行为克隆详解：默认之选，及其局限
行为克隆是机器人学习的主力方法。它为何成为默认选择，复合误差为何让它失效，以及更好的数据如何补救。
给一只机器人手臂看两百个干净的抓杯子示范，它就学会了抓杯子。可只要把杯子往左挪十厘米，挪到任何一次示范都没覆盖过的位置，手臂依然会信心十足地伸向一片空气。没有任何信号提醒它，策略甚至从未表现出一丝迟疑。
这种失败正是行为克隆（behavior cloning）的典型特征。今年你看到的大多数操作演示，底层跑的都是这套方法。它简单，随数据规模扩展，并且以一种可预测的方式失效。搞清楚它究竟在哪里失效，比任何榜单分数都更能告诉你：一条采集管线到底该产出什么。
所以值得把三件事讲清楚：行为克隆做的是什么，它为什么会成为默认选择，以及是什么机制注定了它朴素版本的失败。
行为克隆到底在做什么
行为克隆把控制问题当作监督学习来处理。你收集一批示范，每一条都是一串观测-动作对：机器人看到了什么，专家接下来做了什么。然后你拟合一个把观测映射到动作的函数，尽量缩小模型预测动作与专家动作之间的差距。没有奖励函数，没有仿真器，没有探索。只要人能演示这个任务，原则上你就能把它克隆下来。这正是 DROID 这类遥操作数据集，以及 Open X-Embodiment 这类聚合语料如此重要的原因：它们就是这套方法燃烧的燃料。
它的吸引力很实在。强化学习需要一个你能写清楚的奖励，以及你负担得起的数百万次试验。对富接触操作来说，这两点都很痛。行为克隆用示范换掉了奖励工程，而一个熟练的遥操作员可以整天产出示范。像 LeRobot 这样的开源工具链如今已经把训练循环、数据格式和预训练权重都打包好了，跑出第一个能用的策略只需要一个周末，而不是一个季度。
它为什么成了默认选择
三股力量把行为克隆推到了具身智能的中心。
- 数据终于跟上了。十年前，还没有一个值得用来预训练的共享操作语料。如今已经有了横跨众多机器人本体的真实规模，而克隆是唯一一种几乎不需要繁文缛节、就能把原始示范变成策略的方法。
- 它搭上了预训练的车。现代视觉-语言-动作（VLA）模型先在广泛的网络视觉与语言上预训练，再通过克隆行为为这份知识接上一副身体。Physical Intelligence 大体就是这样构建 pi0 的：在一个大型预训练骨干之上叠加模仿学习，这一点在其 公开笔记 中有所描述。
- 它的失败是可读的。当一个克隆策略出问题时，你通常能回头指着示范数据，看出漏洞在哪。这种可调试性在日常工作中，比榜单上一点点微小的提升更重要。
| 方法 | 需要什么 | 数据胃口 | 最擅长 | 主要失效模式 |
|---|---|---|---|---|
| 行为克隆 | 专家示范 | 中等，对质量敏感 | 快速起步、富接触技能 | 分布漂移 |
| 离线强化学习 | 带奖励标注的日志数据 | 大，可容忍质量参差 | 从不完美的日志中榨取信号 | 价值高估 |
| 在线强化学习 | 仿真器或安全试验加奖励 | 试验次数极大 | 渐近的峰值性能 | 奖励设计与 sim-to-real 差距 |
它在哪里崩溃：复合误差
机制是这样的。克隆策略只在专家访问过的状态上受过训练，因为数据里只有这些状态。测试时，策略犯了一个小错，落到一个偏离专家路径一丝丝的状态。这个状态从未出现在训练里，于是下一步预测会差一点，把机器人推得离路径更远，让再下一步预测更糟。误差不是相加，而是复合累积。研究者把这称为协变量漂移，或分布漂移。这正是为什么一个单步精度很高的策略，仍然会在长任务上失败。BAIR blog 上反复讨论过这一点，DAgger 这条研究脉络也发端于此。
时程是那个放大器。两秒钟的抓取能容忍很多误差，而九十秒的装配序列，等于给漂移留了九十秒去累积。
行为克隆学会的是在专家访问过的状态里该做什么。它全部的麻烦都在于专家从未访问过的状态，而机器人只要一犯错，就立刻踏进了那里。
各种补救，以及它们对数据的要求
每一个认真的补救办法，攻击的都是同一个缺口，而其中大多数，其实是伪装成算法的数据策略。
- 把专家重新放回环路。DAgger 会运行当前策略，记录它实际到达的状态，然后向专家询问在那里的正确动作。数据集因此朝着策略真实的分布生长，而不是专家那条整洁的路径。
- 按块预测。动作分块（action chunking）与时间集成让模型一次性承诺一小段未来动作，减少了漂移可以趁虚而入的决策点数量。
- 建模整个动作分布。扩散策略（diffusion policy）表达了岔路口上“同时存在多个好动作”这一事实，而不是把它们平均成一个糟糕的折中，后者正是克隆的经典失败。
- 把恢复过程也采下来。最便宜的补救往往是更好的数据：包含滑脱、重新抓取和纠偏的示范，让策略见过犯错之后该怎么办，而不只是见过怎样做到完美。
这条主线让任何贩卖干净数据的人都不太舒服：一份只有完美成功的语料，恰恰教会策略在踏出示范路径的那一刻变得束手无策。
真正决定部署成败的那个变量
行为克隆不会消失。它是几乎每一个人形机器人技术栈赖以搭建的底座。但把它当成一个能把示范变魔术般变成技能的黑箱，会掩盖那个真正决定策略能否在真实世界存活的唯一变量：它的训练状态，对它将要真正遇到的状态，覆盖得有多好。最终胜出的团队，不会只是采集更多示范。他们会采集对的那些，包括那些一场干净的实验室拍摄很想丢掉的、不体面的恢复过程。