最近具身智能圈有一则消息很提气：总部位于合肥的初创公司第四定律机器人（4Axiom Robotics），其自研的具身智能模型Axiom-0登上了国际权威具身评测基准RoboCasa365 Benchmark，进入公开排行榜的头部行列——多家媒体用"登顶"来描述这次突破。

但真正耐人寻味的，不只是"一家成立仅三个多月的公司冲到了榜首"这件事本身，而是它暴露出来的一个深层信号：当各大厂还在比拼"机器人能完成多少动作"时，具身智能的竞争正悄悄从"能不能做"，转向"会不会做没做过的事"。而 RoboCasa365 这张榜单，恰恰是把"泛化能力"摆到台面上、用硬指标去丈量的一场考试。

这篇文章，我想把 Axiom-0 这次登榜拆开讲清楚：RoboCasa365 到底在考什么？Axiom-0 用的是什么"创新机制"？它背后的团队走的是怎样一条区别于传统 AI 创业公司的技术路线？以及——榜单上的数字，到底能不能代表机器人真的"会过日子"了？

Part One：RoboCasa365 在考什么？——"看得少、做得新"才是真本事

要理解 Axiom-0 登顶的分量，得先搞懂 RoboCasa365 这张榜单的"出题思路"。

在很多人的印象里，评测机器人就是"让它在固定场景做固定动作，看成功率"。但那样的评测有个致命缺陷：背题再好的选手，换一个没见过的场景就露馅。具身智能真正要踏入的真实世界，是千变万化的——同样的"拿杯子"动作，厨房、客厅、工厂里的条件天差地别；同一个任务，物体摆放、光照、遮挡稍有变化，就需要机器人"临场发挥"而非"照搬套路"。

所以 RoboCasa365 从一开始就强调自己是"大规模、面向通用机器人策略（generalist robot policies）的多任务评测基准"。它的设定很硬核：覆盖365 个日常任务、2500 个多样化的厨房环境，并要求被评模型在"多任务学习"的设定下接受考验——不是每个任务配一个专用模型，而是要一个模型"通吃"一大批任务，这才是"通用策略"的含义。

更关键的是它的评测结构。首轮榜单取自一个50 任务的多任务基准，并划分为三个评测分片（split）：

┌─────────────────────────────────────────────────────────────┐ │ RoboCasa365 的"泛化考试"结构 │ │ │ │ 50-task multi-task benchmark │ │ ├─ Atomic-Seen (18) : "见过"的原子操作任务 │ │ ├─ Composite-Seen (16) : "见过"的复合长程任务 │ │ └─ Composite-Unseen(16) : ★"没见过的"复合任务（零样本） │ │ │ │ Overall = 三个 split 平均成功率 │ │ Human300 预训练数据集 (300 任务 / 2500 厨房) │ └─────────────────────────────────────────────────────────────┘

这里最值得一提的，是Composite-Unseen这个分片——它代表了那些在预训练阶段从未出现过的复合任务，模型要在"零样本"条件下靠泛化能力完成。这正是整个榜单的"压轴题"：它不是在考你记住了多少，而是在考你有没有"迁移"和"举一反三"的本事。你可以把 Seen 类任务理解成"开卷题"，把 Unseen 类任务理解成"闭卷新题"——真正拉开差距的，往往是后者。

明白了这个设定，你就知道为什么说"登顶"有分量了：它说明 Axiom-0 不只是会"背题"，而是在"临场做新题"这件最难的事上，也拿出了过硬的成绩。

Part Two：名列前茅的 Axiom-0，到底拿了什么成绩？

我们把镜头对准榜单本身。根据 RoboCasa365 官方榜单（2026 年 10 月更新），在当前"50 任务多任务基准"的公开排行榜上，Axiom-0 以Overall 61.6的成绩跻身最前列——与它同一梯队的，是 Awomo 团队的Awomo-0.5I/0.5V（64.4 / 62.5）、Primotion 的 Paimon-0、以及Meta 的 ProWAM、小米的 Xiaomi-Robotics-1 等头部玩家。

值得强调的三点细节：

第一，它在"见过"的原子任务上做到了顶尖。Axiom-0 的 Atomic-Seen 达到了 86.5%，与榜首的 Awomo-0.5I 并列最高。这意味着在那些"看过、练过"的基础操作上，它的执行已经非常可靠。

第二，它的零样本泛化（Composite-Unseen=35.8%）处于领先梯队。结合官方点评，"登顶"的叙事主要来自它在多任务泛化上的综合表现——尤其在一个"没见过的复合新任务"从 0 到 1 被机器人做出来这件事上，Axiom-0 给行业提供了一个颇具说服力的样本。

第三，它和许多头部开源模型形成了有趣对照。榜单前列既有开源也有闭源：Awomo-0.5I/V 开放源码，而 Axiom-0 暂未开源。这背后其实是一场"开放共建 vs 闭源冲榜"的路线分歧——开源的差一点、却人人可用；闭源的分数高、但闭门造车。哪一个更有利于具身智能产业的整体进步，目前仍没有定论。

把成绩摆到背景里看，就很清晰了：一家成立才三个多月的公司，已经和 Meta、小米这些巨头站在了同一张榜单的同一梯队。这在以"烧钱 + 数据 + 基建"著称的具身赛道里，并不多见。

Part Three：打榜靠"创新机制"？——多任务泛化到底难在哪、怎么破

榜单上漂亮的数字背后，藏着一个工程上极难啃的骨头：多任务环境中的泛化能力。

做机器人的人都知道，单任务专家容易做，多任务通才最难。为什么？因为一个模型要同时学会"抓取、放置、开合、倒水、插拔……“几十种乃至上百种技能，还要求它在这些技能之间不发生相互干扰——学新任务时忘了旧任务，就是典型的"灾难性遗忘”。这就像让一个人同时成为厨师、修理工、护士，任何一个技能的精进都可能冲淡其他技能的记忆。

Axiom-0 官方给出的解法方向，是"通过创新机制提升机器人在多任务环境中的泛化能力"。虽然官方没有完全公开技术细节，但从其"安全成长型智能"的整体路线，可以合理推断出这背后起码包含几层设计意图：

• 跨任务的知识共享：让不同任务之间的共同结构（比如"抓取"这个动作在不同对象上的共性）被模型复用，而不是每个任务从零学起；
• 强调"成长"而非"堆量"：不把泛化押在"见过足够多案例"上，而是让模型学会"从经验中修正自身、发现不足"，从而在没见过的任务上也具备应对能力；
• 从真实世界经验出发：区别于纯靠仿真数据刷榜，更看重真实场景数据与模型能力的融合。

当然，也要理性看待"创新机制"这四个字——目前 RoboCasa365 首轮榜单仍以 “首份公开对比” 为定位，随着越来越多模型提交，Axiom-0 的名次、以及它机制的成色，都需要更长的时间与更独立的验证来检验。榜单一时的位置是一回事，机制能否被复现、能否落地到真实工厂，是另一回事。

我们用一个简化的"评估 + 提交"流程，来示意一个具身策略要在 RoboCasa365 上打榜要过几道关（这里以官方提交流程为蓝本，抽象成中文示意）：

# robocasa_submit_flow.py# 简化的"提交-评测"流程示意（非官方代码，仅帮助理解打榜结构）defevaluate_policy(policy,task_splits):"""给定一个策略,在三个 split 上分别统计成功率,并加权为 Overall"""results={}forsplit,tasksintask_splits.items():successes=0fortaskintasks:# 每个任务开展 N 次 rollout,统计平均成功率successes+=policy.run(task,trials=10)results[split]=successes/len(tasks)# Overall = 三个 split 的算术平均overall=sum(results.values())/len(results)returnresults,overall task_splits={"Atomic-Seen":[f"atomic_{i}"foriinrange(18)],# 18 个"见过"的原子任务"Composite-Seen":[f"composite_{i}"foriinrange(16)],# 16 个"见过"的复合任务"Composite-Unseen":[f"unseen_{i}"foriinrange(16)],# 16 个"没见过"的复合任务(零样本)}my_policy=SomeEmbodiedPolicy(innovative_mechanism=True)splits,overall=evaluate_policy(my_policy,task_splits)print(f"Overall={overall:.1f}")# 输出示例(象征性,非 Axiom-0 真实值):# splits: Atomic-Seen=0.865, Composite-Seen=0.594, Composite-Unseen=0.358

这段示意想传达的，是"三种 split 各有各的难度"这个结构——尤其 Composite-Unseen 那批"零样本复合任务"，才是真正区分"刷分选手"和"通用策略"的试金石。

Part Four：这支团队凭什么？——从机器人世界杯到华为大模型专家的"复合能力"

Axiom-0 能快速打榜，归根到底离不开人。而"第四定律"这支团队的履历，恰好踩中了具身智能最稀缺的"复合型"标签。

创始人兼 CEO卢栋才的履历，几乎是为"从机器人到大模型"这条路线量身定制的：早年他担任中科大"可佳"机器人团队负责人，带队拿下RoboCup@Home 家庭服务机器人组冠军，在视觉感知、人机交互、自主导航与任务决策上积累了十余年真机经验；此后他参与"佳佳"人形机器人研发并任创始组长，探索人机交互与智能感知；再后来，他在华为工作近 9 年，担任华为终端大模型及小艺大脑首席专家，也是搜索大模型负责人，在超大规模模型预训练、Agent 系统建设与大模型安全演进上积累了深厚功力。

请注意这横跨的两个时代：十余年的"真机器人"经验，加上近十年的"大模型"经验。恰是这种背景，让第四定律机器人选择了一条区别于传统 AI 创业公司的路线——从机器人的真实世界经验出发，融合大模型能力，而不是像很多"具身新贵"那样，拿着一个语言模型的壳子就往机器人身上套。

这也回应了文章开头的"路线之争"：具身智能到底是"语言模型的延伸"还是"机器人智能的进化"？第四定律的回答明显偏向后者的融合——它提出的是"面向物理世界的安全成长型智能"：让机器人不仅能把任务做完，更能在真实环境中持续学习、发现不足、修正自身、逐步提升能力。

我把它想成一条"成长型智能"的闭环：

┌────────────────────────────────────────────────────────────┐ │ "安全成长型智能" 的演进闭环 (第四定律路线) │ │ │ │ 完成任务 ──► 发现不足 ──► 修正自身 ──► 能力提升 │ │ │ └──────────────► 在真实环境中持续迭代 │ │ ▼ │ │ 面向物理世界: 不只"会做",更要"会成长、会自省、保安全" │ └────────────────────────────────────────────────────────────┘

卢栋才自己的话，点破了这家公司的核心关切：“如何让智能系统不仅具备能力，更具备理解环境、适应变化和持续提升的能力。” 这句话，既是 Axiom-0 技术路线的注脚，也是它区别于"纯刷分选手"的底层逻辑。

Part Five：从榜单到工厂——数字好看，离"会干活"还有多远？

评测得高分，从来不是终点。对具身智能来说，真正残酷的考验在"走出榜单、走进工厂"之后。

这也正是 Axiom-0 登榜之外，更值得关注的一环：它的投资方与落地场景。第四定律机器人成立后不久，便获得了智能制造企业祥鑫科技（002965）的千万元级种子投资。双方将围绕汽车制造、智能装配等真实工业场景开展合作，推动具身智能机器人走出仿真环境、进入工业生产现场。

为什么这个"产业锚点"重要？因为工业场景恰恰是多任务泛化的"高压考场"：汽车零部件制造里"多品种、小批量、工况动态变化"的特点，对传统自动化产线是灾难，对需要"临场应变"的具身智能却是价值所在。祥鑫科技的真实产线，既能给机器人提供高质量的真实工业数据反哺模型迭代，又能用规模化应用检验技术成熟度——这种"产业资本出场景、创业团队出算法"的组合，正是把"榜单分数"转化为"商业价值"的关键。

但要泼一盆冷水：评测基准上的优异成绩，并不等同于工业现场的实际表现。RoboCasa365 再像"真实厨房"，也终究是仿真环境；而真实工厂里的震动、油污、光照突变、设备故障、安全边界，远比仿真复杂。榜单衡量的是"策略的泛化天花板",而工厂考核的是"系统的工程下限"。一个能在 2500 个"虚拟厨房"里举一反三的模型,能不能在真实产线上稳定运行几万个小时,才是它商业化的真正分水岭。

Part Six：一朵浪花背后的坐标——中国具身智能的"评估时代"

如果把 Axiom-0 登榜这朵浪花,放到中国具身智能产业的大背景里,会发现它恰好踩中了一个值得记录的时点:一场围绕"怎么评价具身智能"的标准之争,正在悄然兴起。

过去两三年,国内具身赛道最热闹的叙事是"融资"“出货量”“参数规模”。中国电子学会的数据显示,上半年国内人形机器人出货量超 4 万台,约占全球 97%——这个数字固然亮眼,但它衡量的是"卖出了多少台",而不是"机器人多会干活"。真正缺的,恰恰是像 RoboCasa365 这样,能对不同模型、不同路线的"实际任务完成与泛化能力"进行横向对比的公开基准。

这也是为什么 Axiom-0 的登榜被反复强调"公开排行榜"“多任务泛化”——它代表的意义,不只是某一家公司的胜利,而是行业开始用"能不能做好没做过的事"来给具身模型排队了。当评价标准从"PPT 参数"转向"可复现的实测",那些真有技术积累、真能落地到多任务场景的团队,会更容易被"看见";而那些只会堆参数、刷演示的团队,则会被基准这道"照妖镜"一层层剥开。

顺着这个逻辑,我更愿意把 Axiom-0 看作中国具身智能进入"评估时代"的一个注脚:它提醒所有玩家——比"谁融得多"更硬核的,是"谁在闭卷新题上答得对"。下一个阶段,谁能在一张严格的公开基准上长期占据头部,谁才真正握有具身智能的定价权。

Part Seven：给从业者的三条判断

作为一篇技术解读，最后给关注具身智能的开发者与决策者三条冷静的判断。

第一，别被"登顶"这个词冲昏头，要看榜单的结构与名次的时效性。RoboCasa365 是"滚动更新的公开对比"，排名随时可能因新模型提交而变动；"Overall"是多个 split 的加权，真正见真章的是Composite-Unseen（零样本复合任务）这类分片。评价任何具身模型，都该问一句：它在"没见过的任务"上到底能打到多少？而不仅仅是总分领先。

第二，"复合型团队 + 真实场景数据"正在成为具身创业的核心竞争力。Axiom-0 的案例说明，纯语言模型背景或纯机器人背景都有短板，真正吃香的，是能把"真机经验"与"大模型能力"融合起来的团队——再加上工业场景的落地验证。对从业者而言，与其跟风"追某个框架"，不如想清楚自己的团队在哪一半缺能力。

第三，"泛化能力"是具身智能商业化绕不开的命门。如果机器人只能在固定场景做固定事，那跟传统机械臂没有本质区别，价值有限；只有当它能"一机多用、临场应变、持续成长"，才能真正替代人工、打开工业与家庭场景的天花板。Axiom-0 的登榜，与其说是某个模型的胜利，不如说是"以多任务泛化为评价核心"这一方向的又一次确认。

从可佳机器人世界杯冠军，到佳佳人形机器人，再到华为大模型首席专家，最后汇流成第四定律的 Axiom-0——卢栋才把十几年的真机经验与大模型时代的积累，压在了"让机器人会成长"这条赛道上。榜单给了它一个月的好名次，而真正的考试，才刚刚开始：下一次，当它走出 2500 个虚拟厨房、站上真实产线的那一刻，泛化的含金量才会被最终盖章。