泛化能力被视为具身智能从“演示可用”走向“真实可用”的关键门槛。但“泛化”本身并不是一个单一指标，它至少涉及任务、物体、场景、指令、本体等多个维度。本文尝试给出一套可讨论、可拆解的评估框架。

一、为什么泛化是具身智能的核心问题

在传统机器人系统中，工程师通常通过精确建模、标定和轨迹规划，让机器人在受控环境中完成固定任务。这种方式在产线上行之有效，但一旦环境、物体或任务发生变化，系统往往需要重新开发。

具身智能（Embodied AI）试图用学习的方式替代大量手工规则，让智能体在物理世界中感知、决策并行动。它真正的价值不在于“在某个固定场景里跑通一次”，而在于面对没见过的输入时，仍能保持可接受的表现。这正是泛化能力要回答的问题。

因此，评估具身智能，不能只看单点任务的成功率，而要看它在多大范围内、以多低的代价维持性能。

二、泛化能力的六个评估维度

1. 任务泛化（Task Generalization）

指智能体在训练任务之外，能否完成新的任务目标。

同一物体、不同目标：例如从“把杯子放到桌上”迁移到“把杯子递给用户”。

多步骤组合：训练时是单一动作，测试时要求串联多个子任务。

长时程任务：任务步骤增加后，误差是否累积、是否仍能收敛。

评估要点：任务空间如何划分训练集与测试集，测试任务与训练任务的语义距离有多远。

2. 物体泛化（Object Generalization）

指对未见过的物体实例、类别或属性的适应能力。

实例级：同一类别的不同个体，如不同颜色、形状的杯子。

类别级：训练见过杯子，测试要求操作碗。

属性级：尺寸、材质、重量、透明度、可变形性发生变化。

评估要点：是否区分“同类新实例”和“跨类新物体”，二者难度差异显著。

3. 场景与环境泛化（Scene / Environment Generalization）

指在光照、背景、布局、空间结构变化下的稳定性。

视觉层面：光照、遮挡、纹理、相机位姿变化。

空间层面：桌面布局、房间结构、障碍物分布变化。

动态层面：出现移动的人或物体等干扰。

评估要点：环境扰动是随机生成还是系统化设计，是否覆盖真实世界的长尾分布。

4. 指令泛化（Instruction Generalization）

指对自然语言指令的多样表达、同义改写、多语言以及模糊指令的理解能力。

同义改写：不同措辞表达同一意图。

组合指令：多个目标、多个约束同时出现。

指代与上下文：依赖场景中指代关系的指令。

评估要点：指令分布与训练数据的重合度，是否测试过对抗性改写。

5. 本体泛化（Embodiment Generalization）

指策略或模型在不同机器人形态、自由度、传感器配置之间的迁移能力。

同一策略跨不同机械臂或末端执行器。

不同观测模态（视觉、触觉、本体感知）之间的适配。

仿真到真实（Sim-to-Real）的迁移。

评估要点：跨本体迁移时，是否需要重新采集数据或微调，迁移成本如何量化。

6. 分布外与鲁棒性（OOD & Robustness）

严格来说，这是贯穿上述所有维度的横切指标。

分布外样本：明显偏离训练分布的输入。

干扰与噪声：传感器噪声、执行误差、通信延迟。

失败恢复：出错后能否重新规划并继续任务。

评估要点：不仅要看平均成功率，还要看失败模式是否可预测、可恢复。

三、评估设计中的几个关键问题

第一，训练与测试的边界要清晰。 泛化评估的前提是测试集确实“没见过”。如果测试任务、物体或场景在训练中以任何形式出现过，结论就失去意义。

第二，要区分“泛化”与“记忆”。 大模型时代，部分能力可能来自预训练数据中的先验。评估时需要判断性能提升来自真正的泛化机制，还是来自数据覆盖。

第三，指标要分层。 单一成功率不足以刻画泛化。建议同时报告：成功率、泛化差距（训练与测试性能差）、样本效率（达到目标性能所需数据量）、迁移成本（微调所需样本与算力）。

第四，要重视负结果。 明确记录在哪些维度上失败，比只报告成功案例更有价值。

结论

具身智能的泛化能力不是一个可以一锤定音的指标，而是一组需要分维度、分层次评估的能力集合。任务、物体、场景、指令、本体以及分布外鲁棒性，构成了一个相对完整的评估坐标系。

对研究者和工程团队而言，重要的不是宣称“我们的系统能泛化”，而是明确回答：在哪个维度上、以多大代价、对哪类分布变化保持泛化。把这个问题说清楚，比任何单点演示都更有说服力。

生成标记：本文由 ITPUB 文章生成平台基于已选素材整理生成。