大模型训练过程正逐渐从幕后走向台前。此前，小米MiMo负责人罗福莉曾公开分享过强化学习阶段的训练进展。如今，这一趋势延伸至Physical AI领域。10月21日，生数科技世界模型团队正式启动Motubrain 2.0训练全流程的公开直播，计划持续半个月，旨在向公众直观展示具身模型的训练过程及研究进展。
此次直播的核心议题在于探讨Physical AI究竟如何实现。Physical AI，即物理人工智能，旨在赋予AI理解物理环境的能力，并借助机器人完成实际操作任务。相较于大语言模型，Physical AI面临更大的挑战，必须解决动作决策、任务执行以及跨场景泛化等关键难题。
Motubrain系列是生数科技研发的具身模型，致力于为机器人打造具备通用能力的“大脑”，探索在不同任务、场景和机器人本体间实现能力的泛化。Motubrain 2.0即将开源，在正式发布前，团队决定率先公开其训练全流程，向外界展示这款模型从训练、测试到能力迭代的完整过程。此次公开的训练过程主要涵盖四个环节：首先是预训练，旨在观察训练规模对模型性能及零样本泛化能力的影响；其次是后训练，针对具体任务进行精细化训练，以提升执行能力；第三是Agent任务执行，探索模型将已有经验迁移至新任务的能力；最后是RSI递归自我改进探索，研究模型如何根据执行反馈评估并优化自身行动。
此次直播的独特之处在于，它试图揭开具身模型训练的“黑盒”。以往，公众了解具身智能技术的进展，多依赖于机器人演示、评测结果或学术论文，而模型具体的训练路径、各阶段能力的演变过程往往难以窥见。Motubrain 2.0选择公开从训练、测试到能力迭代的全过程，希望让外界看到模型能力是如何逐步构建的，同时也展示了训练中的失败、试错与调整过程。
对于具身智能行业而言，这种透明化的方式有助于让模型研发过程更加清晰。研究者和开发者不仅能看到最终成果，还能深入了解训练过程中遇到的具体问题，以及团队如何通过实验和反馈不断优化模型。此外，团队也希望通过此次直播，与同行分享研究经验、痛点与思考，共同探讨规模化训练、跨任务泛化和自主改进等关键议题，为Physical AI的实现范式提供更多参考。
当然，相关研究目前仍处于探索阶段，具体效果尚需后续实验与评测来验证。不过，相较于单纯展示机器人最终能做什么，公开模型如何训练、能力如何逐步形成，同样具有极高的研究价值。