为什么人类演示数据比脚本数据更具扩展性
脚本轨迹干净又便宜，但在基础模型规模上真正带来泛化的是覆盖度。为什么人类演示数据是训练机器人策略更具扩展性的基座。
一名遥操作员在一台人形机器人后面坐了 6 个小时，采集了 400 条干净的单一任务演示：拉开抽屉，放下马克杯，再合上抽屉。每一条轨迹都平滑、带标注，而且几乎一模一样。而在走廊另一头，一整间咖啡馆的人整个上午都在打开各式抽屉：用胯部顶，用两根手指，用整只手掌，一边还拿着手机，抽屉卡住之后再拉一次。这两股数据流里，一股看起来像训练数据，另一股看起来像真实世界。
这一对比几乎就是全部论点。脚本数据为整洁与可控而优化，人类演示则为覆盖度而优化。在机器人策略开始具备泛化能力的规模上，真正带来回报的属性是覆盖度，而如今公开数据集已经用数字而非感觉把这一点说清楚了。
在继续之前先给两个定义。我说的 脚本数据，指的是机器或受到严格约束的遥操作流程有意生成的轨迹：运动规划的抓取放置、带域随机化的仿真回放、把同一个任务重复到缓冲区填满为止。我说的 人类演示数据，指的是真实的人在实际执行任务时的记录，并且越来越多地以第一人称、即自我中心（egocentric）视角采集。二者的区别不在于单帧的质量，而在于分布的形状。
脚本数据究竟能买到什么
脚本数据与仿真数据有实实在在的优点，值得诚实地讲清楚。管线一旦建好，它就能低成本地大量生产。它标注完美：动作、接触、物体位姿你都知道，因为都是你自己生成的。它安全、可复现，且容易在各类别之间做平衡。用来预训练策略的底层运动先验，这是一块很结实的地板。
但它的失效方式是结构性的。脚本数据只能覆盖你想到要去编码的那部分变化。域随机化确实拓宽了分布，但只沿着你选择去随机化的那些轴：光照、纹理、摩擦、质量。真正让已部署机器人翻车的情形，往往落在这些轴之外，落在杂乱货架、可变形物体、半开容器与人为干扰这条长尾里。一个主要在脚本上训练出来的模型，学到的是脚本本身。它会按你演示的方式完成任务，而在世界第一次不肯配合时就卡住。
覆盖度才是全部
泛化有一个朴素的操作性含义：在你没有训练过的状态上也表现良好。要做到这一点，你需要训练状态足够贴近测试状态，也就是说你需要覆盖度。同一个狭窄任务再多来一些，并不会增加覆盖度，只会让你在已经占据的地盘上更有把握。
Open X-Embodiment 给这一点标上了数字。它汇集了约 100 万条真实轨迹，横跨 22 种机器人本体、60 个组成数据集；在这一混合数据上联合训练的模型，表现优于同样模型在任何单一来源上的训练结果，技能也在从未共享过数据集的机器人之间迁移。驱动力不是某个狭窄来源的体量，而是多样性。DROID 则给出环境层面的版本：76,000 条刻意在真实场景中采集的遥操作轨迹，覆盖 564 个场景、52 栋建筑，用它联合训练的策略在未见过的场景上，泛化明显好于规模相近的实验室内数据。
务实地读，这是一条曲线。在同一个厨房里再加第一万条拉抽屉，回报正弯向零。换一个厨房、换一个物体或换一种策略，则还在持续付钱。哪种数据源能让这条曲线弯得最慢，哪种就最具扩展性。
只在脚本轨迹上训练的策略，只知道打开抽屉的一种正确方式。在人类演示上训练的策略，见过上千种几乎出错却又被挽回的方式，而稳健性大半正是由这种挽回构成的。
为什么人类是更好的采样器
杠杆就在这里。人们每天都在无成本地演示着长尾，不占用任何数据预算，而自我中心采集把这种行为变成了语料。Ego-Exo4D 记录了约 1,300 小时的技能性活动，来自 13 座城市的 740 名参与者，并配有时间同步的第一人称与第三人称视角；更早的 Ego4D 则从数十个地点、数百名相机佩戴者那里采集了约 3,700 小时。没有任何机器人遥操作项目能达到这样的人群、地点与策略跨度，因为它做不到：每一小时都要消耗一台机器人和一名操作员。
这一领域自己的配方早已承认这一点。NVIDIA 的 Isaac GR00T 基础模型，训练所用的混合数据在真实机器人与合成轨迹之外，也倚重人类视频；Physical Intelligence 训练其跨本体策略时，用的是众多机器人与任务，而非单一的干净来源。当这些构建人形基础模型的团队去取用多样的人类与跨本体数据时，那不是点缀，而是承重结构。
把取舍并排摆开
这一切并不意味着人类数据就一定更优。它只是一组取舍上的另一个点，而要选得好，就得看清整盘棋。
| 属性 | 脚本 / 仿真 | 遥操作机器人 | 人类演示 |
|---|---|---|---|
| 扩展成本 | 建成后很低 | 高：机器人工时、操作员 | 低到中等：可穿戴，无需机器人 |
| 长尾覆盖度 | 狭窄，限于所选轴 | 中等 | 广 |
| 动作标注 | 精确，直接生成 | 精确的机器人动作 | 间接：需位姿估计与重定向 |
| 本体匹配 | 与仿真一致 | 与该机器人一致 | 存在形态差距 |
| 接触真实度 | 低到中等 | 高 | 高，但力未标注 |
| 边际收益递减 | 快 | 中等 | 慢 |
人类优先在哪里会失灵，以及诚实的补救
真正该让你担心的那一列是动作标注。人类演示给你看的是手，而不是关节指令；你观察到的是结果，而不是控制器。要把它变成机器人可以模仿的东西，需要先做手部位姿与物体位姿估计，再重定向到机器人的形态上，而这些环节每一步都在累积误差。五指的重新抓握，在两指夹爪上没有干净的对应形象，因此有些人类策略就是无法迁移。
补救办法是已知的，而且越来越标准。配对采集是主要一招：DROID 式的多视角装置、Ego-Exo4D 同步的自我中心与外部视角相机，以及 RH20T 配对的人类与机器人序列，存在的意义都是为重定向这一步提供有监督的桥梁。正确的结论不是人类数据取代机器人数据，而是一种分工：把充裕的人类演示花在多样的基座上，把稀缺的机器人工时花在接地，以及形态差距真正咬人的最后一公里技能上。
基座与顶端
把脚本数据看作它本来的样子：一块用于运动先验的干净而廉价的地板，而不是通往通用策略的道路。覆盖度才是把策略从一次演示变成一项技能的属性，而人类演示是我们拥有的最广、最便宜的覆盖度来源。真正能扩展的团队，看起来不会像一支机器人舰队死磕同一个任务，而更像一个采集得当的宽广人类基座，把机器人工时花在最值钱的地方。先采集世界，再教会身体。