什么是机器人策略？从观测到动作

把一台人形机器人身上的营销话术剥掉，正中心只剩下一个对象：一个函数。它接收机器人此刻感知到的东西，返回电机下一步该做什么。机器人学家把这个函数称为策略（policy），而一个机器人学习技术栈里几乎每一个重要决策，暗地里都是关于策略形态的决策。

你可以无视策略，照样做出一个示范。但你无法一边无视它，一边又搞懂：为什么一份数据集能训出鲁棒的技能，而另一份更大、更贵的数据集却只训出脆弱的技能。策略是数据与行为相遇的地方，所以它是最合适的起点。

这篇文章会尽量朴素地定义策略，然后说明它的形态如何反向沿管线上溯，决定你必须采集什么。

观测进，动作出

策略的内核是一个映射。喂给它一个观测，也就是机器人当前对世界的视角，它返回一个动作，也就是驱动身体的指令。把这个循环每秒跑上几十乃至几百次，你就得到了行为。其余的一切，神经网络、训练目标、数据集，存在的意义都只是为了产出这个映射的一个好版本。

有两个细节让这个定义变得有用，而不只是空话。第一，什么算作观测，是一个选择：一台相机的像素，还是像素加关节角度加接触力。第二，什么算作动作，同样是一个选择：一个目标关节位置、一个末端执行器位姿的变化量，或是来自某个学习得到的词表的离散 token。像 LeRobot 这样的工具包在其数据模式中把这些选择显式化，这是一个好迹象，说明这个领域如今开始认真对待它们。

说清楚策略不是什么，也会有帮助。它不是一份提前排好的计划，也不是一段固定的脚本。好的策略是闭环的：它在每一个时钟节拍上重新读取世界，能对滑落的杯子或卡住的插销做出反应。正是这份反应性，让从静态视频里做模仿变得困难，也让你喂给策略的观测，必须来得足够快才有意义。

策略有形态，而形态自有后果

并非所有策略都是一个模子刻出来的，而这些差异并不只是表面文章。有四个维度最为关键。

输出频率

一个以 10 Hz 输出的策略，和一个以 200 Hz 输出的策略，是两种完全不同的动物。慢的那个可以依赖一个笨重的视觉骨干，从容地做规划。快的那个则必须足够轻，才能在个位数毫秒内闭合一个控制环。富接触技能通常需要那个快环，而这个要求会一路回溯到：你必须以多快的频率去采集。

动作表示

绝对关节位置、末端执行器增量、以及 token 化动作，各自意味着一份不同的数据集和一套不同的泛化故事。末端执行器增量比原始关节指令更优雅地跨机器人本体迁移，一旦你试图跨本体汇集数据，这一点就立刻要紧，Open X-Embodiment 正是这么发现的。

记忆

马尔可夫策略只看当前这一帧。带历史的策略能记得自己已经拿起了螺丝、此刻正拿着它。记忆为你换来长时程行为，代价是数据里要有干净、时间连贯的序列，而不是被打乱的单帧。

确定性

一个回归到单一动作的策略，会把两个同样好的选项平均成一个糟糕的折中。一个生成式策略，无论是扩散模型还是 token 采样器，都会把这些选项分开保留。这个选择决定了：你的数据里能不能包含完成同一任务的多种有效方式，还是必须被过滤到只剩一种。在操作中这一点反复出现：抓一只杯子有很多种好抓法，而一个被迫选出单一平均抓取的策略，常常会伸向两种抓法之间的空隙。

用策略这面镜子去读真实的技术栈

用这种视角去看当下的系统，它们就更容易比较了。NVIDIA 的 GR00T 是一个意在适配众多人形机器人的基础策略，因此它偏向以末端执行器为中心的动作和广泛的预训练。Physical Intelligence 的 pi0 与 Toyota Research Institute 的 大型行为模型，都押注于从庞大而多样的示范集上做克隆。共同的线索是：每个项目最核心的设计决策，也就是它策略的形态，决定了它必须去采集的数据的形态。近期 arXiv 上的许多机器人学习工作，读起来就是一场争论：哪一种策略形态，最能回报它所要求的数据成本。

用榜单分数去比较这些系统，其实说明不了多少，因为它们很少在同样的硬件上跑同一个基准。用策略形态去比较，却能说明很多：它预示了每个系统对哪种数据最饥渴，因而也预示了每个系统会在哪里难以扩展。

策略是一个赌注，赌的是多少信息足以选出下一个动作。数据集就是这个赌注的证据，而再多的训练也无法补上采集从未记录下来的证据。

小小的定义，巨大的后果

问机器人策略是什么，诚实的答案很小：一个从观测到动作的函数。问它的形态会带来什么，答案几乎就是整个领域。输出频率、动作表示、记忆、确定性，这些都不是实现细节。它们是那些在第一步梯度更新之前，就决定了你的数据必须包含什么的问题。先把策略的形态在脑子里想清楚，数据要求就不再是一个谜，而开始变成一份规格说明。这正是这层抽象安静的回报：给映射命名，钉住它的形态，关于数据的争论就不再原地打转。