拒绝动作复制：人手数据如何重构具身智能物理先验？
数据瓶颈与路径重构
在具身智能的发展版图中，数据始终是最难以啃食的硬骨头。长期以来，行业在数据获取上主要依赖两条路径：仿真数据采集与真机遥操作。然而，这两条主流路线均面临显著的结构性瓶颈。仿真数据虽然采集效率极高，但受限于复杂的物理引擎建模误差，始终存在难以跨越的“虚实鸿沟”，导致仿真中训练的模型直接迁移到真实环境时性能大幅衰减。另一方面，真机遥操作虽然能获取高质量的真实交互数据，但采集成本高昂、效率低下。更重要的是，这些数据往往与特定的机器人本体、传感器配置深度绑定，通用性差，难以在不同硬件平台上复用。
面对这一困局，一种新的数据路线正在崛起：人手数据（Human Data）。这一思路并非凭空产生，但在大语言模型（LLM）和多模态大模型（VLM）兴起的背景下，获得了新的生命力。传统观点认为，机器人应当通过模仿人类动作来学习，即通过动作重定向将人手关节角度映射到机械臂。然而，这种基于视觉或运动学层面的对齐往往忽略了物理交互的本质。近期，由北京大学、香港中文大学、至简动力及乙太科技联合推出的LaST-HD模型，提出了一种截然不同的视角：不直接模仿动作，而是让人手数据成为机器人理解物理世界的桥梁。
这种转变的核心在于认知的重构。机器人和人类的硬件结构截然不同，运动轨迹各异，试图让机器人完全拟合人类的动作既无必要也不可行。真正具有迁移价值的，是人类操作在物理世界中引发的状态变化。例如，推一个杯子，无论是由人手还是机械臂完成，最终的结果都是杯子位置移动、水杯晃动以及接触关系的改变。因此，LaST-HD团队主张将人视为最大的物理数据载体，通过捕捉人类操作背后的物理规律，让机器人学习这些共享的动态特性，从而实现更高效的泛化与适应。
物理先验优于动作映射
传统模仿学习（Imitation Learning）往往受困于“动作空间”的对齐难题。过往的研究尝试了多种技术路线来解决这一问题：有的采用视觉替换策略，将人手视频替换为机械臂视角；有的致力于构建高精度的动作重定向算法；还有的试图通过扩大预训练模型的规模，让模型自行适应不同本体的差异。这些方法虽然在特定场景下取得了一定成效，但其底层逻辑依然局限于表象层面的匹配。
LaST-HD提出的创新点在于，它绕过了动作本身的复杂性，转而聚焦于物理世界的一致性。在隐空间中，模型不再试图复现人类手臂的每一帧运动，而是提取人类操作所导致的环境状态变迁。这种“物理对齐”策略极大地降低了模型的学习难度。因为物理规律（如重力、摩擦力、碰撞动力学）是普适的，不依赖于执行者的生物形态或机械结构。通过这种方式，机器人可以从海量且低成本的人手数据中汲取丰富的物理常识，而无需经历昂贵且缓慢的真机探索过程。
此外，人手数据的引入解决了数据多样性的关键问题。真机遥操作往往局限于固定的实验室场景，更换桌面、杯子或家具意味着需要重新搭建环境，难以模拟真实世界中无限变化的干扰因素。相比之下，人类在日常生活中自然完成了数百万次的操作尝试，涵盖了各种姿态、力度和环境组合。将这种高多样性（High-diversity）的人类行为数据转化为机器人的物理先验，能够显著提升模型在开放环境下的鲁棒性。
VLA与世界模型的协同进化
在具身智能的架构设计中，视觉语言动作模型（VLA）与世界模型（World Model）的关系一直备受争议。一种观点认为VLA是终点，另一种观点则看好世界模型在时序预测上的优势。LaST-HD的作者刘家铭指出，这种二元对立的视角是片面的。VLA和世界模型解决的是同一类问题，只是提供物理先验的角度和阶段不同。
传统的动作策略（Action Policy）通常需要从零开始预测未来的一系列动作，这对模型的推理能力要求极高。而世界模型可以通过预测未来的视频帧或状态，提前提供部分物理环境的演化信息，相当于完成了部分推理工作。VLA则负责将这些感知信息转化为具体的控制指令。两者并非竞争关系，而是互补关系。世界模型擅长建模物理动态和时序依赖，VLA擅长语义理解与指令遵循。将它们结合，可以让机器人以更低的学习成本掌握复杂的物理交互任务。
LaST-HD进一步引入了“隐空间推理”（Latent Reasoning）的概念。世界模型生成的视频数据虽然信息丰富，但计算开销巨大，直接用于实时控制效率较低。通过将物理状态压缩到隐空间中，模型可以在保留关键物理特征的同时，大幅提升推理速度。更重要的是，隐空间具有更高的自由度，能够融合3D几何信息、本体状态以及触觉反馈等多模态数据。这种隐空间的学习方式更接近人类认知的特点——我们在操作物体时，往往并不需要在脑海中构建出逼真的视觉画面，而是依赖对物体状态和物理关系的抽象理解。因此，隐空间推理被认为是具身智能领域极具潜力的发展方向。
系统化工程与个性化落地
LaST-HD并非孤立的算法创新，而是至简动力在机器人系统工程上的重要一环。该团队提出的LaST系列涵盖了基础模型（LaST₀）、后训练优化（LaST-R1）、数字孪生强化学习（TwinRL）以及人手数据利用（LaST-HD）。这种系统化的研究思路强调了数据、模型、训练策略和本体硬件的耦合优化。真正的机器人基础模型不应仅关注算法层面的突破，更需考虑数据采集、训练效率和硬件执行的闭环。
这种系统化思维在“百台交付”的工业场景中得到了验证。至简动力在苏州交付的100台i7 Pro机器人，已在CNC上下料等工业场景中部署。这一里程碑事件标志着从学术研究到工程落地的跨越。在预训练阶段，团队积累了约2000小时的高质量人手数据，并计划年底扩展至数万小时。研究表明，数据的质量、多样性而非单纯的数量，是决定模型泛化能力的关键。过多的同质化数据反而会导致过拟合，因此构建包含丰富场景变化的数据集至关重要。
面向更广阔的家庭服务场景，LaST-HD提出了一种全新的“个性化适配”范式。传统遥操作学习到的是操作员的习惯，而非用户自己的习惯。用户希望机器人能按照自己的方式整理房间、清洗餐具，而不是机械地执行标准化的动作。LaST-HD通过轻量级手套收集用户在自家中的操作数据，利用后训练策略快速微调模型。这种“试教”过程仅需几十分钟，即可让机器人适应特定家庭的环境布局和用户偏好，实现“千人千面”的个性化服务。这种基于数据飞轮的持续学习机制，解决了机器人进入家庭后面临的隐私、环境开放性及习惯差异等核心挑战。
终局竞争：长尾场景与持续进化
展望未来，具身智能的竞争焦点将从预训练阶段的性能比拼，转向长尾场景的覆盖能力与个性化服务的深度。预训练可以将模型的基础能力提升至80分，但这仅是入场券。真正的壁垒在于最后20%的长尾场景处理能力和持续进化能力。
灵巧手作为具身智能的关键执行器，其落地路径也呈现出明显的阶段性特征。短期内，半开放环境如工业柔性制造、自动化实验室和商业服务，将成为灵巧手的主要落地场景。这些环境相对可控，任务复杂但边界清晰。相比之下，家庭场景是一个完全开放的环境，面临着极高的泛化难度和安全要求。因此，通过人手数据构建强大的物理先验和隐空间推理能力，是克服这一难度的关键。
至简动力的探索表明，机器人不再是孤立执行指令的工具，而是能够理解物理规律、适应个性化习惯并持续学习的智能体。通过融合人手数据、隐空间推理和系统化工程，具身智能正逐步突破数据瓶颈，走向更具通用性和实用性的新阶段。这一过程不仅涉及技术的迭代，更是对人机协作关系的重新定义。机器人将不再是模仿人类的影子，而是成为理解人类物理意图、融入人类生活逻辑的协作者。