机器人偷师百万小时，卡在了临门一脚

一百万小时的人类操作视频，让机器人转动了一把钥匙。

但钥匙转动了，门还没开。机器人能看懂你拧螺丝，预测出下一帧画面，可轮到它自己伸出手臂，动作还是变形。从「看懂」到「做到」，中间隔着具身智能最深的一道沟。最近，IROS 2026 上宾夕法尼亚大学 茅佳源 团队公布的「单次演示到 83% 真机泛化」的工作，加上行业内正在热议的 RSI（递归自我改进）话题，把同一个问题从两个方向重新摆上了桌：人类视频究竟能替代多少机器人训练？机器人能不能自己喂自己？

“编者注（信源核实）：截至发稿，「单次演示 83% 真机泛化」相关工作未能在 arXiv、IEEE Xplore 及 IROS 2026 公开议程中检索到对应论文条目，具体标题、作者列表与实验数据暂无法独立确认。本文中 83% 成功率、TR 指标等数据与概念均为转述，请以该团队正式发布的论文原文为准。

这篇文章，我们把这两条线拧在一起看。

📺 百万小时视频：一场便宜的 DATA 大跃进

免费的午餐，人人都想抢。

具身智能行业目前的最大瓶颈不是模型，是数据。语言模型可以啃下整个互联网，机器人不行——遥操作采集一条真机轨迹，成本按分钟计价，一个任务几百条演示才能换来勉强能用的策略。业内私下流传的账本更难看：一条高质量遥操作数据综合成本普遍在几十元人民币量级，而 Scaling Law 需要的是百万级。

于是人类视频成了公认的「数据富矿」。YouTube 上有人拧瓶盖、切菜、组装家具，一百万小时的规模摆在那儿，边际成本约等于零。视频预训练让机器人具备了两个此前没有的能力：看懂任务意图，预测画面走向。

这个链路看起来完整，问题出在最后一环。视频里没有动作标签。人类看到的是像素变化，机器人需要的关节角度、末端位姿、力矩信息，视频一个都没给。行业把这条路走到今天，本质上是在用越来越大的模型去「脑补」那中间缺失的动作信号——能补一部分，补不全。

产业逻辑很清楚：视频学习解决的是「先验」问题，让机器人带着常识进场，而不是从零探索。但它注定只是数据金字塔的底座，不是全部。

表格里最后一行，就是 茅佳源 团队给出的新选项。

🧩 看懂不等于做到：TR 指标戳破窗户纸

不是机器人笨，是指标骗了我们。

过去评估视频学习效果，大家习惯用视频预测质量、任务分类准确率这些「看得见」的指标。问题在于：一个模型可以把下一帧画面预测得几乎完美，让它真机复现同一个动作，机械臂照样碰翻杯子。茅佳源 团队在 IROS 2026 的工作把这件事说破了——视觉理解与动作执行之间存在系统性脱节，而传统评估体系对这种脱节是盲的。

团队引入了一个叫 TR 的指标（Task Realization，任务达成率——衡量从「看懂任务」到「正确执行」之间的转化比例；该指标名称与定义为本文转述，正式定义以论文原文为准）；再配上自适应引导机制，让模型在训练中不是均匀地学所有视频片段，而是把资源倾斜到对动作决策真正关键的部分。

用大白话讲：以前机器人看视频像看爽剧，全流程一字不落；现在它学会划重点了——手部接触物体的瞬间、物体状态发生变化的时刻，这些才是动作信息的富矿，其余画面都是背景音。

结果是实打实的：单次人类演示，83% 的真机泛化成功率。注意这两个限定词。单次演示意味着成本降到了「一遍会」；真机泛化意味着不是仿真里的漂亮数字，是真的机械臂在真实环境里做出来的。从方法设计本身看，这条路线的思路是「把每一帧人类视频都榨出动作价值」，而不是继续堆参数硬算——至于这个思路能在多少任务类别上站住脚，还有待独立复现。

放在产业坐标系里看，这条路线的位置相当微妙：

遥操作采集依然占据商业价值最高点——毕竟工业客户只为真机能跑的方案买单——但它规模化成本太高。单次演示泛化卡在技术门槛与商业价值的双高位，一旦 83% 这个数字在更多任务类别上被复现，它很可能是最先把视频先验「变现」的路径。

🔄 慢速 RSI：机器人的飞轮能自己转吗

今天最好的老师，可能是机器人自己。

把视线拉高一层。语言模型那边，RSI 已经不是概念：Anthropic 在 When AI Builds Itself 里公布，截至 2026 年 5 月，合并进生产代码库的代码超过 80% 由 Claude 自己写；OpenAI 也在 GPT-5.3-Codex 的发布说明里承认，早期版本的模型曾「参与创造自身」。John Schulman、Beren Millidge、Charlie O'Neill 在 Dwarkesh Patel 播客里那场两小时辩论，落点是同一个判断：今天的模型迭代已经实现了一种「慢速 RSI」，只是周期是三个月。

把这个框架平移到具身智能，图景惊人地对应。机器人部署到产线和家庭，失败案例、修正动作、环境反馈源源不断回流——这就是具身版的「模型写代码喂自己」：

但辩论里有一句话值得具身从业者抄在工位上：当目标已经足够明确，AI 可能把研究速度提高 10 倍，但最难的部分恰恰是一开始就找到正确的目标。对机器人来说，「目标明确」恰恰是最稀缺的。语言模型的奖励信号是清晰的（代码编译通过、测试跑通），机器人的奖励是什么？抓起杯子没碎算成功吗？放到桌上但放歪了算吗？

这也是为什么 茅佳源 团队的工作放在 RSI 视角下更有分量：TR 指标本质上是在给「什么是有价值的数据」下一个可操作的定义。没有这种定义，回流的真机数据就是一堆昂贵的录像；有了这种定义，自我改进循环才有一个能转起来的轴心。

⚠️ 信号悬崖：越靠近前沿，越没人给你打分

爬得越高，脚下越空。

那场 RSI 辩论里最扎心的判断是这个：RL 的效果很大程度上建立在高质量 mid-training 之上；越接近能力前沿，能够推动模型继续进步的有效信号就越少，下一阶训练环境也会越来越难构造。

翻译到机器人语境：视频预训练就是具身的「mid-training」——它给了机器人任务理解的底子，让后续微调有据可依。这也是为什么纯 RL 探索路线在四象限里被压到右下角：没有先验、没有好奖励函数的机器人，在真实世界里探索的性价比约等于让新生儿自己学走钢丝。

而「信号悬崖」在具身领域来得比语言模型更早。语言模型前沿任务至少还能靠人类专家写参考答案，机器人前沿任务——比如厨房里处理一坨软硬不明的面团——人类自己都难以给出一致性奖励。行业内部已经在讨论的隐忧是：当 83% 的任务被攻克，剩下的 17% 可能需要的不是更多数据，而是一种全新的训练环境构造方式。

这不是悲观，是排期。把各家公开的路线放在一起看，节奏其实很清晰：

当然，这张表是推演不是预言。唯一确定的是顺序：先榨干人类视频，再榨干单次演示，最后才轮到机器人自己当自己的老师。任何想跳级的人，都会在信号悬崖底下捡回自己的机械臂。

结语：差的那一脚，是用真机踢出去的

回到标题的问题：机器人看人类视频，能学到哪一步？

答案是：能看到 83%。看懂任务、预测画面、单次演示后真机泛化——这条链路已经被 茅佳源 团队用 TR 指标和自适应引导跑通了一半以上。但剩下那一半，视频给不了，遥操作给不起，只能靠机器人自己下场：部署、失败、回流、迭代，把三个月一周期的慢速 RSI 转成具身自己的飞轮。

语言模型用 80% 的自写代码证明了飞轮能转。机器人现在缺的不是信念，是一个像「代码编译通过」那样干净、诚实的奖励信号。谁先把 TR 这样的指标做成行业标配，谁就握住了那个轴心。

对读者和从业者来说，接下来值得盯住的信号有三个：一是这篇工作的论文与代码是否正式公开、83% 能否被第三方在更多任务上复现；二是 TR 类「看懂到做到」的转化率指标是否会进入主流评测基准；三是头部机器人公司何时开始把部署回流数据纳入训练管线——这三个信号，任何一个落地，都意味着飞轮又转过了一格。

一百万小时视频转动了钥匙。下一脚，得机器人自己踢。

参考信源与核实说明

• 「单次演示 83% 真机泛化」及 TR 指标：转述自 IROS 2026 宾夕法尼亚大学 茅佳源 团队工作。截至发稿，该论文未能在 arXiv / IEEE Xplore / 会议公开议程中检索确认，具体标题、作者列表、指标正式定义（含 TR 的英文全称）与实验数据，均以团队正式发布为准。
• Anthropic 自写代码占比 80%：出自 Anthropic 博客 When AI Builds Itself（2026 年 5 月数据口径）。
• 「慢速 RSI」与 mid-training、信号悬崖相关判断：出自 John Schulman、Beren Millidge、Charlie O'Neill 参与 Dwarkesh Patel 播客的访谈内容，为对话观点的转述与概括。
• 文中行业成本数据（遥操作数据单价）为业内流传口径，未经审计，仅供量级参考。