传统机器人训练受限于小规模数据，难以实现高自由度灵巧操作。一项名为EgoScale的研究提出，通过利用超过2万小时的第一视角人类行为数据进行训练，可有效破解这一难题，为具身智能的发展提供了可扩展的新范式。
智能速览
研究首次在2万+小时数据上验证了机器人学习的Scaling Law。
提出“大规模人类预训练+少量人机对齐中训练”的新范式。
成功实现22自由度灵巧手的一次示教泛化。
新方法使任务成功率较无预训练基线提升约54%。
成果在国产人形机器人“星海图 R1 Pro”上完成验证。
精华内容
如何让机器人真正掌握人类的灵巧操作？关键或许不在于更复杂的算法，而在于更“海量”的数据。一项最新研究揭示了数据规模与机器人性能之间的直接关联。
数据定胜负
该研究系统性地验证了机器人领域的Scaling Law，即模型性能随训练数据量增加而单调提升。实验中，当人类操作数据规模从1000小时增加到20,854小时时，模型在验证损失上持续下降，且与真实机器人的任务执行成功率呈现强相关性。
这表明，只要有足够规模和高质量的人类行为数据，机器人灵巧操作的性能瓶颈就有望被打破。
两阶段训练法
为实现高效迁移，研究提出了“大规模人类预训练+少量人机对齐中训练”范式。第一阶段，模型使用20,854小时的第一视角视频进行预训练，学习人类腕部姿态和22自由度手部关节动作。
第二阶段，仅需引入约50小时人类操作与4小时机器人的对齐数据进行“中训练”，最后用少量任务数据微调。这种方法巧妙地将海量人类知识“转译”给机器人。
灵巧手新高度
经过上述训练，搭载22自由度灵巧手的机器人在复杂长时序任务上表现显著增强，甚至能做到“一次示教”就能泛化执行同类任务。
相较于无预训练的基线模型，新方法带来了约54%的成功率提升。此外，学到的运动先验还具有具身无关性，成功迁移到了低自由度的三指手平台上。
国产硬件验证
本次实验的硬件验证平台是国产双臂人形机器人“星海图 R1 Pro”。英伟达将其自研的VLA模型与该高自由度硬件系统结合，完成了关键的技术验证。
这不仅体现了顶尖算法与先进机器人平台的协同演进趋势，也标志着国产人形机器人硬件已进入国际前沿具身智能研究的核心框架。
