作者：李鑫 出品：具身智能大讲堂
在机器人灵巧操作领域，生成式控制策略（GCP）凭借在复杂任务中的出色表现，成为近年来的研究热点。无论是家具组装、食品制备还是精密制造，基于流模型、扩散模型的生成式策略都被认为是实现长 horizons 任务的关键。业界普遍认为，GCP 的优势源于其捕捉多模态动作分布、表达复杂行为的能力。
但卡内基梅隆大学、麻省理工学院与丰田研究院联合团队的最新研究，却对这一主流认知发起了挑战。他们通过28个行为克隆基准的系统实验证明：GCP 的核心优势并非分布学习或多模态捕捉，而是随机注入与监督式迭代计算的组合。这一发现不仅颠覆了对生成式控制的传统理解，更促成了研究团队提出了仅需两步迭代的轻量化策略，性能可与复杂流模型媲美。
1►打破迷思：生成式控制的五大假说均不成立
研究团队首先针对业界关于 GCP 优势的五大核心假说，展开了系统性验证。这些假说包括：在像素级控制上表现更优、能捕捉训练数据中的多模态、通过迭代计算获得更强表达能力、借助随机数据增强实现表征学习、训练稳定性与扩展性更优。
为确保实验的公平性，团队采用了独特的实验设计：让回归控制策略（RCP）与 GCP 使用完全相同的架构（如 Chi-Transformer、Sudeep-DiT、Chi-UNet 等），仅通过设置噪声水平为零将 GCP 转化为 RCP。这种架构对齐的对比方式，避免了此前研究中因模型结构差异导致的结论偏差。
实验结果令人意外：在绝大多数状态型、图像型和视觉-语言-动作（VLA）基准测试中，GCP 与 RCP 性能持平，仅在少数需要高精度操作的任务（如精密插入）中出现性能差距。更关键的是，所谓的“多模态优势”并不存在——通过 t-SNE 可视化发现，即使在对称状态或高模糊性场景中，GCP 生成的动作也未呈现明显的多模态聚类；将随机采样替换为平均动作后，GCP 性能仅轻微下降，进一步证明训练数据中并不存在显著的多模态结构。
对于“迭代计算提升表达能力”的假说，研究团队通过理论证明与实验验证双重否定。理论上，当动作分布为对数凹分布时，GCP 的 Lipschitz 常数（衡量函数表达能力的关键指标）仅比 RCP 高一个常数因子，无法实现任意复杂度的函数表达；实验中，在拟合高频率函数 y=sin1x 时，GCP 与 RCP 均因网络容量限制未能捕捉高频结构，且 GCP 仅将 RCP 的平均偏差转化为随机方差，并未真正提升表达能力。
此外，实验还发现 GCP 与 RCP 的行为多样性相当（在 FRANKA-KITCHEN 任务中，两者的任务完成顺序多样性无显著差异），随机数据增强带来的表征学习优势也不明显。这意味着，此前被广泛认可的 GCP 优势假说，大多是“噪声带来的错觉”。
2►解构 GCP：三大核心组件与关键发现
为找到 GCP 优势的真正来源，研究团队提出了生成式控制策略的三维分类框架，将其拆解为三个核心组件：
•C1：分布学习（Distributional Learning），即学习观测到动作的条件分布；
•C2：随机注入（Stochasticity Injection），训练过程中注入噪声以改善学习动态；
•C3：监督式迭代计算（Supervised Iterative Computation），通过多步迭代生成输出，且每一步都有监督信号。
基于这一框架，团队设计了一系列消融实验，逐一验证各组件的作用。结果发现：单独的 C2（仅注入随机噪声）或 C3（仅进行监督式迭代）均无法超越传统 RCP；只有当 C2 与 C3 结合时，才能实现与 GCP 相当的性能。而被寄予厚望的 C1（分布学习），对性能的贡献微乎其微。
为进一步验证这一结论，团队提出了极简迭代策略（MIP）。这一轻量化策略仅包含两步迭代：训练时在第二步注入随机噪声，推理时完全确定性执行，既不涉及复杂的分布建模，也无需大量迭代步骤。实验显示，MIP 在状态型、像素型和 3D 点云型任务中，性能均与流模型 GCP 基本持平，且在部分任务中优于蒸馏后的捷径模型。
更值得关注的是，MIP 的计算效率远超传统 GCP：仅需 2 次函数评估（NFE），而流模型通常需要 9 次以上；训练时无需学习复杂的分布，也无需多阶段蒸馏，训练成本仅为一致性模型等捷径方法的一半。在 Tool-Hang、Transport 等高精度任务中，MIP 的平均性能甚至超过了 CTM（一致性轨迹模型）等专门优化的少步策略。
3►关键机制：流形贴合而非表达能力
为什么 C2 与 C3 的组合能带来性能提升？研究团队发现，核心机制并非提升了模型的表达能力，而是增强了“流形贴合”（manifold adherence）特性——即模型在分布外（OOD）状态下，仍能生成符合专家行为流形的合理动作。
传统 RCP 虽然在训练集上的重构误差与 GCP、MIP 相当，但在受到扰动的分布外状态下，生成的动作容易偏离专家行为流形，导致闭环控制中的误差累积。而 GCP 与 MIP 通过监督式迭代计算，能够逐步修正动作预测，使其贴合专家行为形成的低维流形；随机注入则通过扩大训练过程中的覆盖范围，缓解了迭代步骤中的误差累积问题，让迭代修正更加稳健。
实验数据显示，在分布外状态下，MIP 与流模型的离流形误差（off-manifold error）分别仅为 0.043 和 0.032，远低于 RCP 的 0.058；在 Push-T 任务中，随着迭代步数增加，流模型生成的轨迹更倾向于贴合 T 形物体的侧面移动，而非直接碰撞，充分体现了流形贴合带来的优势。
此外，研究还发现架构设计对性能的影响远超“生成式 vs 回归式”的选择。在部分任务中，配备现代骨干网络（如 Transformer、UNet）的 RCP 性能可媲美甚至超越 GCP；而模型容量与动作块大小（action chunk size）等超参数，也对性能有着显著影响。这意味着，未来机器人控制策略的优化，应更注重架构设计与迭代机制的结合，而非盲目追求复杂的分布建模。
4►结语与未来：
长期以来，生成式建模在视觉、文本领域的成功，让研究者自然地将“分布拟合”作为核心目标，但机器人控制的本质需求是“生成有效动作”而非“还原数据分布”，这种目标差异导致了核心优化方向的错位。
MIP 的成功证明，无需复杂的生成式架构，仅通过简单的“随机注入 + 监督式迭代”组合，就能实现与先进 GCP 相当的性能。这为工业界开发高效、低成本的机器人控制策略提供了新路径——在不需要多模态动作的场景中，轻量化的 MIP 不仅能降低计算成本，还能简化训练流程，更适合实际部署。
论文地址：https://arxiv.org/pdf/2512.01809
项目地址：https://simchowitzlabpublic.github.io/much-ado-about-noising-project/
