一天没上网，又跟不上时代了！
听说，现在机器人都开始自己刷小视频，学手艺了？
最近，自变量机器人推出了个开源框架，名字叫 HOST。
简单说，就是给机器人看一段人类操作的短视频，它当场就能上手干活。
平均只要 29 秒，成功率能到 62%，你泡碗面还得等三分钟呢。
听起来是不是有点科幻？
网上的机器人，跳舞、跑步、后空翻，各种花活玩得贼溜。但只要让它干点正经家务，立马露馅。
叠衣服叠不明白、摆碗筷摆得乱七八糟……
那是因为想让机器人学会一个新技能，简直太难了。
主流方案叫“真机遥操作”，听着高科技，干起来特别原始。
一个专业工程师戴上VR头显，像遥控玩具一样，一帧一帧地控制机械臂。
整套动作重复几十遍，录下来的数据拿去给模型做监督微调，离线“炼丹”四个小时，机器人才能勉强学会一个新动作。
主要是成本高得吓人，一台用于数据采集的机器人本体，动辄几十万。
有业内人士算过账，传统真机数据采集，单条成本轻松破百美元，一小时数据成本过万。
于是行业开始找便宜路子。
印度那边迅速冒出一批“数据工厂”，工人们戴着摄像头，记录工作流程。
国内也不缺这种“数据燃料”，小县城的宝妈们都把这个工作当兼职了，时薪 30 块。
这些数据被采集下来，经过清洗、标注，最后喂给机器人当“教材”。
可问题是人和机器人的身体结构天差地别。
你有五根灵活的手指，它可能只有两个夹爪。
让人看一遍视频就能学会打球，那是因为大家都是同类，身体结构是一样的。
但让一个机械臂强行模仿，就像大象学芭蕾舞，别扭且低效。
更崩溃的是，机器人学会新技能之后，很可能把之前学会的旧技能给忘了。
也就是说，你让机器人学会叠衣服，它可能就不会洗碗了。
整个行业都卡在这个死结里：想让机器人学新技能，就得烧钱采数据，花时间调模型，学完还可能把旧的忘了。
直到自变量机器人的 HOST 出现，它的思路跟以前完全反着来。
说白了，别让机器人模仿人的动作，让它理解人做事的结果。
传统方案是“照猫画虎”，HOST 的做法更像个会动脑子的人。它不模仿动作，而是先“想象”结果。
看到人类拿起一杯水，它先在脑子里脑补出“夹爪拿起水杯”的画面。再从这幅画面反推：机械臂该怎么动，才能达到这个效果？
这套方法来自认知科学里的“观察学习”理论。
自变量的研究人员把这个逻辑搬进了机器人学习，把范式从“训练时微调”改成了“推理时获取”。
简单说，机器人出厂前已经见过大世面，遇到新任务只需要“看一遍就会”，不用再重新训练。
那具体怎么实现的？
HOST 内部有两个“大脑”。
“视觉大脑”负责看懂视频里人类干到哪一步了，脑补出机器人视角下应该看到的画面。
“动作大脑”把脑补出的画面变成现实，计算机械臂怎么动。
还有个很关键的细节：进度对齐。
同样十秒钟，视频里的人可能已经切完菜开始炒菜了，机器人还在切菜。
HOST 用了一种叫“动态时间规整”的算法，把视频帧和操作步骤映射到同一个向量空间，自动匹配“人类视频第 X 帧对应机器人第 Y 步”。
对齐误差降了一个数量级，基本能做到同步。
效果怎么样？得用数据说话。
看一段 29 秒的人类视频，HOST 复现技能成功率 62%。
而同行里的 Vid2Robot 和 AWDA 做同样的事，成功率只有 19%。
如果走传统微调路线，给 Pi-0.5 示范 50 个任务，再花 4 小时训练，成功率也才 38%。
HOST 用五十分之一的数据量，五百分之一的时间，做到了比它们都高的成功率。
说回到这家公司，自变量机器人，2023 年底才成立。到现在不到两年，已经融了 8 轮，累计超 10 个亿。
投资方名单里有美团战投、阿里云、联想之星、德联资本，阵容相当豪华，前途一片光明。
那是不是意味着机器人很快就能做家务了？
别急！62% 的成功率，放在实验室里很好看，离“靠谱”还有距离。
家庭场景不是工厂流水线，光照会变、东西会挪、杯子奇形怪状，成功率大概率还要往下掉。
从“看视频学会叠衣服”到“真正帮你把一屋子衣服叠好收好”，中间还有很长路要走。
但这件事的意义在于它打开了一个全新的方向。
过去十年，行业的主流思路一直是用海量的遥操作数据去硬灌。
这条路走得通，但代价太高，速度太慢，而且每学一个新技能都得从头来一遍。
HOST 证明了一件事：机器人学习可以不用那么笨。
它可以通过观察、理解、推理来掌握技能。就像人类从“死记硬背”进化到“举一反三”一样。
你说这算不算机器人的“开窍时刻”？
参考资料：
APPSO、报告派、自变量机器人
编辑：chacha
热门跟贴