最近在关注具身智能方向的进展，看到一个很好玩的东西。

其实之前一直有个行业里大家很头疼的问题：教一台机器人学一项新技能，成本太高了。

你可能觉得，现在模型能力这么强，机器人学个新动作应该不难吧？

但实际情况是，你想让它学会叠衣服，得先有人操控着它做几十上百次演示，采集一大堆数据，然后花好几个小时微调模型。

等它终于学会了，你再想教它擦桌子，整个流程又得重来一遍。更要命的是，它学完擦桌子之后，之前学的叠衣服可能就忘了大半。

如果这个问题如果不解决，机器人进家庭就是空谈。

一台家用机器人可能需要会几百种新技能，每个技能都走一遍采数据、训模型的流程，工程上根本不现实。

1最近，我看到自变量机器人新开源了一个叫 HOST 的项目，思路上很有意思。

它做的事情非常实用：让机器人看一段人类操作的视频，就学会这项技能。一段视频，平均 29 秒，不用采集数据，也不用微调模型。

我去看了论文里的对比实验。在同一批测试任务上，HOST 仅从一段视频学习，成功率 62%。

作为对比，Pi-0.5 加微调方案需要 50 段机器人演示数据和 4 小时训练时间，成功率只有 38%。换算一下：1/50 的数据量，1/500 的时间，成功率反而高了 24 个百分点。

还有一组对比，同样只看一段视频学的 Vid2Robot 和 AWDA，成功率只有 19%，HOST 是它们的三倍多。

2所以它到底是怎么做到的？

我去读了一下它的论文，发现核心思路不复杂，但确实跟之前很多主流方法不一样。

传统方案的逻辑是翻译，人怎么动，就想办法让机器人也那么动。问题在于人和机器人的身体结构完全不同，人有五根手指，机器人可能只有两个夹爪，关节自由度也对不上。

硬翻译，是翻不过来的。

所以HOST 换了个角度，它不翻译动作，而是翻译结果。

比如机器人看到视频里人类正在拿起一杯水，它不会去模仿人类手指抓握的姿势，而是先想象出另外一张图，一个机械臂夹着水杯的画面。然后根据这张图反推，从当前状态到这个目标画面，我需要怎么动。

我自己的理解是，这其实是在模拟人类的观察学习过程。

比如我们学做菜的时候会看别人的教程视频，你不会去复制别人的手部肌肉运动轨迹，你看到的是切完的样子、翻炒的状态、出锅的结果，然后你用自己的方式去实现同样的结果。

而HOST就是把这个过程工程化了。

3这里面还有一个很巧妙的设计。

机器人看视频学动作，有一个很现实的问题：速度不同步。同样过了 10 秒，视频里的人可能已经切完菜开始炒了，机器人才切到一半。如果按时间戳对齐，后面就全乱了。

HOST 的做法是按任务进度对齐，不按时间对齐。

它把视频每一帧和机器人每一步操作都映射到同一个向量空间里，然后用算法自动匹配。不管你快我慢，只要干到了同一步，就对上。HOST 把这一层想明白了，对齐误差直接降了一个数量级。

还有训练策略上，HOST 内部有两个模块，一个负责看视频和想象目标画面，一个负责把画面变成动作指令。

训练的时候分两步：先让机器人看其他机器人的操作视频打基础，再引入人类视频学习跨越本体和视角的差异。

这么设计的原因很实际，人和机器人做同一件事的配对数据很稀缺，但机器人自己的数据容易采集。先用容易拿到的数据练基本功，再用少量稀缺数据完成迁移。

我觉得这个思路其实在很多领域都成立。做项目也是这样，先用低成本的方式把基础框架搭好验证通了，再投入高成本资源去做精细化的东西。资源有限的时候，分阶段投入几乎总是比一步到位更高效。

而且模型训好之后权重就冻结了，后面学新技能不需要再训练。

新技能就像一份菜谱，放在架子上随时取用。你给它放叠衣服的视频它就叠衣服，放倒水的视频它就倒水，学完倒水叠衣服的能力完好无损。

4当然也有几个我还需要观察的地方。

一个是 62% 的成功率，放在学术界已经很好了，但如果你真要让它干活，在家庭场景尚可接受，因为干家务活儿更关注泛化性而不是一次成功率。

如果是在工业生产场景，从研究到产品落地，中间的工程优化还有很长的路。

另一个是这次测试的 50 个任务，虽然覆盖了不同物体、工具和基本动作，但家庭场景的任务复杂度和多样性远不止于此，真实环境里会出现各种论文里没覆盖到的边界情况。

不过话说回来，HOST 的核心价值不在于当前成功率的绝对值，而在于它验证了一条新路径：技能获取可以从“训练时微调”切换到“推理时观看”。

像机器人进家庭这件事我们已经聊了很多年了，技术路径也试了很多。但有一个根本性的矛盾一直没解决：家庭场景需要的技能太多太杂，靠预训练“出厂就干活儿”覆盖不完，传统后训练的采数据训模型的方式也扩展不过来。

HOST 指向了一个可能的解法。它把教机器人新技能这件事，从一个需要工程师参与的专业流程，变成了拍一段手机视频就能搞定的事情。

其实我们人和人之间传递技能，也不是靠写说明书或者反复操练。你教小孩用筷子，做一遍给他看就行了，这就是最自然的方式。

目前论文和代码已经全部开源了，如果你也在关注具身智能领域，可以去翻一下这篇论文。