RAX：机器人第一次有了自己的 Scaling Law

语言模型过去几年最重要的发现是 Scaling Law：模型性能随参数、数据、算力按幂律可预测地提升。机器人长期没有这种规律——同样的架构，换个任务、换台硬件，性能就乱跳。一篇挂在 arXiv 上的论文（arXiv:2610.22496）提出了 RAX 框架，第一次在机器人任务上观察到了类似的 scaling 关系：随着演示数据量与策略模型规模扩大，机器人在一组标准操作任务上的成功率呈可预测的幂律上升。

这件事的意义是：具身智能过去靠手调 reward、靠专门设计的模仿学习 pipeline，现在第一次有了"堆数据堆算力就能变强"的可预测路径。当然，机器人的 scaling 比语言模型难得多——数据要在真机上采，硬件有寿命，环境有扰动。但 RAX 给出的那张 log-log 图，是这个领域的第一张。

来源：arXiv:2610.22496（arxiv.org/abs/2610.22496）。单源，待同行评审复核。

关联阅读：Gemini Robotics 2：Google 让机器人拥有了全身智能。