Physical Intelligence：VLA模型中“人到机器人迁移”能力的涌现

人看一遍视频就能学会开抽屉、叠衣服，机器人能不能也这样？这份资料要回答的正是这个问题：视觉-语言-动作模型（VLA）能否通过观看人类视频获得新任务的能力，而不是只能依赖机器人本体的演示数据。之所以现在值得看，是因为人类视频的体量远大于任何团队能采集到的机器人数据，如果这部分监督信号真的能转化为机器人策略，数据来源的结构就会改变。这是解读，但材料的三个要点都指向同一个方向：这种迁移并非无条件发生，它取决于预训练已经做到了什么程度。

资料覆盖的范围集中在「预训练条件—迁移效果」这条关系上，并把数据多样性与人类本体数据这两个因素放进同一个框架里考察。从给出的要点看，它的分析路径是：改变 VLA 预训练数据的规模与多样性，观察人类数据向机器人策略迁移的效果如何随之变化，再单独考察加入人类本体数据带来的收益。需要说明的是，材料只呈现了结论层面的三条要点，没有交代具体的模型规模、任务集合、机器人平台与评测指标。因此下面谈的是趋势判断，而不是可以直接复现的实验细节。

第一条发现是：人类数据向机器人策略的迁移效果，会随着 VLA 预训练数据的规模和数据多样性提升而增强。换句话说，同一个「看人类视频学新任务」的想法，放在小基座和大基座上不是一回事——前者的迁移可能几乎观察不到，后者才谈得上能力涌现。材料把规模和多样性并列，意味着两者都被当作影响迁移的自变量，而不是只盯着数据量。这也呼应了标题里的「涌现」：迁移能力不是被显式设计出来的，而是随预训练条件变化而长出来的。

第二条发现更具体，也更有操作含义：只有当预训练规模超过一定阈值之后，加入人类本体数据的收益才会显现。也就是说，人类数据的价值不是恒定的，它依赖基座已经足够大；在阈值以下，即便把人类本体数据加进去，也未必能观察到收益。材料没有给出这个阈值的具体数值，也没有说明它是否随任务类型或数据多样性而移动，阅读时需要留意这一处空白。但方向是清楚的：人类数据不是「加了就见效」的补丁，而是一项有前置条件的投入。

这些结论对实践的影响，意味着数据策略的排序需要调整。如果团队还处在小规模预训练阶段，把精力放在扩大规模、提高多样性上，可能比急着接入人类视频更划算；反过来，已经具备较大预训练基座的团队，才更有条件从人类数据中拿到那部分增量。另一个影响在评估方式上：在小基座上测试人类视频的价值，很可能低估它，从而过早得出「人类数据没用」的结论。换句话说，这类迁移实验的结论对预训练条件高度敏感，横向比较不同结果时，要先对齐这个前提。

关心 VLA 预训练数据配比、想用人类视频拓宽机器人数据来源的读者，可以从这份资料里拿到一个明确的判断框架：迁移效果要放进预训练规模与多样性的坐标系里看，人类本体数据的收益要等阈值。同时也应清楚它的边界——材料给出的是三条趋势性结论，没有阈值数字，没有任务与平台的细节，也没有说明反面案例长什么样。因此它更接近一个方向性提示，而不是可以直接照搬的数据配方；真要落地，仍需在自家基座上做对照实验。