李飞飞要用ImageNet的李飞方式，推动具身智能了。起机器人

依然是家务钦州市某某展览服务经销部一个“挑战赛”。

就在最近，挑战由李飞飞团队发起、赛老时间英伟达赞助（其中之一）的黄第首届BEHAVIOR家务挑战赛正式启动。

这一次，批钱他们下定决心凝聚学术界和产业界的赞助力量，共同向机器人做家务这一高地发起冲击。李飞

简单来说，起机器人参赛者需要统一使用星海图R1 Pro（双手操作+轮式移动）作为本体，家务在逼真的挑战钦州市某某展览服务经销部BEHAVIOR-1K虚拟家庭环境中，解决50项完整的赛老时间家务任务（涵盖重新布置、烹饪、黄第清洁等各种活动）。批钱

参赛者可以自由选择算法，官方还提供了1万条专家演示轨迹（约1200小时），方便大家用模仿学习快速上手。

具体赛道则有两条可选：

• 标准赛道（Standard Track）：机器人只能用“自己能看到的东西”决策。
• 特权赛道（Privileged Track）：机器人可以获取更详细的环境状态信息（比如物体坐标、房间结构）。

然后官方会在固定的50个任务上，让所有机器人跑相同测试，用以下标准打分（主要）：

• 任务完成率：能否完全把任务做完，比如“把餐具放进洗碗机”真的被完成。
• 部分完成度：如果只做到一半，比如“拿起盘子但没放进去”，也会给部分分数。

其他次要指标包括：模拟时间（完成任务用了多长时间）、导航距离（走了多远）、手部位移（动了多少次机械臂）、稳定性等。最终排名主要看平均任务完成率。

比赛提交截止期日为2025年11月15日，最终获奖前三名还有最高1000美元奖金及RTX 5080可拿。

OK，说完比赛内容，那么接下来的问题是——

为什么要发起BEHAVIOR？

关于发起BEHAVIOR的背后原因，李飞飞在和Jim Fan（英伟达具身智能实验室联合负责人、也是李飞飞学生）、 Edmar（英伟达Omniverse社区经理） 的一场炉边谈话中进行了详细阐述。

整体而言，BEHAVIOR的发起正是受到ImageNet的启发。

2009年，李飞飞带领的研究团队在CVPR发表论文《ImageNet: A Large-Scale Hierarchical Image Database》。伴随着ImageNet挑战赛举办，这一成果已然成为了计算机视觉领域的试金石，开启了一个新的时代。

此时再回顾ImageNet，李飞飞坦言最初并未预想到它会完全重塑AI，她只是追随自己的好奇心。

在她看来，ImageNet与神经网络（特别是卷积神经网络）以及英伟达的GPU一起，共同定义了深度学习的开端。

所以这一次，回到当下大热的具身智能领域，她打算用同样的方式再做一遍。

而具体到机器人做家务这件事上，目前机器人学习存在的痛点包括：

• 机器人学习缺乏标准化；
• 任务选择通常是零散的，使得论文之间的结果很难进行比较；
• 训练数据匮乏，这有点类似于ImageNet出现之前计算机视觉领域所面临的问题。

因此，李飞飞将BEHAVIOR也看做机器人领域的“北极星”任务，她希望借助社区力量推动具身智能向前发展。

BEHAVIOR挑战赛有哪些看点？

另外，BEHAVIOR除了自带李飞飞光环，这个挑战赛本身也很有看点。

首先从理念上，BEHAVIOR被设计为以人为中心，尤为强调AI是为了增强（augment）和赋能（empower）人类，而非取而代之。

这种理念贯穿着BEHAVIOR的所有环节。例如，团队会在任务定义、数据选择和伦理价值导向上，来始终确保机器人的目标与人类的需求相符。

其次，BEHAVIOR核心瞄准做家务这一赛道，并首次明确提出了相关标准——

一个真正的家庭机器人，必须同时具备跨房间导航、双手精细操控、长期规划与动态适应等多项能力。

而且为了训练机器人学习相关能力，BEHAVIOR的规模也讲求一个“大”。

它覆盖了1000个家庭活动，50个完整长程挑战，平均单个任务需要6.6分钟连续操作。

所以，以人为本、目标清晰、规模巨大的BEHAVIOR，无疑具备成为“下一个ImageNet”的潜力。至于最终结果如何，一切都要交给时间，毕竟ImageNet也不是一朝一夕成就的。

Anyway，如果说ImageNet开启了视觉智能的黄金时代，那BEHAVIOR，或许正是具身智能的第一声号角。

以及关于机器人做家务这件事，最近也都成了具身智能项目争相整活的任务。以后拍视频，可能就都是家务场景了。

大语言模型的检测是做题，具身智能机器人的检测是做家务。

潮水趋势，已经很明确了。

大赛详情页：
https://behavior.stanford.edu/challenge/index.html