广东
当一双手熟练地包起馄饨、提起水壶、为手机贴上保护膜时，很少有人会想到，这些稀松平常的日常动作，正在成为机器人的“教材”。
自然意志发布的首个面向物理世界的通用基础模型Natura-1走的正是这条路：直接从人类经验中学习。
为什么机器人要选择人类经验？人类的手势与动作如何变成机器人能用的学习资源？这条路径又凭什么支撑泛化？今天就来拆解“日常操作成为机器人学习资源”的完整逻辑。
包馄饨、泡茶、打包快递对于普通人来讲都是日常操作，既然机器人需要进入人类的工作生活中承担任务，那这些日常操作能否成为机器人的学习资源？
可以，但前提是机器人所搭载的大模型具备学习的能力。
Nature Will最新推出的Natura-1大模型就具备这样的能力，它是一个500亿参数混合专家（MoE）模型，以语言和视觉为输入，在100毫秒控制回路中驱动20自由度灵巧手，零样本遵循复杂自然语言指令。
Nature Will的目标是通用物理智能，通用模型的通用程度取决于它的经验；物理世界由人手塑造、供人手取用，真正通用的机器人必须具备灵巧性。
而Natura-1具有近100万小时的第一视角人类交互数据，经筛选、描述标注与运动学重定向，转化为结构化的“语言—动作”轨迹，与机器人的发展目标高度契合。
机器人在现实工作场景采集数据训练已不是什么新鲜事，但目前存在一个死循环：机器人只能在它已能工作的场景收集数据，能力与数据相互锁死，难以自我扩展。
而人类经验的天然优势在于人手活跃于几乎一切环境与任务，世界本身即为人类双手所塑造，第一视角的经验就是第一手经验，第一视角数据的多样性带来丰富的物体形态、环境布局与操作方式。
多样性是泛化的前提，人类经验提供了机器人自身无法生成的广度。
Natura-1可以做到基于视觉特征去重，验证数据完整性、连续性，进行镜头分割与手部可见性检查，让数据分布更贴近人类活动。
按“任务目标→中间步骤→单个动作”分层标注，让语言描述与动作一一对应、前后一致，让机器人能“读懂”。
从单目/双目第一视角视频重建稠密手部与身体运动并统一表征，映射到与人类手对应关系最接近的拟人灵巧手，筛选后的语料库为近100万小时结构化的“语言—动作”轨迹，语料库可以无限复制为机器人的训练数据。
在这基础上仅需少量机器人数据后训练，即可把世界知识适配到真实机器人硬件，这里面的关键在于人类动作不能直接照搬，关键在“转化”——把人手的姿态、运动与交互信息，变成机器人可学的监督信号。
Natura-1学的是“操作方式”而非固定轨迹，而是多样化的抓握方式、双手协调与工具切换，避免了适用于某一环境，切换至全新的陌生环境无法开展工作。这在很大程度上保证了模型的通用性，有利于进行泛化传播。
Natura-1在整个学习的经验数据库中的数据从约4.4万小时扩展到100万小时充分保证了数据的多样性与可靠性。多样化的人类经验，为学习不同操作方式、应对新任务提供了可迁移的基础。
回到最初的问题：日常操作如何成为机器人的学习资源？Natura-1给出的答案是把人类的一双双手，变成模型的“经验教科书”。近100万小时的第一视角数据，经由筛选、描述标注与运动学重定向，被炼成结构化的“语言—动作”轨迹；机器人学到的不是某一条固定轨迹，而是人类应对万千物体与环境的方式。
这条路径的意义在于，它让“数据从哪里来”有了新答案：机器人不必被困在自身能力的死循环里，而是可以站在全人类双手的经验之上。物理世界由人手塑造、供人手取用，一个真正通用的机器人，理应向这双手学习。
当然，这只是一个开始。灵巧硬件仍需进化，数据的广度仍需扩大，模型向新机器人的迁移也仍需更少的适配。但随着数据、算力与模型的共同规模化，“从人类经验中学习”正从一条技术路线，生长为通往通用物理智能的可行方向。未来，当机器人接过我们手中的日常，我们或许会意识到：每一段平凡的日常，都曾是它最重要的教材。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
