人要做一件簡單的事，例如走到桌邊、彎身，再伸手拿起物件，通常會自然地把整個身體配合起來；但對人形機械人來說，行路、調整姿勢和操作物件，可能要分開處理。阿里巴巴旗下地圖及定位部門 Amap 與 ATH 團隊研發的 Lambda-0，正是想讓機械人學習這種「行住做」的全身協調能力。 14

研究團隊為 HumanVerse 收集了 500 小時的人類活動資料：第一身影片會配合同步記錄的身體及手部動作。這些資料用來教模型將視覺、移動與物件操作連在一起，而不是只學手臂或手部動作。 1

HumanVerse：500 小時人類動作資料

相關研究把這種結合移動和操作物件的能力稱為 loco-manipulation。簡單來說，機械人不但要識得抓取物件，亦要懂得走近目標、改變姿勢，並在移動之中配合雙手完成動作。 14

第一身影片記錄人看到的環境，身體和手部動作則提供人如何與環境互動的線索。把兩者同步，有助模型學習姿勢、移動與手部操作之間的關係。HumanVerse 收錄的是開放環境中的人類移動及操作資料，總共 500 小時。 1

資料收集本身不需要有人遙距操控機械人，研究團隊因此可減少依賴機械人示範來建立人類動作資料。 113 不過，現有資料不足以確認網上流傳的特定消費級穿戴裝置，以及「29 秒對 100 秒」示範時間比較；這些數字不宜當成已獲證實的研究結果。 12

人類資料不等於整個訓練都沒有機械人

解讀研究時，要分清楚 HumanVerse 的收集方式和 Lambda-0 的完整訓練流程。論文描述的流程包括：先以人類經驗進行預訓練，再以與機械人對齊的人類示範作中段訓練，之後進入機械人訓練階段。 113

所以，HumanVerse 的資料可以在沒有機械人參與收集的情況下建立，但這不代表整個模型訓練完全沒有用到機械人資料或機械人訓練。至於「毋須額外訓練」的說法，指的是團隊所報告的機械人部署結果，不能理解成整個訓練過程從未使用機械人經驗。 1813

測試成績如何？有一點要留意

研究團隊報告，Lambda-0 在他們的 SIMPLE 模擬環境取得 90.0% 成功率；在真實機械人的移動及操作測試中，整體成功率為 62.5%。這些都是團隊公布的結果，並非獨立評估。 1

至於真實測試涵蓋多少項任務，現有報道說法不一：一個來源提到七項，另一個則描述四項。由於測試範圍存在出入，較穩妥的講法是列出團隊報告的 62.5% 整體結果，而不把它確定歸於七項任務。 811

論文亦指出，增加全身人類動作資料，有助提升模型在後續任務中的進度。這支持人類全身動作資料在團隊實驗中的作用，但單憑這點，仍不足以證明模型能在各種環境中穩定工作，或已具備通用能力。 1

開放程式碼，不代表結果已獲獨立驗證

相關論文已刊載於 arXiv，專案程式碼則在 GitHub 以 Apache 2.0 授權公開。開放程式碼有助其他研究者檢視方法及嘗試重做實驗，但並不等於研究結果已獲獨立確認。 11013

目前有報道指出，團隊公布的結果尚未獲獨立重現。Lambda-0 展示了一條把人類日常動作經驗轉移到人形機械人的研究路線，成績值得留意；但距離證明它能應付廣泛而多變的真實任務，仍有一段距離。 817

人要做一件簡單的事，例如走到桌邊、彎身，再伸手拿起物件，通常會自然地把整個身體配合起來；但對人形機械人來說，行路、調整姿勢和操作物件，可能要分開處理。阿里巴巴旗下地圖及定位部門 Amap 與 ATH 團隊研發的 Lambda-0，正是想讓機械人學習這種「行住做」的全身協調能力。 14

研究團隊為 HumanVerse 收集了 500 小時的人類活動資料：第一身影片會配合同步記錄的身體及手部動作。這些資料用來教模型將視覺、移動與物件操作連在一起，而不是只學手臂或手部動作。 1

HumanVerse：500 小時人類動作資料

相關研究把這種結合移動和操作物件的能力稱為 loco-manipulation。簡單來說，機械人不但要識得抓取物件，亦要懂得走近目標、改變姿勢，並在移動之中配合雙手完成動作。 14

第一身影片記錄人看到的環境，身體和手部動作則提供人如何與環境互動的線索。把兩者同步，有助模型學習姿勢、移動與手部操作之間的關係。HumanVerse 收錄的是開放環境中的人類移動及操作資料，總共 500 小時。 1

資料收集本身不需要有人遙距操控機械人，研究團隊因此可減少依賴機械人示範來建立人類動作資料。 113 不過，現有資料不足以確認網上流傳的特定消費級穿戴裝置，以及「29 秒對 100 秒」示範時間比較；這些數字不宜當成已獲證實的研究結果。 12

人類資料不等於整個訓練都沒有機械人

解讀研究時，要分清楚 HumanVerse 的收集方式和 Lambda-0 的完整訓練流程。論文描述的流程包括：先以人類經驗進行預訓練，再以與機械人對齊的人類示範作中段訓練，之後進入機械人訓練階段。 113

所以，HumanVerse 的資料可以在沒有機械人參與收集的情況下建立，但這不代表整個模型訓練完全沒有用到機械人資料或機械人訓練。至於「毋須額外訓練」的說法，指的是團隊所報告的機械人部署結果，不能理解成整個訓練過程從未使用機械人經驗。 1813

測試成績如何？有一點要留意

研究團隊報告，Lambda-0 在他們的 SIMPLE 模擬環境取得 90.0% 成功率；在真實機械人的移動及操作測試中，整體成功率為 62.5%。這些都是團隊公布的結果，並非獨立評估。 1

至於真實測試涵蓋多少項任務，現有報道說法不一：一個來源提到七項，另一個則描述四項。由於測試範圍存在出入，較穩妥的講法是列出團隊報告的 62.5% 整體結果，而不把它確定歸於七項任務。 811

論文亦指出，增加全身人類動作資料，有助提升模型在後續任務中的進度。這支持人類全身動作資料在團隊實驗中的作用，但單憑這點，仍不足以證明模型能在各種環境中穩定工作，或已具備通用能力。 1

開放程式碼，不代表結果已獲獨立驗證

相關論文已刊載於 arXiv，專案程式碼則在 GitHub 以 Apache 2.0 授權公開。開放程式碼有助其他研究者檢視方法及嘗試重做實驗，但並不等於研究結果已獲獨立確認。 11013

目前有報道指出，團隊公布的結果尚未獲獨立重現。Lambda-0 展示了一條把人類日常動作經驗轉移到人形機械人的研究路線，成績值得留意；但距離證明它能應付廣泛而多變的真實任務，仍有一段距離。 817