机器人看人类视频，究竟能学到哪一步？

（本文作者为 具身志，钛媒体经授权发布）

>  文 | 具身志，作者 | 越十三，编辑 | 仲庆元

10月10日，星动纪元开放了VPP2的两套视频模型权重。

VPP2把机器人学习一项操作的过程分成三段：先预测任务接下来会怎样发展，再把较长的过程压缩成视觉规划，最后学习机器人动作。这次开放的是前两段。

把时间往前推两个月，类似围绕人类视频的研究和投入已经接连出现。

8月，Dyna Robotics公布了不同规模人类视频预训练对真实机器人任务的影响；Figure公开了大规模第一视角视频采集系统。9月，Skild AI尝试用一段人类视频向机器人说明新任务，Dyna又在处理同一种经验怎样跨越不同的机器人身体。

几家公司选择了不同的技术入口，却把人类视频放进了同一条训练链：扩大预训练规模，提示机器人要做什么，预测操作过程，再把视觉经验接到动作上。

这些动作共同指向一项行业变化。数量更大的人类视频开始承担任务理解和世界变化的学习，稀缺的机器人数据更集中地解决身体控制。



如果这种分工能够成立，机器人学习新动作的规模，就不必完全取决于为每一副身体、每一项任务重新采集示范。

这种分工能不能换来机器人在真实任务中更好的表现，成为下一步要回答的问题。

一百万小时之后，钥匙转动了

Dyna-2用一项转钥匙实验做了规模对照。

研究者准备了四组模型，让它们接受相同的机器人任务训练。此前，四组模型分别用1,000小时、1万小时、10万小时和100万小时的人类第一视角视频做过预训练。

转动锁盒上的钥匙时，前三组都失败了。100万小时这一组测试10次，成功9次。

四组模型后续使用的机器人数据条件相同，每项任务不超过10小时。这使研究者能够比较，在相同的机器人训练之后，预先接触更多人的操作经验，能给结果带来什么变化。



Dyna-2转钥匙是14项真机任务之一，实验中，随着人类视频预训练规模从1000小时增加至100万小时，机器人在相同后训练条件下的表现发生变化。图片来源：Dyna Robotics

开锁是14项真机任务中的一项，它不能划出一条适用于所有任务的“100万小时门槛”，却验证了实验的一个...

具身志 | tmtpost​.com • Oct 14, 2026