一个人形技能到底需要多少数据：机器人样本效率

一个 diffusion policy 大约用一百次演示就能学会把面包从烤面包机里夹出来。换一个厨房、换一台烤面包机、把清晨的光换成午后，同一个模型、同样这一百次演示，就会失手。技能本身没有任何变化，变的是你要求这个技能去应对的那一小块世界。

去问十位机器人工程师，一个人形技能到底需要多少数据，你会得到跨越三个数量级的答案：五十条遥操作轨迹、几个小时、一万个小时。它们都站得住脚，而这恰恰是问题所在。「每个技能需要多少条演示」是一个带着隐藏分母的数字，在你把分母固定下来之前，这个数字几乎没有意义。

本文想给出的是一个诚实的区间，而不是单一的数字，并点明是什么让你在这个区间里上下移动：任务的复杂度、你想覆盖多少环境变化，以及你是从一个通用模型出发，还是从零开始。一句话概括：固定场景里的技能很便宜，而要在开放世界里依然可靠的同一个技能，则完全不便宜。

单位的问题

一条演示就是一段轨迹：一串观测和动作，把某个任务完整地做成一次。可是「把杯子拿起来」这几个字，把巨大的难度差异压缩了进去。在一个固定的姿态、一张固定的桌子、一种固定的光线下拿起同一个杯子，现代的模仿学习管线所需的数据少得惊人；而要拿起任意一个杯子、在任意地方拿起，你学的就不再是一个技能，而是一个分布。

所以真正有用的问题不是一个技能需要多少条演示，而是它需要多少条演示，才能在一组目标条件范围内达到某个目标可靠度。接触丰富的任务（剥、插、叠）比在自由空间里伸手要贵；公差很紧的任务比宽容的任务要贵。而你每增加一个变化的维度，新物体、新背景、新光线、新的初始状态，所需的演示都会被成倍放大，而不是简单相加。

问题从来不是一个技能需要多少条演示，而是你希望这个技能能在多大一块世界里存活下来。

单任务模仿到底要花多少

先看最便宜的情形：一个任务、一个固定场景、从零训练。在这里，文献出奇地一致。ALOHA 平台上的 Action Chunking Transformer 用大约五十条演示就能学会接触丰富的双臂任务；Diffusion Policy 报告称，单任务的可靠表现大致落在 100-200 条演示的区间，简单动作有时更少；Google 的 RT-1 收集了大约 130,000 段轨迹、覆盖 700 多个任务，即便在这种车队规模下，平均每个任务也不过两百条上下。

于是有了第一个诚实的锚点：对于一个范围界定良好、条件固定的操作技能，预算是几十到一两百条演示，也就是几个小时的遥操作。这也是最常被断章取义引用的那个数字，因为它描述的是这个问题最容易的版本，并悄悄假设了测试集长得和训练集一模一样。

预训练的折扣

上面这些数字都假设你把每个技能孤立地训练。如今认真做事的人几乎没有谁还这么干。主流配方是：先在一个大而多样的语料上预训练一个通用策略，再用少量目标技能的演示去微调。预训练把之后每一个新技能的成本都摊薄了。

这些语料如今规模可观。Open X-Embodiment 汇聚了跨 22 种机器人本体、数百种技能的一百多万条真实轨迹；DROID 又补上了在真实环境中、跨 564 个场景采集的约 76,000 条轨迹。Physical Intelligence 的 pi-zero 流模型和 NVIDIA 的 GR00T N1 都是在这类跨本体混合数据上预训练的视觉-语言-动作模型，两者都被设计成能用远少于从头训练的数据去适配一个新任务。Toyota Research Institute 的 Large Behavior Model 工作把这个机制讲得很直白：在数百个任务上联合训练一张网络，会提升每个任务的表现，并削减添加下一个任务所需的演示数量。

这个折扣是真实的，却不是免费的。微调仍然需要目标本体和目标环境里的演示；你的机器人和场景离预训练分布越远，需要的就越多。一只人形手不是一个平行夹爪，很多最廉价的现成机器人数据没法干净地迁移过去。

为什么人类视频改变了这道算术题

遥操作机器人数据有一道硬天花板：每一条演示都需要一台机器人和一名操作员，所以语料只能一次一个「机械臂小时」地增长。人类演示不受此限。Ego4D 汇集了大约 3,670 小时的第一人称日常活动；Ego-Exo4D 又加入了 1,200 多小时、从同步的第一人称与第三人称视角拍摄的技能任务。这是双手在做真实工作的视频，其规模是任何遥操作车队短期内都追不上的。

难点在于本体差异。人类视频携带了真正要紧的先验：一个任务如何分解、接触发生在哪里、物体如何运动，但它没有机器人关节指令，往往也没有可靠的 3D。把它转化成策略可以训练的监督信号，重定向后的手、恢复出的接触、动作标签，正是当前活跃的研究前沿，也是这个领域大量杠杆如今所在之处。GR00T 的训练混合数据里已经把真实机器人数据、仿真和人类视频掺在一起，正是因为这三者单独任何一个都不够。

为一个新技能做数据预算

把这些拼起来，一条实用的经验法则就浮现了。要估计一个新人形技能的数据量，别去要一个单一数字；先明确三件事，再读出一个区间。

• 可靠度目标。演示日 70% 的成功率和量产 99% 的成功率之间，隔着一条吃掉大部分数据的长尾。
• 变化范围目标。一个固定工位，还是任意一个厨房？每一个独立的变化维度大致都会把需求乘上一档。
• 起点。从零开始，固定情形预算几十到几百条演示；从一个强的预训练通用模型出发，同样的固定情形往往更少，但开放世界的情形仍会攀到数千条。

大致的形状是这样：固定场景的技能活在几十到几百条演示的量级；而同一个技能要在千家万户或众多门店里硬化到可部署，往往会爬升到数千条演示、或者等价的数百个小时，其中大部分不是花在那个动作本身，而是花在它周围条件的长尾上。

诚实的那个数字

那么，一个人形技能究竟需要多少数据？让它风光地做成一次，几十条演示；让它在固定工位里稳定工作，几百条；而要让它经受住一个从未见过的世界，数千条，或者等价的人类工时。这个数字是一个函数，不是一个常数，它最陡峭的自变量是泛化。任何给你报出「每个技能一个数字」的人，其实是在给你报他心里的那个分母，并指望你不会追问。