答案已發布19 個來源
智元 GE-Act 2.0 的 3 萬小時實驗，真正證明了什麼？
智元報告指出，GE Act 2.0 的具身操作訓練資料從 300 小時擴大 100 倍至 3 萬小時後，G1 OP 的真機零樣本成功率由 17.1% 升至 44.1%，G2 90D 則由 13.4% 升至 31.1%。 模型的可訓練視覺生成與動作模組皆從隨機初始化開始，直接以操作資料訓練；架構結合視覺規劃與逆動力學，以產生可執行的機器人動作。
發布者使用 GPT-5.6 Terra 編輯圖片由 GPT Image 2 生成
研究答案
重點整理
- 智元報告指出，GE Act 2.0 的具身操作訓練資料從 300 小時擴大 100 倍至 3 萬小時後，G1 OP 的真機零樣本成功率由 17.1% 升至 44.1%，G2 90D 則由 13.4% 升至 31.1%。
- 模型的可訓練視覺生成與動作模組皆從隨機初始化開始，直接以操作資料訓練；架構結合視覺規劃與逆動力學，以產生可執行的機器人動作。
- 最值得注意的結果不只是平均成功率提高，也包括原先完全失敗的毛巾折疊、杯子套疊等細緻操作開始出現成功案例，以及跨不同機器人本體的遷移跡象。
AI 提示詞
openai.comCreate a landscape editorial hero image for this Studio Global article: What is AgiBot’s GE-Act 2.0 native world-action model, and how do its random-initialization training approach, 100-fold embodied-data scalin. Article summary: GE-Act 2.0 is AgiBot’s “native” world–action model: its visual representation, future-state generation, and action-prediction components are trained from random initialization on manipulation data, rather than adapting a. Topic tags: general, general web, user generated, academic. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, char
GE-Act 2.0 是智元（AgiBot）試圖從頭打造的「世界—動作模型」（world–action model）。它不是把已用網路影片預訓練的通用影片模型套用到機器人，而是讓可訓練的視覺、未來狀態生成與動作模組，都從隨機初始化開始，以具身操作資料進行預訓練。
這項研究最核心的說法，不只是「資料越多，表現越穩」，而是：當訓練資料由 300 小時擴大到 3 萬小時，一些原本無法完成的細緻操作開始出現成功結果。17
這是值得關注的研究結果，但也需要精準解讀。證據來自智元在兩種機器人本體、100 項原子操作任務上的評測；它並不表示 GE-Act 2.0 已能自主應付任意家庭、工廠環境，或直接適用於所有機器人硬體。
核心概念：先預測有用的未來，再朝它行動
世界—動作模型要把感知、預測與控制串在一起。若收到「把某個物件放到指定位置」的語言指令，系統必須辨識眼前場景、預測成功完成後應呈現的近未來狀態，並輸出能實現該狀態的馬達控制指令。
依論文說明，GE-Act 2.0 將工作拆成三個部分：
- 控制導向自編碼器（CoAE）：壓縮視覺輸入，但保留與指令及機器人動作有關的資訊。
- 單步視覺規劃器（SVP）：以一次可微分推論產生一個完成任務所需的未來視覺狀態，而非反覆進行很長的影片推演。
- 逆動力學模型（IDM）：根據當前狀態與規劃後的未來狀態，推回可實際執行的機器人動作。
17
智元將其訓練方法稱為 Knowledge-Aligned Selective Optimization（KASO，知識對齊選擇性最佳化）。論文將它描述為一種協調視覺規劃與動作學習模組的方式，讓兩者可利用互補資料分別預訓練。17
團隊另稱，在單張 RTX 5090 上，每段動作區塊推論需 104 毫秒。這個數字的重要性在於：操作策略必須持續觀察、反應；若下一個控制指令產生得太慢，即使規劃畫面看起來合理，也難以用於實際操作。5
「從零訓練」指的是什麼？
不少機器人學習系統會先使用大量圖片或網路影片訓練好的模型。GE-Act 2.0 則讓可訓練的生成與動作元件從零開始，直接以操作資料訓練。17
因此，這項擴展實驗聚焦於一個相對清楚的問題：增加的具身資料——也就是與實體互動及動作相連的資料——是否會系統性改善機器人的操作能力？它衡量的不是既有網路影片基礎模型所帶來的效益。
研究所述的訓練配方可納入不同資料型態，例如機器人遙操作軌跡、人類第一視角影片、未標註的執行軌跡資料，以及失敗資料。這點相當關鍵，因為高品質機器人示範的蒐集成本很高；若系統能從不完美、僅部分標註的互動資料中學習，資料蒐集的可行性可能提高。6
20
100 倍資料擴展：實驗怎麼做？
智元以 300、1,200、5,000 與 30,000 小時的操作資料，分別訓練模型版本；起點到終點相差 100 倍。4
17
主要評測採用真機零樣本（zero-shot）設定，條件包括：
- 100 項原子操作任務；
- 20 類技能；
- 未見過的場景、背景、光照條件與物件實例；
- 兩種機器人本體：G1-OP 人形機器人與 G2-90D 移動式操作機器人；
- 評測任務不做針對性微調、不提供示範，也不更換模型。
4
在這套流程下，報告中的整體成功率隨資料規模提高而上升：
| 機器人本體 | 300 小時成功率 | 30,000 小時成功率 |
|---|---|---|
| G1-OP | 17.1% | 44.1% |
| G2-90D | 13.4% | 31.1% |
最直接的結論是：在這個模型與任務分布下，更多具身資料與更高的零樣本操作成功率存在明顯關聯。研究報告也指出，5,000 至 30,000 小時之間的曲線尚未出現明顯飽和，因此作者認為繼續擴展資料可能仍有幫助。5
為何「技能點亮」比平均分數更受矚目？
平均成功率上升，可能只代表機器人原本會做的事變得更穩定。但智元主張，較大的模型—資料規模還出現更強的現象：成功率非零的任務數量增加。
以 G1-OP 為例，訓練資料由 300 小時增至 3 萬小時時，100 項原子任務中曾成功完成的項目數，從 39 項增至 76 項。4
報告列舉的例子包括：
這就是論文所謂的「點亮」效果：在報告的試驗裡，擴展資料不只讓既有技能執行得更好，也使一些在較小資料規模下失敗的細緻任務，能在零樣本設定下首次完成。
不過，「點亮」不應被解讀為突然證明了通用智慧。它描述的是有限基準測試內觀察到的任務覆蓋變化。這種模式是否也會出現在更多樣的物件、更長時間跨度的工作、安全關鍵場景，或全新的機器人設計上，仍有待驗證。
G2-90D 的結果：跨本體遷移有跡象，但不是硬體通吃
G2-90D 是這項研究中檢視跨本體遷移的證據。智元稱，這款輪式移動操作機器人在共同訓練資料中的占比不到 2%，但其整體成功率在小資料與大資料條件間增加了 17.7 個百分點。3
17
這表示，至少有一部分已學到的視覺與動作相關結構，可以在不同機器人身體之間共享。對於未來不必為每一台機器都從頭重建策略，這是正面訊號。
但這並不能證明機器人智慧已經與硬體無關。現有證據只涵蓋兩種受測本體及研究採用的任務分布；此外，G2-90D 在共同訓練資料中仍有一定比例，因此這不是對任意新機器人「零資料遷移」的驗證。
GE-Act 與 GE-Sim 的關係
GE-Act 隸屬於智元更廣泛的 Genie Envisioner（GE） 平台。該平台被描述為在同一套影片生成框架中整合機器人策略學習、評估與模擬。18
在這個架構裡，GE-Act 偏向產生動作的部分；GE-Sim 則是世界模擬元件，目標是生成受動作條件控制的推演結果，用於評估與開發。18
19
兩者的區分很重要：GE-Act 2.0 的主打結果，來自實體機器人的零樣本測試。GE-Sim 或許是整個平台的相關基礎設施，但它不是「模型未經任務微調與評測示範，即完成所報告真實操作任務」這項核心主張的直接依據。
微調基準成績，是另一類結果
智元也公布了微調後在模擬導向基準上的結果：GE-Act 2.0 在 RoboTwin 未見環境測試的成功率為 60.52%，在 GenieSim 指令遵循項目獲得 0.770 分；後者據報高於比較中的 π0.5 與 GR00T N1.7。20
這些結果可作為適應能力與基準表現的參考，但回答的是不同問題。微調後的基準分數，不能拿來當作模型在沒有任何任務特定調整下，也具備同等能力的證據。
實際該如何看待這項成果？
GE-Act 2.0 的看點，在於它檢驗了具身 AI 中一個簡單卻重要的命題：直接以操作資料訓練的世界—動作模型，是否會隨資料規模擴張而可預測地進步？
依智元公布的實驗，答案是肯定的。訓練集從 300 小時擴至 3 萬小時後，G1-OP 與 G2-90D 的零樣本成功率都有大幅提升；可成功的任務範圍變廣，而毛巾折疊、杯子套疊等細緻技能也在大規模條件下出現。3
4
17
較恰當的結論，比「通用機器人已實現」更收斂：GE-Act 2.0 提供了受控真機評測中的證據，顯示擴展具身操作資料能帶來新的、可量測的機器人能力。若要把它視為通往通用自主機器人的解方，仍需要獨立重現、更多硬體上的測試，以及更嚴格的長時程與安全性評估。
Studio Global AI
繼續深入研究
這個頁面包含附來源佐證的答案，你可以在 Studio Global 內繼續追問。
大家也會問
「智元 GE-Act 2.0 的 3 萬小時實驗，真正證明了什麼？」的簡短答案是什麼？
智元報告指出，GE Act 2.0 的具身操作訓練資料從 300 小時擴大 100 倍至 3 萬小時後，G1 OP 的真機零樣本成功率由 17.1% 升至 44.1%，G2 90D 則由 13.4% 升至 31.1%。
最值得優先驗證的重點是什麼？
智元報告指出，GE Act 2.0 的具身操作訓練資料從 300 小時擴大 100 倍至 3 萬小時後，G1 OP 的真機零樣本成功率由 17.1% 升至 44.1%，G2 90D 則由 13.4% 升至 31.1%。 模型的可訓練視覺生成與動作模組皆從隨機初始化開始，直接以操作資料訓練；架構結合視覺規劃與逆動力學，以產生可執行的機器人動作。
接下來在實務上該怎麼做？
最值得注意的結果不只是平均成功率提高，也包括原先完全失敗的毛巾折疊、杯子套疊等細緻操作開始出現成功案例，以及跨不同機器人本體的遷移跡象。