摘要：想象一下，有一个机器人管家能够帮你做饭、整理房间、照顾宠物，甚至还能操作各种不同的设备——从咖啡机到洗衣机，再到复杂的工业机械。听起来像科幻电影对吧？不过，来自德国卡尔斯鲁厄理工学院直觉机器人实验室的研究团队刚刚让这个梦想离现实又近了一大步。

想象一下，有一个机器人管家能够帮你做饭、整理房间、照顾宠物，甚至还能操作各种不同的设备——从咖啡机到洗衣机，再到复杂的工业机械。听起来像科幻电影对吧？不过，来自德国卡尔斯鲁厄理工学院直觉机器人实验室的研究团队刚刚让这个梦想离现实又近了一大步。

这项由莫里茨·罗伊斯（Moritz Reuss）领导的研究团队发表于2025年首尔机器人学习会议（CoRL 2025）的突破性成果，开发出了一个名为FLOWER的机器人"大脑"。这个大脑的神奇之处在于，它不仅能让机器人理解人类的语言指令，还能控制各种不同类型的机器人完成复杂任务，而且运行时所需的计算资源比现有技术少了99%。有兴趣深入了解技术细节的读者可以通过论文链接https://intuitive-robots.github.io/flower_vla/获取完整研究资料。

要理解这项研究的重要性，我们可以把机器人想象成刚学会走路的孩子。传统的机器人就像只会做一件事的专才——扫地机器人只会扫地，工业机械臂只会焊接。而研究团队想要创造的，是像人类一样的通才——既能做饭又能打扫，既能照顾小孩又能修理家电。

但这里有个巨大的挑战，就像要培养一个超级管家，需要让他既懂得精致的法式料理，又能操作重型起重机。现有的机器人"大脑"要么太笨重（需要几十亿个参数，相当于背着一个图书馆走路），要么太专一（只会一种技能），要么训练成本太高（需要数万小时的超级计算机时间）。

研究团队面临的核心问题可以用一个生动的比喻来解释：假如你要培训一个万能助手，传统方法就像让他把整个百科全书都背下来，然后再学习各种技能。这样不仅学习速度慢，而且大脑装不下这么多信息。FLOWER的创新就像发明了一种新的学习方法——只记住百科全书的核心内容，然后用一套灵活的"动作模板"来应对各种不同的任务。

FLOWER这个名字其实是"Florence With Embodied Flow"的缩写，听起来很技术化，但理解起来并不复杂。Florence是一种能够同时"看懂"图像和"理解"文字的人工智能系统，就像给机器人配备了既能看又能听懂人话的感官系统。而"Embodied Flow"指的是一种特殊的动作生成技术，可以让机器人的动作变得流畅自然，就像熟练的舞者能够将一系列复杂的舞步串联成优美的舞蹈一样。

研究团队最令人印象深刻的创新在于他们的"中间层融合"技术。传统的方法就像让机器人先完整地"看懂"和"想明白"所有信息，然后再决定怎么行动。而FLOWER采用的方法更像是让机器人在理解过程中就开始规划动作，这样不仅速度更快，效果也更好。

具体来说，研究团队发现了一个有趣的现象：当机器人"大脑"在处理信息时，前面几层主要负责理解基本概念（比如识别这是一个杯子），中间几层负责理解复杂关系（比如杯子在桌子上，旁边有个苹果），而最后几层主要负责生成下一个词汇的预测。对于机器人控制来说，最关键的其实是中间层的信息——既包含了丰富的语义理解，又没有过多冗余的细节。

基于这个发现，研究团队开发出了一个巧妙的解决方案：他们把原来需要完整运行的机器人"大脑"砍掉了30%到50%的部分，就像给一台过于复杂的机器进行精简改造。对于编码器-解码器结构的系统（比如Florence-2），他们完全移除了解码器部分，只保留编码器；对于纯解码器结构的系统，他们则去掉了最后30%的层次。这样做的结果是参数减少了20%到35%，每步计算时间显著降低，但性能反而有所提升。

更进一步，研究团队还开发了一种叫做"动作空间全局自适应层归一化"的技术，这个名字听起来很复杂，但原理却很直观。传统方法就像给每个工人都配备一套完整的工具箱，即使他们只需要用其中几样工具。而FLOWER的方法更像是建立一个工具共享系统——所有工人共享一套基础工具，但每个人可以根据自己的具体任务获得专门的调整。这样既节省了资源（减少了20%的参数），又保持了效果。

为了验证这些创新的效果，研究团队进行了大规模的实验测试，涵盖了190个不同的任务，跨越10个不同的测试环境。这些测试就像给机器人安排了一场全能比赛，既要在虚拟环境中完成精密操作，又要在真实世界中处理各种复杂情况。

在虚拟环境的测试中，FLOWER在CALVIN基准测试中创造了新的记录，达到了4.53分的最高成绩。CALVIN测试就像给机器人布置连续的家务任务——先开抽屉，再把物品放进去，然后关上抽屉，最后打开灯泡。这需要机器人不仅能理解每个单独的指令，还要能够将它们串联成一个完整的动作序列。

更令人印象深刻的是FLOWER在处理不同类型机器人方面的表现。研究团队测试了单臂机器人、双臂机器人、使用关节控制的机器人、使用末端执行器控制的机器人等各种配置。这就像让同一个老师能够教授不同年龄、不同背景的学生，每个学生都有自己的学习方式和能力特点。

在LIBERO基准测试中，FLOWER在所有变体上都取得了93%以上的成功率，特别是在Long任务（需要完成较长序列动作的复杂任务）上，FLOWER是唯一超过90%成功率的通用策略，达到了93.5%，而其他通用方法只有50-54%的成功率。这就像在一场需要完成多个步骤的复杂任务比赛中，FLOWER几乎从不出错，而其他选手经常在中途失败。

在双臂机器人的高频率控制测试（Aloha基准）中，FLOWER展现了处理精密操作的能力。双臂协调就像让一个人同时用两只手做不同的精细工作——一只手握住物体，另一只手进行精密操作。FLOWER在"立方体转移"和"插销插入"等需要高度协调的任务中都表现出色，特别是在插销任务上明显超越了专门为双臂设计的ACT算法。

真实世界的测试更加令人兴奋，因为这意味着技术已经走出了实验室。研究团队在一个配备了Franka Panda机器人的真实厨房环境中进行了测试，这个厨房就像普通家庭的厨房一样，有各种电器、餐具和食材。他们让机器人执行20种不同的任务，从简单的"把锅从右边炉子移到水槽"到复杂的"打开烤箱并把物品放到烤箱托盘上"。

在这些真实世界测试中，FLOWER达到了61%的平均成功率，比第二名的OpenVLA（31%）高出了一倍。更重要的是，研究团队还测试了机器人面对从未见过的情况时的表现——这叫做泛化能力测试。

泛化能力测试就像考察一个厨师能否用从未见过的食材做出美味的菜肴。研究团队设计了四种挑战情况：新物体（使用训练时从未见过的物品，如网球、手套、胡萝卜等）、手电筒照明（在黑暗环境中只用手电筒照明）、背景干扰（在厨房中放置各种杂物制造视觉干扰）、以及新任务组合（将多个已知任务组合成从未练习过的长序列）。

结果令人惊喜：FLOWER在所有泛化测试中的平均成功率达到了51.0%，而OpenVLA只有23.4%。特别值得注意的是，在处理全新物体时，FLOWER仍然能够保持33.3%的成功率，这意味着它真正具备了举一反三的能力，而不是单纯的记忆和重复。

从计算效率的角度来看，FLOWER的优势更加明显。在相同的硬件环境下，FLOWER的推理速度达到了311Hz，比π0快8%，比OpenVLA快50倍。内存占用方面，FLOWER只需要1.85GB的显存，相当于π0的27.6%和OpenVLA的12.7%。这意味着FLOWER可以在普通消费级硬件上运行，而不需要昂贵的专业设备。

训练成本的差异更加惊人。OpenVLA需要35000个GPU小时的训练时间，RDT-1B需要21500个GPU小时，而FLOWER只需要192个GPU小时——仅仅是传统方法的0.5%到0.9%。这就像原来需要数年时间才能培养出的专家，现在只需要几个月就能达到同样甚至更好的水平。

研究团队的技术创新主要体现在三个方面。首先是中间层融合策略，这是整个系统的核心创新。传统方法要么在最开始就把所有信息混合在一起（早期融合），要么等到最后才整合不同来源的信息（晚期融合）。FLOWER采用的中间层融合就像在做菜时选择最佳的调味时机——不是一开始就把所有调料都放进去，也不是等菜快熟了才调味，而是在恰当的时候加入恰当的调料。

其次是全局自适应层归一化技术。这个技术解决的是不同类型机器人之间的协调问题。每种机器人就像有不同口音的人，即使说同一种语言，表达方式也会有差异。传统方法需要为每种机器人准备一套完整的"翻译系统"，而FLOWER开发了一套"通用翻译器"，能够自动适应不同的"口音"，大大减少了系统复杂度。

第三个创新是使用了名为"矫正流"的动作生成技术。传统的扩散模型生成动作就像在迷雾中摸索前进，需要很多步才能找到正确的路径。而矫正流技术就像有了一张清晰的地图，能够直接规划出从起点到终点的最短路径，因此只需要4到8步就能生成高质量的动作序列。

这些技术创新的组合产生了协同效应。中间层融合提供了最优质的语义信息，全局自适应层归一化确保了跨机器人的兼容性，矫正流技术保证了高效的动作生成。三者结合，就像一个训练有素的管弦乐队，每个部分都恰到好处地配合，产生了远超单独部分的整体效果。

为了确保研究结果的可靠性，研究团队进行了详尽的对比分析。他们将FLOWER与当前最先进的各种方法进行了比较，包括OpenVLA、π0、RDT-1B、Octo等。这些比较就像举办一场机器人技能大赛，每个参赛者都要在相同的条件下完成相同的任务，确保比较的公平性。

结果显示，FLOWER在几乎所有测试中都表现最佳或接近最佳。更重要的是，FLOWER达到这些性能只用了其他方法1%的训练资源，这种效率提升是革命性的。这就像发现了一种新的学习方法，能让学生用十分之一的时间掌握同样的知识，而且理解得更深入。

从技术架构的角度来看，FLOWER采用了模块化设计。整个系统就像一套积木，不同的组件可以灵活组合。视觉语言模型负责理解环境和指令，流变换器负责生成动作序列，动作空间编码器和解码器负责适配不同类型的机器人。这种设计的好处是易于扩展和维护，新的机器人类型或新的任务只需要添加相应的模块，而不需要重新设计整个系统。

研究团队还特别关注了系统的实用性。他们选择的预训练数据集相对较小但质量很高，只使用了约25万条轨迹数据，主要来自Droid、Google Robot和BridgeV2等数据集。这些数据集的特点是场景多样、干扰因素丰富，更接近真实世界的复杂情况。这就像选择在真实的城市道路而不是封闭的测试场地学习驾驶，虽然学习过程更具挑战性，但学到的技能更实用。

在数据处理方面，研究团队采用了智能的采样策略。他们将75%的训练重点放在了场景变化丰富的数据上，这些数据包含了各种背景、物体和干扰因素。剩下的25%则用于学习精确的操作技能。这种平衡就像培养一个全能型人才，既要有广博的知识面，也要有精深的专业技能。

FLOWER的训练过程也经过了精心设计。整个训练分为360000步，在4块H100 GPU上用48小时完成。研究团队发现，继续延长训练时间并不能带来更好的效果，这表明FLOWER能够高效地从数据中学习，不需要过度训练。这就像一个天资聪颖的学生，能够快速掌握要点，而不需要反复死记硬背。

从系统性能的角度来看，FLOWER实现了多个方面的平衡：准确性、效率、泛化能力和实用性。准确性体现在各种基准测试中的优异表现，效率体现在低计算资源需求和快速推理速度，泛化能力体现在处理未见过情况时的良好表现，实用性体现在能够在真实环境中稳定工作。

研究团队的实验设计也很有启发性。他们不仅测试了FLOWER的最佳性能，还进行了大量的消融实验，系统性地分析了每个组件的贡献。比如他们发现，如果使用传统的AdaLN而不是全局AdaLN，性能会略有下降；如果不进行中间层融合而使用传统的晚期融合，性能下降会更明显。这些分析就像解剖一台精密机器，了解每个零件的作用，确保整个设计的合理性。

在处理跨机器人适应性方面，FLOWER展现了出色的能力。研究团队测试了单臂机器人（如Franka Panda）、双臂机器人（如Aloha）、使用末端执行器控制的机器人、使用关节控制的机器人等各种配置。每种配置就像不同的乐器，有着不同的"发声方式"和控制逻辑，但FLOWER都能很好地适应。

特别值得注意的是FLOWER在处理高频控制任务方面的表现。在Aloha双臂机器人测试中，控制频率高达50Hz，这意味着机器人每秒需要做出50次决策和动作调整。这就像要求一个钢琴家在演奏快速段落时保持每个音符的准确性，对系统的响应速度和精确性都提出了极高要求。FLOWER在这种高要求情况下仍然表现出色，证明了其技术架构的先进性。

研究团队还特别关注了失败案例的分析，这种科学态度值得赞赏。他们发现FLOWER的主要失败模式包括空间定位的轻微不准确（比如推拉烤面包机杠杆时会偏差约1厘米）、在复杂环境中的路径规划问题（比如在水槽边缘容易卡住），以及偶尔出现的力度控制问题。这些问题的识别为未来的改进指明了方向。

从更广阔的视角来看，FLOWER代表了机器人技术发展的一个重要里程碑。传统的机器人要么是高度专业化的工业设备，要么是功能有限的消费级产品。FLOWER展示的通用机器人智能为未来的服务机器人、家用机器人和协作机器人开辟了新的可能性。

这项研究的社会意义也不容忽视。高效的通用机器人智能技术可以显著降低机器人部署的成本和技术门槛，使更多的中小企业和研究机构能够开发和使用先进的机器人系统。这就像从昂贵的大型机计算机发展到人人都能使用的个人电脑，技术的普及将带来更多的创新和应用。

研究团队的开源策略也值得称赞。他们不仅公开了论文和技术细节，还提供了预训练的模型权重和完整的代码库，这为整个机器人研究社区提供了宝贵的资源。这种开放的态度促进了知识的传播和技术的进步，体现了学术研究的本质精神。

从技术发展趋势来看，FLOWER所采用的中间层融合和流式生成技术可能会影响未来多模态AI系统的设计。这些创新不仅适用于机器人控制，还可能在其他需要实时决策和动作生成的领域找到应用，比如自动驾驶、游戏AI、实时翻译系统等。

最后，这项研究也展示了跨学科合作的力量。FLOWER融合了计算机视觉、自然语言处理、机器人学、控制理论等多个领域的最新成果，创造了一个全新的解决方案。这种综合性的方法论可能会成为未来AI研究的重要模式。

说到底，FLOWER不仅仅是一个技术突破，更是向真正智能机器人迈出的重要一步。当我们看到一个机器人能够理解人类的指令，在不同的环境中灵活操作，处理从未见过的情况，而且还能以极高的效率运行时，我们就知道科幻电影中的场景正在变成现实。虽然目前的技术还有一些限制，比如在某些精细操作上还不够完美，但FLOWER已经证明了通用机器人智能的可行性和实用性。

这项研究可能会对我们的日常生活产生深远影响。在不久的将来，我们或许真的能看到既能帮助做饭又能整理房间的家用机器人，既能进行精密装配又能处理物流的工业机器人，既能照顾老人又能辅助康复的医疗机器人。而这一切的实现，都要归功于像FLOWER这样的基础技术突破。

当然，技术的发展也带来了新的思考。随着机器人变得越来越智能，我们需要考虑如何确保它们的安全性、如何处理就业市场的变化、如何维护人类的主导地位等问题。但无论如何，FLOWER所代表的技术进步都是令人兴奋的，它让我们看到了一个更加智能、更加便利的未来。

**Q&A**

Q1：FLOWER机器人系统能做什么？它和普通机器人有什么区别？

A：FLOWER是一个通用的机器人"大脑"系统，能让不同类型的机器人理解人类语言指令并完成各种复杂任务。与普通机器人不同，FLOWER可以控制单臂、双臂等各种机器人，完成从做饭、清洁到精密操作等190种不同任务，而且遇到没见过的物品或环境也能灵活应对。

Q2：FLOWER机器人系统为什么比其他系统更高效？

A：FLOWER的高效主要体现在三个方面：首先是参数更少，只有950M个参数，比其他系统少几十倍；其次是训练更快，只需要200个GPU小时，是传统方法的1%；最后是运行更省资源，只需要1.85GB显存，普通电脑就能运行。

Q3：普通人什么时候能用上FLOWER技术的机器人？

A：虽然FLOWER技术很先进，但目前还主要在实验室和研究阶段。研究团队已经开源了所有代码和模型，这意味着技术公司可以基于FLOWER开发商用产品。预计在未来3-5年内，我们可能会看到基于这种技术的家用或商用机器人产品问世。

来源：科技行者一点号1