李飛飛要用ImageNet的方式，推動具身智能了。

(資料圖)

依然是一個“挑戰賽”。

就在最近，由李飛飛團隊發起、英偉達贊助（其中之一）的首屆BEHAVIOR家務挑戰賽正式啟動。

這一次，他們下定決心凝聚學術界和產業界的力量，共同向機器人做家務這一高地發起沖擊。

簡單來說，參賽者需要統一使用星海圖R1 Pro（雙手操作+輪式移動）作為本體，在逼真的BEHAVIOR-1K虛擬家庭環境中，解決50項完整的家務任務（涵蓋重新布置、烹飪、清潔等各種活動）。

參賽者可以自由選擇算法，官方還提供了1萬條專家演示軌跡（約1200小時），方便大家用模仿學習快速上手。

具體賽道則有兩條可選：

標準賽道（Standard Track）：機器人只能用“自己能看到的東西”決策。

特權賽道（Privileged Track）：機器人可以獲取更詳細的環境狀態信息（比如物體坐標、房間結構）。

然后官方會在固定的50個任務上，讓所有機器人跑相同測試，用以下標準打分（主要）：

任務完成率：能否完全把任務做完，比如“把餐具放進洗碗機”真的被完成。

部分完成度：如果只做到一半，比如“拿起盤子但沒放進去”，也會給部分分數。

其他次要指標包括：模擬時間（完成任務用了多長時間）、導航距離（走了多遠）、手部位移（動了多少次機械臂）、穩定性等。最終排名主要看平均任務完成率。

比賽提交截止期日為2025年11月15日，最終獲獎前三名還有最高1000美元獎金及RTX 5080可拿。

OK，說完比賽內容，那么接下來的問題是——

為什么要發起BEHAVIOR？

關于發起BEHAVIOR的背后原因，李飛飛在和Jim Fan（英偉達具身智能實驗室聯合負責人、也是李飛飛學生）、 Edmar（英偉達Omniverse社區經理） 的一場爐邊談話中進行了詳細闡述。

整體而言，BEHAVIOR的發起正是受到ImageNet的啟發。

2009年，李飛飛帶領的研究團隊在CVPR發表論文《ImageNet: A Large-Scale Hierarchical Image Database》。伴隨著ImageNet挑戰賽舉辦，這一成果已然成為了計算機視覺領域的試金石，開啟了一個新的時代。

此時再回顧ImageNet，李飛飛坦言最初并未預想到它會完全重塑AI，她只是追隨自己的好奇心。

在她看來，ImageNet與神經網絡（特別是卷積神經網絡）以及英偉達的GPU一起，共同定義了深度學習的開端。

所以這一次，回到當下大熱的具身智能領域，她打算用同樣的方式再做一遍。

而具體到機器人做家務這件事上，目前機器人學習存在的痛點包括：

機器人學習缺乏標準化；

任務選擇通常是零散的，使得論文之間的結果很難進行比較；

訓練數據匱乏，這有點類似于ImageNet出現之前計算機視覺領域所面臨的問題。

因此，李飛飛將BEHAVIOR也看做機器人領域的“北極星”任務，她希望借助社區力量推動具身智能向前發展。

BEHAVIOR挑戰賽有哪些看點？

另外，BEHAVIOR除了自帶李飛飛光環，這個挑戰賽本身也很有看點。

首先從理念上，BEHAVIOR被設計為以人為中心，尤為強調AI是為了增強（augment）和賦能（empower）人類，而非取而代之。

這種理念貫穿著BEHAVIOR的所有環節。例如，團隊會在任務定義、數據選擇和倫理價值導向上，來始終確保機器人的目標與人類的需求相符。

其次，BEHAVIOR核心瞄準做家務這一賽道，并首次明確提出了相關標準——

一個真正的家庭機器人，必須同時具備跨房間導航、雙手精細操控、長期規劃與動態適應等多項能力。

而且為了訓練機器人學習相關能力，BEHAVIOR的規模也講求一個“大”。

它覆蓋了1000個家庭活動，50個完整長程挑戰，平均單個任務需要6.6分鐘連續操作。

所以，以人為本、目標清晰、規模巨大的BEHAVIOR，無疑具備成為“下一個ImageNet”的潛力。至于最終結果如何，一切都要交給時間，畢竟ImageNet也不是一朝一夕成就的。

Anyway，如果說ImageNet開啟了視覺智能的黃金時代，那BEHAVIOR，或許正是具身智能的*聲號角。

以及關于機器人做家務這件事，最近也都成了具身智能項目爭相整活的任務。以后拍視頻，可能就都是家務場景了。

大語言模型的檢測是做題，具身智能機器人的檢測是做家務。

潮水趨勢，已經很明確了。

大賽詳情頁：https://behavior.stanford.edu/challenge/index.html

參考鏈接：

[1]https://x.com/TheHumanoidHub/status/1976355634510737626

[2]https://x.com/drfeifei/status/1976472217438531889