具身智能的发展正面临数据瓶颈，而海量的人类视频数据正是未被发掘的宝藏。Physical Intelligence 提出了一套直接高效的方法，通过精准对齐人与机器人的动作数据，并利用多样化预训练，成功将人类知识迁移给机器人，显著提升了模型在未知场景、物体和任务上的泛化能力，为解决机器人数据稀缺问题提供了新思路。
智能速览
具身智能发展的核心瓶颈在于数据稀缺。
Physical Intelligence 采用直接抽取人类动作数据进行训练的思路。
通过数据采集方案，将人类手部姿态与机器人动作精准对齐。
必须先进行多样化数据预训练，才能有效利用人类数据。
实验证明，人类数据能有效提升机器人在新场景和任务上的泛化能力。
人类数据是一种低成本的跨本体数据替代方案。
精华内容
那么，Physical Intelligence 是如何化繁为简，将人类视频数据有效转化为机器人训练燃料的呢？其成功关键在于数据对齐、预训练和实验设计三个环节。
数据对齐是基础
成功的第一步是解决人与机器人的数据鸿沟。研究采用类似 UMI 的采集方案，通过头显和腕部支架捕获人类动作，关键在于计算头戴相机与世界坐标系的位姿，以及手掌、中指等关键点的位姿，共 18 个维度。这些维度作为模型预测目标，确保了人类动作与机器人执行指令在空间上的一致性。对于难以对齐的夹爪开合度，则选择直接忽略，这种务实态度保证了核心数据的可用性。
预训练对齐表征
直接将人类数据与机器人数据混合训练效果不佳。研究发现，必须先通过大量多样化的任务和场景数据进行预训练。这个过程能将不同来源的数据（如不同机器人、不同人类）的表征映射到同一个隐空间，让模型学习到任务的本质和物理规律，而非表象。只有经过这一步，再加入人类数据进行微调，才能起到正面的促进作用，否则只会干扰模型学习。
泛化能力是关键
人类数据的真正价值在于弥补机器人数据的不足，尤其是在泛化能力上。实验设计巧妙地针对机器人数据未覆盖的场景、物体和任务进行测试。结果显示，引入人类数据后，机器人成功执行这些新任务的概率显著提升。研究还对比发现，人类数据的作用与使用另一种机器人本体（如 UR5）的跨本体数据类似，但其采集成本远低于后者，展现了极高的性价比。
跨本体的本质
深入来看，人类数据提供的是一种“跨本体”的视角，它帮助机器人理解如何用不同的“身体”去完成同一个目标。这种能力对于实现通用机器人至关重要。虽然 UR5 等其他机器人本体的数据在效果上可能略胜一筹，但考虑到成本和采集难度，人类视频数据无疑是一个更具规模和潜力的数据来源，为解决具身智能的数据瓶颈开辟了新路径。
Physical Intelligence 的方法证明了人类视频数据是解决具身智能数据瓶颈的有效途径。通过将人类知识低成本地迁移给机器人，我们离通用机器人的未来更近了一步。未来，如何更自动化、更大规模地利用海量互联网视频数据，将成为一个激动人心的方向。
