π0.7：可操控的通用机器人基础模型与涌现能力

论文：π0.7: a Steerable Generalist Robotic Foundation Model with Emergent Capabilities
作者：Physical Intelligence（90 位作者，含 Sergey Levine、Chelsea Finn、Karol Hausman、Danny Driess、Karl Pertsch、Lucy Xiaoyang Shi 等）
链接：arXiv:2604.15483（v2，2026-04-24）· 官方博客
代码状态：π0.7 代码与权重未开源；官方开源仓库 openpi 目前仅包含前代 π0 / π0.5 系列

一句话总结

Physical Intelligence 把机器人策略的上下文从一句「做什么」扩展成一份多模态任务说明书——子任务语言指令、由世界模型生成的子目标图像、以及描述这条数据「做得多快、多好、有没有犯错」的回合元数据。正是这套「多样化提示」让 π0.7 能够把失败回合、自主评测数据乃至人类视频一起倒进训练集，最终得到一个无需任何任务微调就能追平 RL 专家模型、并能零样本跨本体叠衣服、用语言「现场教学」学会用空气炸锅的可操控通用基础模型。

研究背景与动机

大语言模型之所以强大，不只是记住了训练语料，更在于能把语料中的能力以新的方式组合起来，解决从未见过的问题——这种组合泛化（compositional generalization）正是通用智能的标志。然而在物理世界里，视觉-语言-动作模型（VLA）虽然规模和性能不断增长，组合泛化却始终难以实现：多数模型连训练过的指令都需要任务级微调才能流畅执行，更不用说把技能重新组合去完成全新任务。

要走出这个困境，一个自然的方向是用更大、更多样的数据训练。但机器人数据的多样性带来一个独特的难题：不同操作员、不同策略、不同质量的轨迹混在一起，朴素的训练方式会让模型学到各种行为模式的「平均」，结果反而更差。失败回合、笨拙的自主探索、质量参差的演示，这些数据里其实包含大量关于状态分布和错误恢复的宝贵信息，直接扔掉是巨大的浪费，直接倒进去又会拖累性能。

π0.7 的解题思路借鉴了图像生成领域的「提示词扩展」（prompt expansion）：与其清洗数据，不如给每条数据配上足够详细的上下文，让模型学会「在什么条件下做什么」。但在机器人场景里，光靠更详细的文字描述是不够的——有些关键信息很难用语言表达（比如「一件叠得整齐的 T 恤长什么样」），有些则属于策略层面的属性（比如这条轨迹的整体质量）。因此 π0.7 把上下文扩展为多模态的提示词：除了语言指令，还包括子目标图像、回合元数据与控制模式。这一改动看似温和，却从根本上改变了模型能消化什么样的数据，并最终催生出一系列涌现能力。

图 1：π0.7 是一个可操控的通用机器人基础模型，训练提示词中不仅包含任务描述，还包含详细语言、生成的子目标图像与回合元数据，告诉模型不仅「做什么」还有「怎么做」。

方法总览：把提示词变成多模态任务说明书

标准 VLA 的训练目标是给定观测历史与上下文，最大化动作块的对数似然：

$$\max_{\theta}\;\mathbb{E}_{\mathcal{D}}\left[\log\pi_{\theta}(\mathbf{a}_{t:t+H}\mid\mathbf{o}_{t-T:t},\mathcal{C}_{t})\right]$$

其中观测 $\mathbf{o}_{t}=[\mathbf{I}_{t}^{1},\ldots,\mathbf{I}_{t}^{n},\mathbf{q}_{t}]$ 由 $n$ 路相机图像与机器人本体状态 $\mathbf{q}_{t}$ 组成，$\mathbf{a}_{t:t+H}$ 是未来一段动作块。惯例上上下文 $\mathcal{C}_{t}$ 只是一条人工标注的语言指令 $\ell_{t}$（比如「清理厨房」）。π0.7 把它扩展为五个部分：$\mathcal{C}_{t}=(\ell_{t},\hat{\ell}_{t},\mathbf{g}_{t},m,c)$，分别是任务描述、子任务指令、多视角子目标图像、回合元数据和控制模式。训练时每个组件都被随机丢弃（dropout），使模型在测试时可以只用任意子集，灵活组合。

图 3：提示词总览。π0.7 的上下文包含子任务指令、子目标图像与回合元数据等多种模态，训练时对各组件做 dropout，测试时灵活组合。

一条真实的训练提示词长这样：

<Multi-view observation><Multi-view subgoals> Task: peel vegetables. Subtask: pick up the peeler. Speed: 8000. Quality: 5. Mistake: false. Control Mode: joint. <Proprioception>

提示词的四个扩展组件

子任务指令：语义级的分段标注

延续 π0.5 的做法，除了整体任务描述 $\ell_{t}$，提示词中还包含刻画当前语义子任务的中间指令 $\hat{\ell}_{t}$（例如「打开冰箱门」）。团队先在多样场景里采集数据，再对轨迹分段并配上细致的文字描述。这一设计带来一个额外红利：由于模型被训练去跟随多样的语言指令，人类可以在全新任务上逐步用语言「指导」机器人（比如把红薯装进从未见过的空气炸锅）；这些指导数据随后可用于微调出一个高层语义策略，让机器人完全自主地完成任务。

子目标图像：用画面补齐语言说不清的细节

「打开冰箱门」并没有说明该以什么姿势抓住把手。子目标图像通过描绘场景在不远未来的期望状态，把语言难以表达的执行细节（环境/物体层面的结果，以及腕部视角下手臂/夹爪的姿态）直接画给策略看。π0.7 使用多视角子目标 $\mathbf{g}_{t}=[G_{t}^{1},\ldots,G_{t}^{n}]$，运行时由一个轻量世界模型 $g_{\psi}$ 生成。世界模型从具备网页级预训练的 BAGEL（14B 混合 Transformer 图像理解/编辑/生成模型）初始化，用条件流匹配目标训练：

$$\max_{\psi}\;\mathbb{E}_{\mathcal{D}_{g}}\left[\mathcal{L}_{\mathrm{CFM}}\left(\mathbf{g}_{t}^{\star},\;g_{\psi}(\mathbf{o}_{t},\hat{\ell}_{t},m)\right)\right]$$

其中真值子目标取分段末帧 $\mathbf{g}_{t}^{\star}=\mathbf{o}_{t_{\mathrm{end}}}$，训练集 $\mathcal{D}_{g}$ 是带有高质量子任务标注的分段子集。通过混入网页数据、第一视角人类视频和其他视频数据，世界模型获得的语义与物理概念经由子目标图像「注入」π0.7——这是一种把网页级知识迁移进低层策略的巧妙通道。

训练 VLA 时，子目标图像用真实未来帧与生成图像混合供给：以 0.25 的概率取分段末帧（与世界模型的预测目标一致），以 0.75 的概率在当前时刻之后 0–4 秒内均匀采样未来帧，同时大量加入世界模型生成的图像以弥合真实/生成图之间的训练-测试偏差。由于带子目标时动作预测几乎退化成「逆动力学」问题、训练显著变快，团队只在每个 batch 的 25% 样本中加入子目标图像。

回合元数据：给数据质量贴上显式标签

这是 π0.7 敢于消化低质数据的关键。每条训练轨迹都被标注上一组元数据 $m$：

• 整体速度（Overall speed）：回合时长（步数），按 500 步区间离散化，例如 1750–2250 步统一记作「2000 steps」。速度往往与质量正相关——快的回合通常错误更少。
• 整体质量（Overall quality）：1–5 分的执行质量打分，5 为最高。
• 失误（Mistake）：该动作分段内机器人是否犯错（如抓空、做错子任务），由人工粗标注。

训练时模型看到真实的回合速度、质量与失误标签；数据多样性提供了足够的信号，让模型学会把这些元数据与目标动作关联起来。测试时则反向使用：把速度设为该任务回合长度的 15 分位数、质量恒为 5、失误恒为 false，相当于命令模型「以接近最快、最高质量、零失误的方式执行」。这就是「可操控性」的直接来源。

控制模式：同一模型切换关节与末端执行器

训练同时包含关节级（joint）与末端执行器（ee）动作，并用文本标识符 $c\in\{\texttt{joint},\texttt{ee}\}$ 在提示词中声明，运行时可按任务选择。论文附录显示，对先前模型而言两种控制模式在跨本体任务上性能差异不大。

训练时的 dropout 配方

各组件的随机丢弃策略是精心设计的：25% 的样本带子目标图像；带子目标的样本中 30% 丢弃子任务指令（视觉子目标往往比文字描述更丰富，可以替代它）；回合元数据整体以 15% 概率丢弃，其三个子项再各自以 5% 概率单独丢弃；控制模式从不丢弃。这套 dropout 使 π0.7 在测试时能接受任意提示词组合，甚至支持对上下文做无分类器引导（CFG）。

模型架构与训练配方

图 2：架构总览。π0.7 是 5B 参数的 VLA：4B VLM 主干 + MEM 风格视频历史编码器 + 860M 动作专家；运行时子任务指令来自同架构的高层语义策略，子目标图像来自基于 BAGEL 的轻量世界模型。

π0.7 在 π0.6 的 VLA 架构与 MEM 记忆系统基础上扩展而来，总参数约 5B：

• VLM 主干：由 Gemma3 4B 初始化（含 400M 视觉编码器），输入至多 4 路相机图像（前视、双腕、可选后视），每路至多 6 帧历史，历史帧按 1 秒步长采样，图像统一缩放到 448×448。历史编码器沿用 MEM 设计，对历史做时空压缩，无论历史帧数多少都输出固定数量的 token；整体历史以 0.3 概率丢弃，后视图像也以 0.3 概率丢弃。
• 注意力结构：采用块因果（block-causal）掩码——观测 token 与子目标 token 各自内部双向注意，子目标 token 还可注意到观测；后续文本 token 使用因果注意。
• 本体感觉：状态 $\mathbf{q}_{t}$（含历史状态）不再像 π0.6 那样离散成文本 token，而是像 MEM 一样用线性投影映射到主干维度，每个历史状态作为独立 token，历史帧被丢弃时对应状态 token 也一并掩掉。
• 动作专家：860M 参数的轻量 Transformer，用流匹配目标预测连续动作，通过 adaptive RMSNorm 注入时间步信息；固定处理 50 个动作 token（50 步动作块），块内双向注意并可注意主干激活。
• 知识保温（KI）：VLM 主干另用 FAST token 做离散交叉熵监督；动作专家可以读取主干全部激活，但梯度不回传进主干——让 VLM 以稳定的离散损失持续学习，不被动作回归损失破坏。
• 实时动作块（RTC）：训练时模拟 0–12 步推理延迟（50Hz 机器人上对应至多 240ms），保证推理延迟下的动作平滑。

图 4：实验中使用的部分机器人平台，包括双臂移动操作平台、静态双臂平台与 UR5e 等。

训练数据是本文与经典 VLA 流水线差异最大的地方。除了覆盖多种平台与环境（自建实验室/居家风格环境、真实住宅）的演示数据，π0.7 大量使用「次优数据」：失败回合、含大量失误的成功回合，以及先前模型（包括 RL 后训练的 $\pi^{*}_{0.6}$）在评测中产生的自主轨迹。后者等价于一种「蒸馏」：通用模型把 RL 专家的本领继承回单一预训练模型。此外还混入开源机器人数据集、第一视角人类视频，以及网页来源的非机器人辅助任务（物体定位与属性预测、视觉问答、纯文本预测、视频描述）。论文明确排除了所有用于泛化评测的自主数据，避免测试集泄漏。

运行时：异步推理与无分类器引导

部署时 π0.7 按任务需要自由组合上下文，无需任何任务级后训练。回合元数据固定为：速度取该任务回合长度的 15 分位数、质量 5、失误 false；子任务指令由高层语义策略（同架构微调而来）或人类指导者提供；使用子目标图像时，每当语义意图变化（新的 $\hat{\ell}_{t}$）或距上次生成已过 $\Delta=4$ 秒，就刷新一次子目标。整个流程异步执行：视觉子目标与子任务指令在独立线程生成，VLA 推理始终使用最新可用结果（论文算法 1）。动作生成用 5 步去噪产生 50 步动作块，实际执行其中 $\hat{H}\in\{15,25\}$ 步。

由于训练时对各上下文组件做了 dropout，π0.7 可以对任意组件施加无分类器引导。每个去噪步按下式更新：

$$\nabla_{\mathbf{a}}\log\pi_{\theta}(\mathbf{a}_{t:t+H}|\mathbf{o}_{t},\mathcal{C}_{t})+\beta\left(\nabla_{\mathbf{a}}\log\pi_{\theta}(\mathbf{a}_{t:t+H}|\mathbf{o}_{t},\mathcal{C}_{t})-\nabla_{\mathbf{a}}\log\pi_{\theta}(\mathbf{a}_{t:t+H}|\mathbf{o}_{t},\mathcal{C}_{t}^{\text{uncond}})\right)$$

其中 $\mathcal{C}_{t}^{\text{uncond}}$ 是去掉被引导组件的「无条件」上下文，$\beta$ 为引导权重。论文把 CFG 施加在回合元数据上以激发灵巧任务的最佳表现，取 $\beta\in\{1.3,1.7,2.2\}$ 的温和值。

把算法 1 的运行时工作流画出来，三股信息流（策略、高层语义策略、世界模型）异步协作：

flowchart TB
    A["task instruction l
+ episode metadata m
+ control mode c"] --> B["high-level semantic policy
same Gemma3-4B architecture"]
    B --> C["subtask instruction
l-hat refreshes on intent change"]
    C --> D["world model g-psi
BAGEL 14B, 4xH100 TP"]
    A --> D
    D --> E["subgoal images g-star
3 views, 25-step denoise, 1.25s"]
    C --> F["pi-0.7 VLA 5B
4B VLM + 860M action expert"]
    E --> F
    G["observations o
4 cameras, 6 history frames"] --> F
    F --> H["5-step flow matching denoise
50-step action chunk"]
    H --> I["execute H-hat = 15 or 25 steps
50Hz joint or ee control"]
    I -.next subtask.-> B
    E -.regenerate every 4s
or on new subtask.-> D

推理效率方面，π0.7 与高层策略共用单块 H100：经 RTC 后续优化，最小配置（3 路相机、5 步去噪）推理仅 38ms，加上 MEM 视觉编码器与子目标图像后最坏 127ms。14B 世界模型则是推理瓶颈——近万 token 序列上做迭代去噪开销巨大，团队用 4 路张量并行（4×H100）、8-bit 量化矩阵乘和修改版 SageAttention，把 25 步去噪（含文本与图像双 CFG）压到 1.25 秒，并以异步方式让策略在世界模型生成下一张子目标时继续执行。

实验结果

图 5：部分评测任务示意，其中两个长时程任务的完整过程被可视化为电影条带。

1. 开箱即用的灵巧性：通用模型追平 RL 专家

团队在十余个高灵巧任务上评测：来自 $\pi^{*}_{0.6}$ 发布的意式咖啡机操作、折纸箱、叠衣服三个任务（可与 RL 专家直接对比）、「机器人奥运会」任务（做花生酱三明治、把 T 恤翻面、开车穿门），以及整根切西葫芦、削皮（西葫芦/黄瓜/胡萝卜）、更换垃圾袋等长时程任务。结果显示：单一通用 π0.7 在所有任务上开箱即可与对应的任务级专家打平，在叠衣服与折纸箱这两个最难的任务上吞吐量甚至超过 RL 专家。与基于 π0.6 的 SFT 专家相比，π0.7 同样全面接近。

图 6：开箱即用的灵巧性。π0.7 无需任务微调即可执行大量高灵巧任务，与 RL/SFT 专家模型对比全面占优或持平。

消融实验揭示了性能来源：去掉全部自主评测数据（no eval data）或去掉回合元数据（no metadata）都会让所有任务显著掉点。评测数据质量参差，唯有配合元数据区分高低质量行为，才能把专家轨迹蒸馏进通用模型——「多样数据 + 详细上下文」的协同是这篇论文最核心的实证结论。在需要记忆的长时程任务上，开箱的 π0.7 也达到甚至超过任务微调的 π0.6-MEM 专家。

2. 指令跟随：在陌生环境里听懂复杂指令

团队在训练数据之外的 4 个厨房与 2 个卧室里，用 14 个包含 3–6 步指令的场景评测：整理物品、与家具交互、清理洒落物等。π0.7 的整体指令跟随成功率显著高于 π0.5 与 π0.6。在刻意设计的复杂指称指令上（如「拿起我喝汤时会用到的东西」「拿起最大盘子里的水果」），π0.7 同样领先，且加上世界模型生成的子目标图像（记作 π0.7 (GC)）后进一步提升——网页级预训练带来的语义理解经由子目标图像注入策略。

图 9：陌生环境中的广泛指令跟随。14 个场景各含多步指令序列，π0.7 显著优于先前模型。

更有意思的是「逆数据偏置」实验：若机器人总是在某个场景里做同一件事，训练出的模型往往会无视语言、盲目复制数据行为。团队构造了两个反向任务——「反向收餐」（把垃圾放进收餐桶、餐具扔进垃圾桶，与训练数据完全相反）和「反向冰箱到微波炉」（训练数据只有从冰箱取出放进微波炉，测试时要求反着做）。π0.7 在这两个任务上大幅领先先前模型，说明它真正在关注指令本身；反向冰箱任务中子目标图像的引导尤为关键。

3. 跨本体迁移：零样本把叠衣服交给从没干过活的机械臂

团队沿「本体差距」逐级加码：餐桌布置（数据来自多种机器人，所有模型都迁移良好）→ 装袋/收纳保鲜盒（数据全部来自较大的 UR5e 双臂平台，测于较小的静态双臂平台，π0.5 崩溃而 π0.6/π0.7 依然稳健）→ 衬衫装袋（数据来自小静态双臂平台，测于单臂 UR5e——目标机器人只有一条更重更大的手臂，必须彻底换策略，π0.7 显著领先所有先前模型）。

图 12：跨本体迁移。随本体差距增大，π0.7 的优势愈发明显；叠衣服这类灵巧任务迁移时，子目标图像进一步提升表现。

最大的挑战是灵巧任务：叠衣服数据全部采自轻量静态双臂机器人，UR5e 双臂系统没有任何折叠数据，其工作空间、惯性与可操控性都差异显著。π0.7 却在 UR5e 上成功叠起毛巾与 T 恤，并自发涌现出适配目标本体的新策略：源机器人上人类操作员习惯倾斜末端执行器、把布料压在桌沿再提起；UR5e 上模型改用更适合该臂运动学的垂直抓取。论文还发现子目标图像让世界模型为目标机器人「想象」合理的抓取与布料状态，进一步改善迁移。

图 13：跨本体迁移涌现出适配目标本体的策略。(a) 源机器人双臂协作撑袋，UR5e 改用单臂取放；(b) 源机器人倾斜抓取，UR5e 改用垂直抓取。

为量化这一结果，团队招募了 10 位资深遥操作员（平均 375 小时经验、均位于操作员队伍前 2%），让他们同样零样本首次在 UR5e 双臂系统上叠 T 恤：人类取得 90.9% 任务进度与 80.6% 成功率，而 π0.7 取得 85.6% 任务进度与 80% 成功率——与顶尖人类操作员的首次尝试相当。这一结果的工程含义是：灵巧技能可以从廉价、易遥操作的轻量平台采集，再零样本迁移到人工示教成本极高的大负载工业臂上。

4. 组合泛化：语言「现场教学」学会使用新家电

对短时程新任务，π0.7 可以直接提示完成：按法压壶压杆、舀米进电饭煲、用布擦办公用品、转动桌面风扇——这些任务没有专门采集过任何机器人数据。对「用空气炸锅烤红薯」这类需要多阶段、长达 5 分钟交互的复杂任务，直接提示行不通，但人类可以像教人一样逐步用语言指导机器人（「拿起红薯」「打开空气炸锅」）。在装/卸空气炸锅、烤百吉饼三个完全未见过的厨房任务上，π0.7 被指导的成功率远超先前模型，配合生成子目标图像后更好。

图 14：语言指导示例。人类逐步给出语言指令即可「教会」π0.7 全新任务；这些指令随后可用于训练高层策略，实现完全自主执行。

指导数据还有更进一步的用法：把逐步指令当作监督信号，微调出一个高层语言策略（π0.7 自身架构），由它在运行时持续输出下一步子任务指令。在 5 个任务上，这样得到的自主策略（π0.7 autonomous）大致追平了人工指导回合（π0.7 coaching）的表现——没有采集任何遥操作动作数据，新任务就此「入账」。

5. 数据扩展：混合质量数据从毒药变养料

在受控实验中，团队把叠衣服任务的人类演示按折叠质量与速度分成四个桶（前 30%、前 50%、前 80%、全部），从零训练 8 个模型（带/不带元数据 × 四个桶）。结果：不带元数据的模型在加入更低质数据后性能反而下降；带元数据的 π0.7 却随数据量持续提升——尽管平均质量在下降。回合元数据把质量与策略的歧义解开，让模型在大而杂的数据集上获得了更好的可扩展性。

最有代表性的量化结果来自叠 T 恤跨本体实验（UR5e 双臂，源本体为轻量静态双臂机器人）。论文招募了 10 位平均遥操作经验 375 小时、位列操作员前 2% 的资深人类选手做零样本对照——他们同样从未在 UR5e 上叠过衣服：

选手	任务进度	成功率	条件
资深人类遥操作员（10 人，平均 375 小时）	90.9%	80.6%	零样本，首次操作 UR5e
π0.7（GC，带生成子目标）	85.6%	80.0%	零样本，无任何 UR5e 叠衣数据

表 1：零样本跨本体叠衣——策略与顶级人类遥操作员打平（论文第 IX-C 节与附录 A-F）。

论文还在「洗衣（T 恤与短裤）」任务上做了数据桶消融：按折叠质量与速度把人类操作数据分成四档，分别训练带/不带回合元数据的模型（共 8 个），结论整理如下：

数据桶	数据构成	π0.7（带元数据）	π0.7（不带元数据）
桶 1	质量+速度前 30%	基线水平	基线水平
桶 2	前 50%	持续提升	小幅波动
桶 3	前 80%	持续提升	开始退化
桶 4	全部数据（平均质量最低）	仍然最好	明显变差

表 2：混合质量数据消融。带元数据时模型从「更大但更脏」的数据中持续受益，不带元数据则随低质数据增多而退化（论文图 18 左）。

图 18：泛化随数据与上下文多样性的扩展。左：带元数据时，更多（哪怕更低质）的数据持续提升性能；不带元数据则退化。右：移除任务多样性最高的 20% 数据会显著损害泛化。

另一组对照：分别移除「任务多样性最高的 20%」与「随机 20%」数据训练（数据量相同）。在多个未见短时程任务上，移除多样性最高的数据造成显著性能损失，随机移除则无此影响——π0.7 确实能把任务多样性转化为组合泛化能力。

局限性

• 零样本成功率仍有落差：见过的任务成功率常在 90% 以上，而未见任务或「未见任务×未见机器人」组合的成功率在 60–80% 区间，距离可靠部署还有距离。
• 「见过/没见过」无法严格界定：训练集规模与多样性大到难以追溯某个行为究竟源自哪些数据，所谓「新任务」很可能只是已见技能的新组合——作者坦言这与理解 LLM 泛化的困境如出一辙，并认为这种「重混」恰恰就是组合泛化的本质。
• 评测封闭性：全部实验在 Physical Intelligence 自有的机器人车队、内部数据与评测协议上进行，尚无第三方复现；元数据中的质量与失误标签依赖人工粗标注，标注成本与一致性论文未展开。
• 推理成本：5B 策略需要单块 H100，14B 世界模型需要 4×H100 做张量并行才能把子目标生成压到 1.25 秒，规模化部署的硬件门槛不低。

总结与展望

π0.7 的核心贡献不是新架构，而是一套方法论：用足够丰富的上下文把「数据质量参差」从训练难题变成条件生成问题。元数据、子目标图像与详细语言共同告诉模型每条数据「在什么条件下以什么方式执行」，失败与次优轨迹由此从毒药变成养料，RL 专家的本领也能被蒸馏回单一通用模型。回报是一系列涌现能力：开箱追平任务级专家、零样本跨本体迁移灵巧技能、逆数据偏置的指令跟随、以及用语言指导 + 高层策略自举学习全新长时程任务。

作者指出的下一步，是让 π0.7 利用自身的高可操控性在测试任务上高效学习——更细致的语言指导，乃至自主强化学习；更进一步，让模型「思考」可能的执行方式、用多样的提示词把思考落地为动作、再根据结果反思修正计划。当提示与跟随足够强大，机器人的能力获取方式将从「为每个新任务采集动作数据」转向「提示它、指导它、向它解释」。

金句

"具备规模化组合泛化的模型，将彻底改变我们做机器人学习的方式——我们可以直接提示机器人、指导它、向它解释，而不必再为每个新任务采集动作数据。"

"在机器人领域，光给数据配上更详细的文字是不够的——决定成败的细节要么微妙到难以言说（比如这条轨迹的整体质量），要么根本无法用语言表达（比如一件叠得整齐的 T 恤长什么样）。"