教机器人干活正在从写代码、做示教变成给它看一段人干活的视频。这篇文章用人话讲清楚人类视频学习到底是怎么一回事为什么 2026 年突然火了以及它和你手上的启元机器人有什么关系。一、先想清楚一个问题为什么说话教不会机器人假设你要教一个机器人叠衣服。你有两种教法用嘴说“先把左边袖子往中间折 15 厘米再把右边……”——你会发现根本说不清。力度多大布料滑了怎么办语言天生描述不了连续的物理动作。直接做一遍把叠衣服的过程拍下来给它看——折几下、每下怎么用力、做成什么样算完全在视频里没有歧义。这就是人类视频学习的出发点视频是天然的动作说明书信息密度远高于语言。而互联网上最不缺的就是人干活的视频——如果机器人能从中学习数据问题就解了一大半。二、难在哪人手和机器人手不一样直接拿人类视频训练机器人卡在一个老问题上人和机器人的身体不同业内叫 embodiment gap。视频里的人用的是五指的手机器人可能是夹爪视频里没有任何关节角度标签模型看到的只有画面变化。▲ 同一个任务人类第一视角上和机器人视角下的差别。图源EgoMimic 论文arXiv:2410.242212024 到 2026 年学界业界大体摸索出三条跨过这道坎的路对齐路线用智能眼镜采集第一视角视频同时记录手部姿态再把人和机器人的轨迹映射到同一个空间里对齐着学代表工作有 EgoMimic、EgoBridge 等隐式动作路线不直接学关节怎么动而是先从海量视频里学两帧画面之间发生了什么变化压缩成一种叫Latent Action隐式动作的中间语言——智元的 GO-1 大模型走的就是这条路线它的隐式动作模型正是在大规模人类视频Ego4D上预训练的重建路线把视频里的人手重建出 3D 运动轨迹再重定向到机器人手上代表工作有 DexImit、HRT1 等。三条路线没有优劣之分共同点是一个让人类视频这笔免费数据真正变得可用。三、2026 年的新变化从看视频预训练到看一遍就会如果说上面解决的是用人类视频打基础2026 年年中密集出现的一批工作则把这件事推向了极致——视频示教In-Context Learning给机器人看一条新任务的演示视频它当场就能做不用再采集几百条数据、再训练几天。团队工作一条视频顶多少特点Skild AIS11 条 ≈ 380 条微调样本完全不改模型权重纯靠预训练规模10 万小时级GeneralistGEN-1.5分钟级上手权重变化 0.15%几乎不动英伟达 GEAR 李飞飞团队RoboTTT上下文 8000 步推理时做微量测试时训练自变量机器人HOST29 秒学会新技能用世界模型从演示反推动作背后的道理和大语言模型一样预训练阶段模型已经把怎么动学进了权重等到要用的时候一条视频只需要回答这次做什么就够了。这和 GPT 跨过规模阈值后突然会 few-shot 是同一回事——机器人正在迎来自己的上下文学习时刻。四、这和你手上的启元机器人有什么关系关系很直接。智元的 GO-1 已经把人类视频学习写进了架构VLM 负责看懂场景和指令Latent Planner 借助大量跨本体和人类操作视频获得通用动作理解Action Expert 再借助百万真机数据输出精细动作。这套看视频 → 理解动作 → 迁移到本体的链路正是为一脑多形、小样本快速泛化设计的。而启元 Q1 / T1 面向的是家庭和开发者场景——家庭里的任务千奇百怪靠工程师一个个写技能永远写不完。未来的玩法大概率是你在启元的技能商店PrimeStore里下载别人教出来的技能或者自己演示一遍机器人就能学会。视频示教这条路走通之日就是教机器人干活像发抖音一样简单之时。五、一句话总结语言说不清动作视频可以所以人类视频是机器人最便宜的老师人机身体差异是核心障碍隐式动作Latent Action是目前最主流的解法之一2026 年的视频示教 ICL 证明预训练够扎实看一遍就会不是噱头对开发者来说关注智元 GO-1 / 启元 PrimeBot 生态就是关注这条路线最先落地的地方。人类视频学习最终要落到动作映射和执行反馈上。对于启元 Q1 / T1我更关心的是一段演示能否变成定义清楚的目标执行后又能否判断做对了没有。结合启元机器人开发者社区的开发资料把这条链路逐步验证清楚才能判断哪些研究思路适合自己的任务。