自变量又整大活？机器人学做家务只需30秒

作者｜周松

原创首发｜蓝字计划

不少家长平时教小朋友写作业，半个小时就能把自己气崩溃。

可真要让他们教一台机器人叠衣服、倒水，才知道什么叫真正的地狱模式。

教机器人学一个新动作，就像教小朋友写字。不仅要反复示范几十次，还需要工程师在旁边采集数据、调整模型。甚至是“左耳进右耳出”，同一个字，换支笔就不会写了。

不过，最近自变量机器人发布的HOST机器人学习框架，试图把过去的几十次示范，压缩成一段视频。

图源：自变量HOST官网

用他们的话来说，机器人现在也开始“看一遍就会”了。

人类只需要留下一个示范视频，机器人看完以后，就能自己尝试完成同一项任务。整个技能获取过程平均只需要29秒，也不用重新调整模型参数。

在50项新任务中，HOST的平均成功率为62%；而π₀.₅在接受50条机器人示范并完成微调后，平均成功率为38%。

也就是说，过去反复示范50次都不一定教会的动作，现在机器人看一遍就敢自己上手。

只不过，人有五根手指，机器人可能只有一只夹爪；人类三秒做完的动作，机器人可能需要五秒。

它究竟怎么只靠一段视频，学会人类的动作？

对着视频学，学习速度提升500倍

过去教机器人做家务，主流方法包括示教复现、模仿学习和强化学习等。

名字虽然不同，麻烦却差不多：人类需要反复示范，机器人需要大量练习，工程师还得不断调整模型参数。

图源：自变量HOST论文截图

一个简单动作，可能需要采集几十次甚至更多数据；换一个角度、场景或者物体，又可能要重新训练。

而让机器人直接观看人类的教学视频，原本是一条更省事的路。

可真学起来，第一个问题就出现了：

人和机器人干活的速度根本不一样。

人类三秒就能拿起水壶，把水倒进杯子；机器人可能花了三秒，还在调整夹爪，研究怎么抓住水壶。

如果硬是按照视频时间一秒一秒照着学，那很容易就会碰上大家的进度条不一样，陷入“跨服聊天”。

HOST的处理方式，类似人类照着做菜视频学做饭。

视频里的人已经把菜下锅，并不代表你也要立刻下锅。只要知道自己现在做到洗菜、切菜还是开火，再去找视频里的对应步骤就行了。

机器人也是如此。

HOST会先判断机器人当前做到哪一步，再从教学视频里寻找相同阶段。机器人正在抓水壶，就去看人类抓水壶时的画面；等它把水壶移动到杯子上方，再继续学习后面的动作。

图源：自变量HOST官网

这样一来，即使人类三秒完成倒水，机器人需要五秒，学习过程也不会乱套。

据自变量披露，相比Physical Intelligence推出的π₀.₅加监督微调方案，HOST需要的示范数量减少至约五十分之一，技能获取速度较最快的监督微调基线提升约507倍。

图源：自变量HOST官网

同样只看一段人类视频的两项基线中，表现最好的一项平均成功率也只有19%，HOST高出43个百分点。

不过，跟得上视频，只解决了“跨服聊天”的问题。

有一个更加现实的问题摆在HOST 面前：

人有五根手指，机器人可能只有一只夹爪。

即使它看懂了人类正在做什么，也不可能原样照抄人类的动作。

能抓到老鼠的，就是好机器人

很多人可能没有发现，我们在做一个简单的动作时，都会有非常多的感官配合。

比如抓起一个杯子时，我们的眼睛负责判断距离，手指根据杯子的重量和摩擦力调整握力，手腕还会随时修正角度。

机器人没有同样的手指、肌肉和身体经验。让它照抄人类手臂移动的轨迹，很容易撞到桌子，或者夹了半天也没拿起杯子。

因此，HOST没有让机器人照抄人类的动作，而是先看人类把事情做成了什么样，再用自己的身体实现同样的结果。

图源：自变量HOST官网（画面加速处理）

这种理念，和我们一句熟悉的谚语非常接近：黑猫白猫，能抓到老鼠的就是好猫，只不过这次上阵的是一个机器猫。

这就像同样要把一件衣服放进柜子，有人用左手，有人用右手；动作可以不同，只要衣服最后放进去了就行。

HOST把这项工作交给同一个模型中两个分工不同的模块：一个负责看懂视频、判断进度和预测结果，另一个负责生成机器人动作。

更关键的是，机器人学习新技能时，不需要重新训练模型，也不用修改原有参数。

过去，机器人每学一项新任务，都可能要重新调整模型。新能力写进去以后，还可能覆盖原有能力，出现“刚学会叠衣服，又把怎么倒水忘了”的情况，这就是所谓的“灾难性遗忘”。

HOST更像是给机器人建立了一个“技能收藏夹”。

每看完一段教学视频，它就把这次任务保存成一份可以调用的经验。以后遇到相同任务，再把对应经验找出来，不必为了增加一个新技能，重新改造整个大脑。

自变量给出的实验结果显示，之前的π₀.₅加微调方案学习新技能后，旧技能的保留率只有17%；而现在他们的HOST由于不修改模型参数，新旧技能不会直接相互覆盖，之前学过的还能在后面继续使用。

图源：自变量HOST官网

这也带来了另一个好处：降低成本。

毕竟从反复训练到随看随学，省下了反复采集数据和微调模型的成本，最终“教机器人做事”这块的成本确实降了下来。

但这里还有一个很容易产生的误解：

HOST只需要一段视频，不代表机器人此前什么都没学过。

恰恰相反，这台“看一遍就会”的机器人，已经提前练习了近20万次。

机器人的“小镇做题家”

HOST所谓的“看一遍就会”，只是说机器人面对一项新任务时，只需要看一段示范视频。

在此之前，它早就经历了漫长的“题海战术”。

HOST首先使用了193462段机器人操作轨迹进行训练，覆盖229项不同任务。

这些数据其实早就教会了机器人一些最基本的规律：机械臂应该怎么移动，夹爪怎样抓住物体，一个动作做下去，眼前的画面又会发生什么变化。

图源：自变量HOST官网（画面加速处理）

不仅如此，为了让机器人读懂人类的教学视频，HOST随后又使用了5847段人类示范视频，并为它们配上完成相同任务的机器人操作轨迹。

人类怎样拿起杯子，机器人又该怎样用夹爪实现相同结果，都是在这个阶段慢慢学会的。

所以，HOST的“一段视频学会新技能”，更像一个已经做过近20万道练习题的学生，看完一道新例题以后，很快摸清了解题方法。

这和一个从来没上过学的小朋友，看一遍奥数题就突然开窍，显然不是一回事。

但近20万次练习，也没有让HOST的突破失去意义。

过去，教机器人完成一个新任务，通常需要专业人员遥控机器人反复示范，再把收集到的数据交给模型继续训练。

按照HOST使用的对照方案，采集50次机器人示范，再完成后续微调，一项新技能大约需要4到4.9个小时。

HOST将一项新技能的平均获取时间压缩至约29秒，同时省去了后续微调模型的过程。

也就是说，HOST没有让机器人的全部训练成本凭空消失。

它仍然建立在近20万段机器人轨迹和5847段人类示范视频之上；真正被大幅压缩的，是机器人以后每增加一项新技能的成本。

图源：自变量HOST论文截图

至于这段视频最后由谁来拍，目前还没有明确答案。

机器人厂商可以在产品出厂前准备技能，项目交付人员也可以根据现场环境补充任务；未来如果操作足够简单，消费者或许也可以亲自示范。

HOST本身只是一种学习方法，还没有决定机器人最终会以什么产品形态来到用户面前。

因此，把HOST理解成机器人刷一段视频便什么都会，显然夸大了它的能力。

即使HOST能解决机器人怎样更快学会下一项技能的问题，但谁来教、什么时候教，以及买家愿不愿意亲自教，都要等真正的产品出现以后，才有答案。

参考资料：

[1]自变量机器人：自变量开源 HOST 框架，让机器人看一条数十秒视频学会新技能，较主流方法提速 500 倍、数据量仅需 1/50

[2]APPSO：机器人刷一段「短视频」，就能学会新技能？自变量 HOST 技术「神器」来了

[3]圆周智行：摆脱数据依赖 自变量找到了机器人进家的通用秘钥

[4]PaperAgent：机器人看29s视频学会一个新技能，自变量开源HOST框架

[5]极客公园：自变量200亿估值背后，具身智能在给什么定价？