人形机器人开始“偷师”人类了

人形机器人圈最近冒出一个反直觉的判断：训练机器人最好用的教材，可能不是昂贵的遥操作数据，而是随手就能录的人类动作。arXiv 上最新论文 Workhorse 交给 Unitree G1 的，是一整套“看人类学干活”的课程表——分拣箱子用手，角度不顺就补一脚，箱子抛过来还能接住，甚至被推了一下、箱子被人抢走，它也能把活捡回来接着干。把这篇论文和 IROS 2026 的获奖名单放在一起看，能读出行业一个清晰的转向：别再只吹模型规模了，把“怎么干活”拆明白、练扎实，才是正事。

🐴 一匹“干活马”，两条策略各管各的

一匹叫 Workhorse 的“干活马”，这名字起得相当诚实——不谈通用智能的宏大叙事，就是来干活的。

论文要解决的问题很具体：人形机器人在只有自中心 RGB 相机和本体感知（proprioception）的条件下，很难规划接触丰富的全身操作。搬运、分拣这类任务，手、脚、躯干全都要参与，接触点多、动态变化快，传统“先感知、再规划、后执行”的流水线在这里经常掉链子。

Workhorse 的解法是把系统拆成两条策略：

• 视觉规划器：负责“想”，根据自中心 RGB 和本体状态，预测五个连杆目标——躯干位姿、两只手腕的位姿、两只脚的位姿。相当于把“搬起这个箱子”翻译成身体五个关键部位该去哪；
• 强化学习全身跟踪器：负责“做”，在真机上让整个身体跟上这五个目标。

关键点在于：这两条策略分开训练，但用的是同一批录制的人类姿态数据，全程不需要重定向（retargeting）。过去把人类动作迁移到机器人身上，得先做一整套运动学映射，又费工程又损信息；Workhorse 用“五连杆”这个抽象层直接绕开了这一步。

还有一个容易被忽略的巧思：训练时给每条策略的数据做了增广，专门模仿对方在部署时会犯的错。规划器学“跟踪器可能跟不上”，跟踪器学“规划器给的目标可能漂”——用业界的说法，这叫互相打预防针。效果直接体现在真机上：Unitree G1 在分拣箱子过程中被人推、箱子被抢走后，都能恢复继续干活。

这套架构的价值不在单点技术，而在范式：分层解耦不新鲜，新鲜的是两条腿的训练数据同源、无需重定向、且针对部署误差做了交叉免疫。工程洁癖式的设计，往往比堆参数更耐打。

📊 77%、64%、83%，这组数字该怎么读

数字不漂亮的文章， معمولا不敢放数字。Workhorse 把测试结果摆得很清楚：在演示房间的仿真复刻环境里，系统完成了 77% 的分拣回合；在受到 40 N·s 推力冲量干扰的情况下，成功率仍有 64%；而如果把两条策略用同一批人类演示数据重新训练、部署到另一台仿真人形上，分拣成功率能到 83%。

真正值钱的是中间那一行。从 77% 到 64%，只掉了 13 个百分点——这说明系统学到的不是一条固定轨迹，而是带恢复能力的策略。要知道，被外力推一下之后的“续活儿”，恰恰是大多数示教类方案直接躺平的场景。论文里展示的恢复画面很直白：人推它一下，它晃两下接着搬；箱子被人拿走，它重新规划把流程走完。

第三行同样值得咀嚼：换个机器人构型，成功率反而更高。这暗示人类姿态数据本身有跨构型的泛化潜力——只要抽象层（五连杆）设计得当。如果这个结论在更多任务上复现，人类数据的边际价值会被大幅重估。

把这组成绩放进当前的技术路线版图里，位置会更清晰：

遥操作路线商业价值不低（数据质量高、任务可控），但采集成本卡死了规模化；VLA 大模型技术浓度拉满，可落地验证仍在路上；Workhorse 代表的类人数据路线，恰好卡在“技术门槛足够高、商业逻辑能跑通”的位置上——这也是它被认真对待的原因。

🥇 IROS 2026 的评委，在奖励什么

再看另一条线索。IROS 2026 大奖刚刚揭晓：最佳论文给了长期记忆方向，而人形机器人赛场上，打网球和端托盘两个工作双双获奖。

这三件事看似不相关，实则指向同一个评价标准的变化：评委在奖励具体、可验证、可泛化的能力，而不是“参数量又变大了”的叙事。网球考验的是全身动态协调和实时反应，端托盘考验的是负载下的稳定行走——都是硬碰硬的全身控制问题。长期记忆则回答另一个问题：机器人怎么把一次学会的东西，变成下次还能用的经验。

会议资料里那句话值得抄在本子上：“在机器人领域，一个更大的模型并不能自动解决所有问题。” 这句话从评审席说出来，分量不轻。它意味着学术共同体正在给“端到端万能论”降温，转而认可那些把问题拆开、逐个击穿的工作——Workhorse 就是典型：不追求一个模型吃下所有任务，而是把“想”和“做”拆开、把身体抽象成五个连杆、把误差耦合变成训练素材。

一个可以推演的判断是：未来一到两年，“结构化分解 + 数据来源创新”会成为顶会论文的主流配方。模型当然还要大，但大只是必要条件，不再是充分条件。对创业公司来说，这反而是好消息——拼不过算力的团队，可以拼数据获取方式和系统设计。

🧬 为什么“没有机器人”的人类数据是条捷径

算一笔账就明白行业为什么盯着人类数据不放。

遥操作采集是人类示教的主流方式，但它的隐性成本高得吓人：操作员时薪不便宜，一小时采不了几条有效数据，设备折旧、场地、任务设计全要摊进去；更要命的是，遥操作天然只覆盖手臂，足式全身运动基本采不到——你没办法遥操作一双正在爬箱子的腿。而人类动作数据呢？动捕服穿上一录就是一批，成本几乎是数量级级别的差距。这也是为什么圈内共识正在形成：谁能低成本、高质量地把人类动作“翻译”给机器人，谁就握住了数据杠杆。

Workhorse 在这条路上迈过的四道坎，值得逐条看：

其中第一条最见功力。重定向是让无数团队头疼的脏活：人体关节和 Unitree G1 的关节不是一一对应的，映射做粗了动作失真，做细了工程量爆炸。五连杆抽象相当于在人体和机器人之间立了一个“中间翻译层”——只保留任务真正关心的五个自由度组，两边各自往这个层上对齐。这不是什么黑科技，但是工程判断力的体现：知道哪些信息可以扔，比知道哪些信息要留更难。

对 宇树 这类本体厂商来说，这类工作还有一层间接利好：方法不挑本体构型（仿真中已验证跨构型可行），意味着 G1 卖出去之后，客户生态里的算法资产会越滚越厚。

⚠️ 冷静一下：从演示间到产线还差几关

看完热闹，得泼点冷水，这也符合 Workhorse 自己摆在明面上的边界。

第一，真机成功率没有公布。 77%、64%、83% 全部来自仿真环境（演示房间的复刻副本），真机部分展示的是任务能力——“会做”和“做成率多少”是两回事。熟悉具身智能的读者都知道，sim-to-real 的落差往往藏在接触动力学和视觉分布里，这十几二十个百分点的窟窿要在真机上补。🔋

第二，任务复杂度还在中段。 箱子分拣、接抛、翻越行李箱，都是中低速、单目标物的任务。产线上真正难啃的是多目标物、长时间、精细接触的组合拳——比如物流分拣里的软包、异形件。Workhorse 的框架有扩展空间，但每个新任务类别都得重新验证。

第三，感知鲁棒性待考。 视觉规划器依赖自中心 RGB，演示间的光照、背景、物体外观都是相对友好的条件。真实仓库的逆光、灰尘、堆叠遮挡，是所有视觉方案的照妖镜。

第四，落地场景反而清晰。 短板归短板，方向不虚：物流分拣、仓储搬运这类“半结构化 + 中低精度要求 + 全身参与”的场景，是全身操作（loco-manipulation）最现实的商业化入口，比进工厂拧螺丝、去家庭养老都近。一个能在被撞之后把箱子捡起来接着分的机器人，比一个只会走秀的人形更接近订单。

小结：Workhorse 的价值，不在于 Unitree G1 会踢箱子会接球，而在于它验证了一条更便宜的路径——同一批人类姿态数据，无需重定向，喂出“会想”和“会做”两条策略，再让它们在部署误差上互相当陪练。结合 IROS 2026 把大奖颁给长期记忆和全身控制类工作的风向，行业的评价坐标系正在从“模型叙事”移回“干活叙事”。下一步值得盯两件事：真机成功率何时公布、跨构型泛化能否在更多本体上复现——如果都兑现，人类数据这条捷径，会从论文里的 idea 变成整条赛道的新基础设施。