测试，并利用失败来决定接下来收集什么数据。我们构建该 API，是为了让开发者能够使用我们的最新模型自行运行这一迭代循环。

我们让少数几家公司提前使用了该 API，以测试他们能否自行改进自主能力。他们上手之快并开始取得进展，令我们印象深刻。他们的经历让你得以一窥用你自己的机器人和数据能做些什么。

上面展示的大多数应用，从日本到瑞士，再到美国各地的部署，都通过 API 使用云端托管的推理运行。这些早期部署涵盖了各种环境和任务，并凸显了需要改进的领域，包括部分场景下的网络连接挑战。

从反馈中改进

我们的模型被使用得越多，我们就越了解如何改进它们：通过理解当前模型在实际应用中的潜力和局限，我们可以让下一代模型具有更广泛的适用性，并在实现真正通用物理智能的道路上取得切实进展。但现实世界的任务范围极其庞大，要理解机器人可以完成的广泛任务，就需要让我们的模型能够用于这些任务。现实世界的机器人应用并不容易：无论是机器人建筑、机器人手术还是仓库自动化，每一项都需要一整家公司来攻克。如果每个这样的应用都需要从零开始解决物理智能问题，挑战将变得无法逾越。通过 API 开放我们的模型，我们加速了机器人生态系统的成长，并在此过程中加深了自身对物理智能的理解。

上面的例子表明，我们开发的模型可以用于真实、有用的应用，我们的合作伙伴能够使用 API 独立迭代策略并提升其任务的自主性。我们仍处于早期阶段，开发者的反馈将帮助塑造未来的版本。

如果您想参与测试版，请告诉我们您想构建什么。

如果您想帮助开发这项工作背后的模型和工具，我们正在招聘研究、基础设施、硬件、人员和运营方面的人才。