AI机器人靠刷视频学干活，动作误差并不大|ai机器人|人形|动作|预训练

"机器人是不是得在工厂里手把手教上百次，才能学会叠一条毛巾？"这可能是很多人对人形机器人的固有印象。但最近圈内放出的一个消息，正在悄悄改写这个答案：让机器人"刷视频"、去看海量的人类动作画面，它的干活准确度居然会自己往上涨，而且涨得还很有规律。

先说最直观的一幕。9月17日，人形机器人企业Figure把自己的新一代模型Helix 2.5，送进了旧金山湾区30个此前从未采集过数据的陌生家庭。这些机器人要在别人家里收拾散落在客厅的玩具、叠毛巾、铺床。关键是，它到现场之后既不重新采集数据，也不更新模型权重，更不会根据现场结果重新挑模型——说白了，就是"没见过这个家，也能上手干"，业内管这叫"零样本"做家务。

但真正让行业讨论起来的，不只是这一次"秀肌肉"，而是一个更底层、更耐人寻味的规律。相关方把这次背后的技术逻辑拆开来看：他们对机器人大模型做"人类动作预训练"，把训练规模一举从37.5亿个token（动作编码单元）拉高到了1200亿个，这个体量大约对应了10万小时的人类动作画面。

结果呢？他们用第一视角的人类数据、还有宇树G1和自研人形机器人等好几类不同的"身体"来做测试，发现只要预训练规模越大，动作预测误差、全身姿态误差、腕部位置误差都会一路往下降，而且下降的轨迹是一条平稳的"幂律曲线"。所谓幂律，通俗讲就是"数据喂得越多，误差缩得越快、越可预期"，而不是碰运气。团队还专门给这个现象起了个名字，叫"迁移缩放定律"。

行业内对这条规律的看法很谨慎也很兴奋。有观点指出，"利用互联网视频训练机器人"这件事本身并不新鲜，此前已有CoMo、HuRo等一批相近的工作在做。这次的特别之处在于，团队把"海量的人类动作视频、结构化动作恢复、越来越大规模的预训练"这几件平时往往被分开研究的事，放进了同一套规模实验里，第一次比较完整地验证了那种"刷越多、越准"的迁移规律在多类人形机器人身上都能成立。

当然，也要给人泼盆冷水。这类结果基于的是预训练规模与"目标域适配后的预测指标"之间的关系，用来衡量迁移效果的走向，它并不等同于机器人在真实环境里闭环干活的最终成功率。也就是说，"预测得更准"和"真能把活干利索并自主纠错"之间，还有一段路要走。据媒体报道，新一代模型整理客厅、叠毛巾这类整任务零样本成功率已从9%提升到56%，并开始具备全身自纠错能力——进步肉眼可见，但距离"放心交给它收拾整个家"，仍有不小距离。