X Square Robot 開源的 HOST（Human-to-robot One-Shot Skill Acquisition）最值得留意之處，並不是機械人突然已經學識處理所有家務，而是它將學習一項新實體技能，變得更似接受一個提示（prompt），而不是每次都要另開一個訓練工程。

在研究團隊公布的測試中，機械人觀看一段平均 29 秒的人類示範影片後，平均成功率為 62%。作為比較，基於 Pi-0.5 系統的方案，約以 50 段機械人示範及 4 小時微調後，成功率為 38%。這些數字來自研究團隊自己的實驗設定，不能直接當作實際部署時的可靠度。1834

由「重新訓練」轉向「推理時適應」

傳統模仿學習通常是每遇到一項新任務，就要重新收集示範資料，再進行最佳化或微調。過程不但要佔用遙距操控（teleoperation）時間，亦會令機械人長時間停機；如果反覆更新模型，還可能影響它原本已經掌握的行為。

HOST 將適應發生的位置搬到推理階段。它的預訓練模型權重保持不變，示範影片則在機械人執行任務時，充當針對該任務的上下文。這種做法更接近「上下文學習」（in-context learning），而不是透過梯度更新，將一項新技能永久寫入模型。過往機械人研究亦曾探索類似方向：模型可以根據觀察—動作歷史調整行為，而毋須更新權重。20

實際上，HOST 的承諾是縮短「示範一次」到「機械人開始嘗試」之間的距離。不過，這不代表機械人在 29 秒內由零開始學懂所有物理原理。更準確的說法是：一個已經透過大量資料預訓練的技能先驗，利用一段影片去選定、對應及執行一項新任務。

點解 HOST 唔係直接複製人類動作？

人類和機械人並沒有相同的攝影機位置、手掌形狀、關節結構、伸手距離或動作速度。若直接搬運影片像素，或者照抄人類的關節軌跡，遇到不同身體形態和環境時，系統很容易失準。

HOST 採用的是一個「自我定位預測」的級聯流程。框架先估計示範者在任務中的進度，再預測相同進度從機械人自身視角看起來會是甚麼樣子，最後根據這些預測到的觀察結果，推導出機械人應該執行的動作。18

當中的三個部分，分別處理動作轉移的不同難題：

• 視覺模組：從以機械人為中心的感知角度，理解示範中的任務及預期結果。
• 動作生成模組：將預測到的結果轉化為機械人可以實際執行的行為。
• 動態時間校正（dynamic time warping）：當人類和機械人以不同速度完成同一階段時，協助對齊兩者的對應進度。

關鍵分別在於，機械人不需要重現示範者的身體力學，而是要理解一連串有意義的狀態變化，再用自己的身體找到達成目標的方法。

模擬與認知科學，提供另一套學習配方

HOST 的設計亦反映一種以目標為本的模仿觀：觀察者先判斷一個動作想達成甚麼結果，再選擇適合自己身體的運動方案。這和逐格重播示範軌跡，有根本上的不同。

模擬環境和大規模預訓練，可以在正式部署前提供廣泛的變化；一段短片則在實際操作當刻，補上機械人面對的特定任務資訊。兩者分工，形成一個可能適用於具身 AI 的訓練配方：先在離線階段學習廣泛的物理及行為先驗，再透過推理時上下文快速專門化。

這個方向亦配合機械人開放資料集及跨身體形態基礎模型的發展。不同機械人平台的經驗，可以透過共享資料轉移到其他平台；Open X-Embodiment 計劃的資料便涵蓋 22 種機械人形態，展示跨平台學習及正向遷移的可能性。25

開源，點解對 HOST 重要？

X Square Robot 公開 HOST，令其他研究人員和開發者更容易檢視、重現及測試這套方法。當程式碼和工具開放後，研究界可以進一步觀察影片到動作的轉移，在不同攝影機、機械臂、環境及任務上是否仍然成立，而不必只依賴一段由公司控制的示範。

公司亦已為 WALL 具身模型生態系統公開相關程式碼及工具，涵蓋訓練、推理、資料準備及評估流程。2627 對 X Square 而言，開源同時可以加快外部實驗，並讓開發者逐漸熟悉其模型及硬件周邊。

當然，公開程式碼本身並不能證明 HOST 的基準成績。它真正帶來的價值，是令核心假設更容易接受外部驗證：機械人的預訓練能力，是否真的可以透過一段精簡示範即時適應，而不用每遇到新操作任務便重新收集資料及微調。

62% 成功率，代表到甚麼程度？

如果同時考慮示範數量及訓練時間的減少，62% 是一項值得關注的研究結果。但它並不等於可靠的自主操作；按研究所述的測試，仍然有接近五分之二的嘗試失敗。

這個結果亦未能證明系統在所有家居環境都能穩定運作。要評估其真正能力，還需要在不同光線、雜物程度、物件外觀、接觸動力學、錯誤復原、安全限制、較長任務流程，以及不同機械人身體形態下進行更多測試。由於論文屬研究預印本，相關比較亦只針對特定基準，獨立評估同樣重要。1834

所以，較可信而且更有用的結論，並不是「人形機械人現在已經可以睇一條片就學識做家務」，而是：HOST 展示了一個可能的新方向——先以廣泛資料預訓練機械人的能力，再透過人類示範於推理時快速取得個別技能，同時避免每項任務都要更新模型權重。

如果這個結果日後能在作者以外的基準及環境中重現，推理時技能獲取或許會成為遙距操控、資料集收集及反覆微調之外，一條認真可行的具身 AI 發展路線。

X Square Robot 開源的 HOST（Human-to-robot One-Shot Skill Acquisition）最值得留意之處，並不是機械人突然已經學識處理所有家務，而是它將學習一項新實體技能，變得更似接受一個提示（prompt），而不是每次都要另開一個訓練工程。

在研究團隊公布的測試中，機械人觀看一段平均 29 秒的人類示範影片後，平均成功率為 62%。作為比較，基於 Pi-0.5 系統的方案，約以 50 段機械人示範及 4 小時微調後，成功率為 38%。這些數字來自研究團隊自己的實驗設定，不能直接當作實際部署時的可靠度。1834

由「重新訓練」轉向「推理時適應」

傳統模仿學習通常是每遇到一項新任務，就要重新收集示範資料，再進行最佳化或微調。過程不但要佔用遙距操控（teleoperation）時間，亦會令機械人長時間停機；如果反覆更新模型，還可能影響它原本已經掌握的行為。

HOST 將適應發生的位置搬到推理階段。它的預訓練模型權重保持不變，示範影片則在機械人執行任務時，充當針對該任務的上下文。這種做法更接近「上下文學習」（in-context learning），而不是透過梯度更新，將一項新技能永久寫入模型。過往機械人研究亦曾探索類似方向：模型可以根據觀察—動作歷史調整行為，而毋須更新權重。20

實際上，HOST 的承諾是縮短「示範一次」到「機械人開始嘗試」之間的距離。不過，這不代表機械人在 29 秒內由零開始學懂所有物理原理。更準確的說法是：一個已經透過大量資料預訓練的技能先驗，利用一段影片去選定、對應及執行一項新任務。

點解 HOST 唔係直接複製人類動作？

人類和機械人並沒有相同的攝影機位置、手掌形狀、關節結構、伸手距離或動作速度。若直接搬運影片像素，或者照抄人類的關節軌跡，遇到不同身體形態和環境時，系統很容易失準。

HOST 採用的是一個「自我定位預測」的級聯流程。框架先估計示範者在任務中的進度，再預測相同進度從機械人自身視角看起來會是甚麼樣子，最後根據這些預測到的觀察結果，推導出機械人應該執行的動作。18

當中的三個部分，分別處理動作轉移的不同難題：

• 視覺模組：從以機械人為中心的感知角度，理解示範中的任務及預期結果。
• 動作生成模組：將預測到的結果轉化為機械人可以實際執行的行為。
• 動態時間校正（dynamic time warping）：當人類和機械人以不同速度完成同一階段時，協助對齊兩者的對應進度。

關鍵分別在於，機械人不需要重現示範者的身體力學，而是要理解一連串有意義的狀態變化，再用自己的身體找到達成目標的方法。

模擬與認知科學，提供另一套學習配方

HOST 的設計亦反映一種以目標為本的模仿觀：觀察者先判斷一個動作想達成甚麼結果，再選擇適合自己身體的運動方案。這和逐格重播示範軌跡，有根本上的不同。

模擬環境和大規模預訓練，可以在正式部署前提供廣泛的變化；一段短片則在實際操作當刻，補上機械人面對的特定任務資訊。兩者分工，形成一個可能適用於具身 AI 的訓練配方：先在離線階段學習廣泛的物理及行為先驗，再透過推理時上下文快速專門化。

這個方向亦配合機械人開放資料集及跨身體形態基礎模型的發展。不同機械人平台的經驗，可以透過共享資料轉移到其他平台；Open X-Embodiment 計劃的資料便涵蓋 22 種機械人形態，展示跨平台學習及正向遷移的可能性。25

開源，點解對 HOST 重要？

X Square Robot 公開 HOST，令其他研究人員和開發者更容易檢視、重現及測試這套方法。當程式碼和工具開放後，研究界可以進一步觀察影片到動作的轉移，在不同攝影機、機械臂、環境及任務上是否仍然成立，而不必只依賴一段由公司控制的示範。

公司亦已為 WALL 具身模型生態系統公開相關程式碼及工具，涵蓋訓練、推理、資料準備及評估流程。2627 對 X Square 而言，開源同時可以加快外部實驗，並讓開發者逐漸熟悉其模型及硬件周邊。

當然，公開程式碼本身並不能證明 HOST 的基準成績。它真正帶來的價值，是令核心假設更容易接受外部驗證：機械人的預訓練能力，是否真的可以透過一段精簡示範即時適應，而不用每遇到新操作任務便重新收集資料及微調。

62% 成功率，代表到甚麼程度？

如果同時考慮示範數量及訓練時間的減少，62% 是一項值得關注的研究結果。但它並不等於可靠的自主操作；按研究所述的測試，仍然有接近五分之二的嘗試失敗。

這個結果亦未能證明系統在所有家居環境都能穩定運作。要評估其真正能力，還需要在不同光線、雜物程度、物件外觀、接觸動力學、錯誤復原、安全限制、較長任務流程，以及不同機械人身體形態下進行更多測試。由於論文屬研究預印本，相關比較亦只針對特定基準，獨立評估同樣重要。1834

所以，較可信而且更有用的結論，並不是「人形機械人現在已經可以睇一條片就學識做家務」，而是：HOST 展示了一個可能的新方向——先以廣泛資料預訓練機械人的能力，再透過人類示範於推理時快速取得個別技能，同時避免每項任務都要更新模型權重。

如果這個結果日後能在作者以外的基準及環境中重現，推理時技能獲取或許會成為遙距操控、資料集收集及反覆微調之外，一條認真可行的具身 AI 發展路線。