从示范中做抓取合成，而非依赖求解器

几十年来，抓取都是一个物理问题。在物体上找到一组接触点，使它们施加的力可以抵抗任意外部力旋量，宣布达成力封闭（force closure），再把手指挥到那里。它优雅、可证明，而且确实管用，直到物体变成一个揉皱的袋子、一只红酒杯，或任何规划器没有干净模型的东西。

解析方法失败，不是因为数学错了，而是因为它假设了现实世界不肯给出的知识：精确几何、已知摩擦、静止的物体。把这些抽走，力封闭就无处立足。

而正在胜出的那条替代路线，比任何规划器都更古老：看人手怎么做，然后从示范中学到抓取。

抓取曾经是个物理问题

经典的抓取合成把手和物体都当作刚体，去搜索满足稳定性条件的接触点。这一脉络里的工具，从 GraspIt 式规划器到大型仿真抓取数据集，能为已知网格生成数百万个候选抓取。对一整箱一模一样的机加工零件来说，这至今仍难以被超越。

麻烦始于多样性，以及“并非点接触”的接触。解析规划器对“哪个抓取适合这个任务”没有意见，只对“哪些抓取稳定”有意见。只要刀刃能提供力封闭，它就会心安理得地去抓刀刃。稳定，不等于有用。

解析规划器错在哪里

最要紧的是两道缺口。第一是任务无关性。如果下一步是倾倒，那么马克杯上一个稳定的抓取，未必是你想要的抓取；你需要一个让手柄空出来、又能控制杯沿的握法。决定正确抓取的是功能，而不仅是稳定性，而纯物理规划器看不见功能。

第二是几何假设。力封闭想要已知的形状和已知的摩擦。可形变物、透明物体和杂乱的堆叠把这些全都违反了。这正是解析方法撞上长尾并停下的地方，也正是那些“在真实人手如何应对上训练出来”的学习方法继续前进的地方。

物理规划器找到的是一个不会打滑的抓取，人类示范展示的是一个能把活干成的抓取。两者往往不是同一个抓取。

生成抓取的三种方式

仿真路线以大型自监督抓取数据集为代表，扩展廉价、覆盖形状众多，但它继承了仿真器的盲点，且很少知道一个抓取是为了什么。人类示范单样本成本更高，却带来了其它路线所缺的东西：一个关于“有能力的主体究竟会选择哪个抓取”的先验。

为什么人手是正确的先验

一个人抓取物体时，会同时解决好几个问题，而且大多不假思索。他在手还在空中时就预先塑形，让手指抵达时已经大致就位。他挑一个适合下一步动作的握法。他根据物体调节力度：对玻璃杯轻柔，对扳手用力。这里每一个，对解析规划器都是一个难解的子问题，而每一个，都在人做这件事时被免费地示范了出来。

灵巧的多指手，是这一点最重要的地方。五指手上可能的手指落位空间极其庞大，靠解析去搜索非常残酷。一次人类示范把这个搜索坍缩了：它直接递给你一个良好、功能性的配置去模仿和调整。Physical Intelligence blog 上分享的工作，以及像 NVIDIA Isaac GR00T 这样的系统，都把这些源自人类的抓取当作一个起始分布，而不是从第一性原理去求解抓取几何。

重定向缺口

人类抓取无法原封不动地落到机器人手上。人手有着不同的比例、更多的自由度，以及比多数机器人手更柔软的接触，所以一次采集到的抓取必须被重定向到机器人的运动学上。有些东西迁移得好：接近方向、抓物体哪个部位的选择、粗略的手型。有些迁移得差：精确的指尖力，以及精细的手内重新定向。

这正是“原始采集比一段漂亮视频更重要”的原因。要重定向一个抓取，你需要手的位姿和接触，而不只是一张“手靠近物体”的图像。像 RH20T 这样记录富接触操作的数据集，以及像 Ego-Exo4D 这样的多视角第一人称集合，之所以存在，正是因为一段扁平的 RGB 视频丢掉了重定向所依赖的信号。

抓取只是开局第一步

抓取不是一个静止的姿态，而是一次操作的第一步。人类抓取之所以迁移得好，部分原因在于它是着眼于整个动作来选择的，于是看似单一的握法，实则是一次关于接下来几秒的下注。示范捕捉到了这个下注，而逐帧求解的解析规划器捕捉不到。

这也重新定义了数据里“成功抓取”的含义。一个握得很牢、却挡住了下一步的抓取，一旦把视野拉远就是失败。用“下游任务是否成功”来标注抓取，而不只是用“物体是否离开桌面”，是一处很小的标注改动，却能显著提升策略从每次示范中学到的东西。

力封闭的物理并没有错，它会继续在刚性、已知的零件上占有一席之地。但通用抓取，面对真实物体那杂乱的多样性、并朝着真正灵巧的手前进，不会来自一个更好的求解器。它会来自“观察有能力的手，学到它们早已知道的东西”。规划器问的是一个抓取会不会握住，人展示的是该挑哪个抓取。要让机器人像我们一样抓取，它们需要从示范中学习，而不只是从数学里。