机器人不听遥操作了：Runway 把家里拍的视频当教材

机器人不听遥操作了：Runway 把家里拍的视频当教材

先想一个数字。

要让一个机器人学会「把易拉罐从茶几上拿起来放进垃圾桶」，最直接的办法是让人拿着手柄，一遍一遍做这件事。做到一千遍，机器人大概能学会个七成。做到一万遍，成本已经很难说清楚是多少。

然后同一个人在厨房里拍视频。一天三十分钟。他把罐子扔进垃圾桶，把毛巾搭上椅背，又把水壶从灶台挪到水槽。没人给他钱，没人给他任务清单，也没人检查他拍的对不对。

Runway 在 9 月 30 日旧金山举行的第一届 Runway AI Summit 上，把这两堆东西摆到了同一张桌子上，然后宣布了一件让机器人圈安静了几秒的事：他们不打算主要靠遥操作数据训机器人。

一个视频公司的越界

先说清 Praxis-1 是什么。

Runway 靠生成视频起家，核心资产是 GWM Worlds 这类大规模视频预训练模型。Praxis-1 复用同一套底座，训出一个可以直接输出机器人动作的策略模型。Runway 研究团队自己的说法是「world action model」，中文可以译成世界动作模型。

关键区别在于数据来源。CTO Kamil Sindi 对 The Robot Report 说得很直白：多数机器人策略都卡在机器人数据上，这些数据又稀缺又贵；而且性能会随视频量提升，所以它的天花板由能学到多少视频决定，而不是有多少条机器人示范。

这句话点的是整个行业的痛处。遥操作示范是当下几乎所有通用机器人策略的必需输入，它贵，慢，而且高度依赖采集场地。一家做视频生成的公司说这套东西能被视频替代，等于说自己在跟整个数据采集产业链抢饭吃。

那个被反复引用的 16.1

最能说明问题的数字来自 Robotics & Automation News 做的一组对照实验。

两组策略，一组用普通互联网视频做预训练，另一组用遥操作采集的机器人视频做预训练。然后都在真机上测最终放置误差。

结果是 16.1 厘米对 16.0 厘米。

差 1 厘米。Runway 自己承认这个差距在统计上不显著。换句话说，在预训练这一环，家庭视频和机器人视频几乎分不出高下。后面还有一层，微调之后误差降到大约 12 厘米，两条路线都降。

这组数字的价值在于它把「机器人数据不可替代」这个前提拿掉了，领先与否反倒次要。当然，「不显著」也可以理解成「差不多但样本量不足以证明等价」。论文没有给出置信区间，这两种读法都站得住。

0.95 是个更值得盯的数字

Runway 另外报了一个数：在自家世界模型仿真里跑策略，与真机实测结果的相关性达到 0.95。公司的说法是这比基于三维重建的技术路线更省。

这条比 16.1 厘米更重要。机器人训练的真正成本不只在数据采集，还在迭代周期。改一个策略要在真机上跑一遍真机，一次几十分钟起步，硬件还有磨损风险。如果仿真能当得起 0.95 的相关，那策略筛选就可以全在世界里做，只把最后的少数候选搬到真机。

Runway 提到的那条更长的路径是 Solaris 和 GWM Worlds 2 这类实时交互视频模型，思路是先生成一个物理上说得通的数字环境，再让智能体在里面练。

不过这 0.95 也是公司自报，而且是在自家仿真里测的。用自家仿真预测自家策略的表现，这个闭环的说服力天然打折。第三方复现目前没有。

三家伙伴，和一个不肯退让的对手

Praxis-1 目前在三家初创公司手上测：

• Noble Machines，双臂操作
• Standard Bots，RO1 六轴机械臂
• Ultra，移动底盘

更有意思的对照在隔壁。FieldAI 在 9 月刚以 100 亿美元估值融了一轮，其核心主张恰恰是机器人不该依赖互联网视频。Runway 的整条论证就是互联网视频是对的。

两家用钱表态的实验室，对同一个问题给出了相反的答案，而且都在烧钱。这是一组正在跑的对照实验，谁先跑出通用能力，答案就归谁。行业在这里是受益的，无论哪边赢。

Runway 谈开放权重时用的是美国物理 AI 领导力这套说辞。翻译成工程语言：对没有模型训练预算的硬件厂商和高校组，从零训练到微调他人预训练的门槛，差着数量级。

为什么这件事现在才发生

Runway 的路径和语言模型的发展顺序几乎一致：先在海量文本上预训练，再在具体任务上微调。机器人正在走同一条路，只是晚几年。

中间还有一条推力。示范数据不只稀缺，它还会被越来越多生成出来。视频本来就在被 AI 合成，这意味着机器人的预训练料源正在从「有限的人类记录」转向「近乎无限的可生成数据」。Runway 不用提这件事，它自己的业务就是那个生成器。

也有几个必须说清楚的限制。

权重还没放出来，说是「未来几个月」，不是现在。0.95 与 16.1 全部是公司自报，没有第三方复现。93 个评估对只覆盖了一批任务，跨本体迁移的失败案例没有披露。示范任务里包含装礼品袋这类柔性物体操作，公司自己也点出这正是刚体仿真器最容易崩的地方。

最后一条是所有机器人论文的通病：演示视频不等于统计量。32 步家务任务跑通一次和跑通一百次，是两件事。

一道正在分岔的题

Runway 说 Praxis-1 是开放权重的首批三家伙伴在测，公开要等几个月。这几个月里，最值得看的是 FieldAI 的出货量，Runway 的进度条排在后面。

如果大量本体厂商在未来一年里开始微调而不是从头训，Runway 这条路就通了。如果大家还是在买示范数据，FieldAI 就赢了。

这两种未来现在都还开着。机器人领域这种「两个团队同时押相反方向」的时刻不多见，值得盯住。

信源：Runway 官方公告与研究博客（2026-09-30 至 10-02）、The Robot Report 访谈（10-02）、Robotics & Automation News 对照实验、AlphaSignal、SIngularity.Kiwi 汇总。

限定：16.1 对 16.0 厘米的对照实验由第三方媒体操作、公司提供模型，93 个评估对，原始数据与置信区间未公开；0.95 相关性为 Runway 自报，在自家仿真内测得；权重与代码尚未公开；FieldAI 估值与主张来自该公司公开表述，未核到一手文件。