在具身智能的漫漫征途上，一个长期以来，被视为“圣杯”级的、却又看似无解的核心难题，正被一支来自加州大学圣地亚哥分校（UCSD）的团队，以一种极具想象力、也极具“普惠”色彩的方式，悍然攻破。
这个难题是：如何，为机器人，去采集到足够多的、高质量的、多样化的、能够反映真实世界复杂性的“人类演示数据”，从而，让它们，在面对一个全新的物体、一个全新的环境时，不再“认生”和“手忙脚乱”？
近日，该团队，正式地，推出了其名为Human0的、全新的机器人操控基础模型。
其核心，是开创了一套，能够将海量的、非结构化的、来自于人类日常活动的第一视角视频数据，高效地，“翻译”为机器人可以理解和执行的动作指令的、全新的“数据+训练+适配”组合拳。
这场革命的起点，是一个名为PHSD（人类-人形机器人物理交互数据集）的、全新的“超级数据集”。
研究团队，没有去耗费巨资，录制全新的、专用的机器人演示视频。
恰恰相反，他们，像一个聪明的“厨师”一样，巧妙地，将两种不同来源、不同特性的数据，“烹饪”在了一起：
-
“主食”： 超过1000小时的、来自于EgoDex、ActionNet等公开数据源的“野生场景”数据。
- 这些数据，包含了人类在日常生活中，所进行的、无穷无尽的、各种各样的动作——从开瓶盖、叠衣服，到切蔬菜、洗盘子。它们，为模型，提供了最基础的、关于“这个世界是如何被操作的”的、海量的“动作直觉”。
-
“配菜”： 超过20小时的、专门针对机器人将要执行的、特定任务而录制的“任务导向”数据。
- 例如，让一位快餐店的员工，戴着眼动仪，完整地，演示一遍制作汉堡的全过程。这些数据，确保了模型，在学习了广泛的“通识”之后，也能掌握特定任务的“专业技能”。
然而，比数据的“配比”，更具颠覆性的，是团队，为这些异构的数据，所设计的一套“统一的翻译系统”。
他们，创造了一套“人类中心态-动作空间”（Human-centric State-action Space）。
通过复杂的逆运动学和手部重定向算法，无论是人类手臂的运动，还是Unitree H1、G1等不同型号机器人的、不同关节的数据，都能够被无损地，转换成一套统一的、与具体“身体”形态无关的参数。
这，就像是，无论你说的是中文，还是英文，最终，都被翻译成了，计算机可以理解的、统一的二进制代码。它，从根本上，解决了那个，长期以来，一直困扰着“跨物种学习”的“具身差异”（Embodiment Gap）问题。
而为了防止模型，在学习中“耍小聪明”——例如，仅仅是去记住人类手的肤色，或机器人关节的金属光泽，而非真正地，去理解动作背后的通用逻辑——团队，还引入了一种精妙的“域对抗”机制。
他们，训练了一个额外的“域判别器”，让它，去拼命地，分辨输入的数据，究竟是来自人类，还是来自机器人。
与此同时，他们，又用一个“梯度反转层”，去不断地“捣乱”。
每当判别器，快要学会如何区分时，梯度反转层，就会反转其训练的方向，从而，逼迫那个真正负责学习动作的“策略网络”，放弃所有那些与“身体”相关的“捷径”，去专注于学习那些，真正通用的、可被迁移的“与具身无关的特征表示”。
实验结果，清晰地，证明了这种机制的有效性：在加入了这套机制之后，判别器区分数据来源的准确率，从100%，骤降至了50%——这，与随机的瞎猜，已无任何区别。
这套精妙的“组合拳”，最终，在Unitree H1和G1这两款真实的人形机器人上，展现出了惊人的、三大突破性的能力：
-
能听懂“没听过”的指令：
- 在多目标抓取任务中，当机器人，被下达“去抓那个黄色的芥末瓶”这个指令时——尽管，这个指令，只在人类的“野生数据”中出现过，而从未，在机器人的训练数据中，被明确地标注过——但它，依然，准确地，找到了那个瓶子。
-
学一个新技能，只需要看“一遍”演示：
- 对于一个，机器人完全没有接触过的、需要双手精妙配合的“倒水”任务，Human0，在仅仅观看了1个人类演示视频之后，便能达到25%的任务成功率。
- 这个数字，虽然不算高，但相比于所有其他的、在同样条件下，成功率为0的基线模型，已经是一个巨大的飞跃。
-
换一个新场景，也不会“懵”：
- 在汉堡制作的任务中，当研究人员，故意地，将食材，换成了机器人从未“见过”的红卷心菜和瑞士奶酪时，其任务的成功率，依然，从基线模型的25%，大幅提升至了58.3%。
爱力方的分析认为，UCSD的这项Human0研究，其意义，已远超一次单纯的模型性能提升。
它，更深刻地，为整个行业，提供了一套可被复用的、极具价值的方法论：
- 在数据层面，它，明确了“野生数据打基础、任务数据做精修”的、兼顾了“数量”与“质量”的全新思路。
- 在技术层面，它，通过“统一表征”和“域自适应”的巧妙组合，成功地，打通了从“人类的演示”，到“机器人的执行”的、那条最关键的“能力迁移通道”。
- 在应用层面，它，让机器人“懂新指令、学新技能”的能力，意味着，我们，距离那个，不再需要为每一个新的场景，都去进行昂贵的、独立的模型训练的“通用机器人”时代，又近了一大步。
现在，该团队，已经计划，去开源其PHSD数据集、模型权重和重定向工具。
一个由“人类的第一视角”，所共同哺育的、更聪明、也更具泛化能力的机器人新物种，或许，正在我们的眼前，加速地，诞生。
项目地址：https://xiongyicai.github.io/In-N-On/
论文链接：https://arxiv.org/pdf/2511.15704
