Human-to-Robot Transfer

人类视频什么时候能真正变成机器人能力，不只是数据源问题，也是表示能力和预训练多样性问题。

主题概述

这条主题关注 human video、human embodiment data 与 robot policy 之间的迁移。核心问题不是“人类数据多不多”，而是“模型什么时候开始有能力利用这些数据”。

当前知识库里的代表工作

• 来源: Emergence of Human to Robot Transfer in Vision-Language-Action Models 这条主题的主工作。它提出：human-to-robot transfer 不是固定技巧，而是会随着 VLA 预训练多样性增长而涌现。

• 来源: π0.7: a Steerable Generalist Robotic Foundation Model with Emergent Capabilities 虽然不是专门研究 human transfer，但它展示了 non-robot data、egocentric human data 与 robot data 可以被统一吸纳到 foundation model 训练中。

• 来源: DexImit: Learning Bimanual Dexterous Manipulation from Monocular Human Videos 这篇补上了另一条路线：不直接让模型从 human video 中学表示，而是把单目人类操作视频重建、调度、规划并增强成双手灵巧机器人训练数据。

当前判断

• Human-to-Robot Transfer 这篇更强调“能力何时出现”
• π0.7 更强调“多源数据如何被统一利用”
• DexImit 更强调“人类视频如何被编译成物理可行的机器人数据”
• 放在一起看，可以把问题理解成：
  • 预训练多样性负责让 shared representation 成熟
  • richer context / prompt 负责让这些能力在控制中被真正调用出来
  • 显式数据生成 pipeline 负责把一部分 human video 转成更接近机器人动作空间的 supervision

值得后续关注的问题

• human data 在 pretraining 阶段和 finetuning 阶段的作用是否不同
• human-to-robot transfer 与 cross-embodiment transfer 是否本质同源
• 显式 data generation 与 VLA co-training 是替代关系，还是更适合组合使用
• 这种能力的出现，更依赖模型规模还是数据多样性

相关页面

• Emergence of Human to Robot Transfer in Vision-Language-Action Models
• π0.7: a Steerable Generalist Robotic Foundation Model with Emergent Capabilities
• DexImit: Learning Bimanual Dexterous Manipulation from Monocular Human Videos
• Human Video Robot Data Generation
• Vision-Language-Action