HOST 如何做到不直接「照抄」人類動作？

HOST 的重點不只是把人類影片轉換成機器人手臂的動作軌跡。不同機器人的身體結構、攝影機角度、手臂長度與抓取器都可能不同，直接逐幀模仿往往難以可靠轉移。

HOST 改為追蹤「任務進度」。系統會把人類影片中的操作階段，與機器人當下的視覺觀測及本體狀態對齊；接著預測如果機器人朝示範目標前進，從自身視角應該看到什麼結果，再反推出需要採取的動作。

因此，影片比較像一份持續更新的執行指南，而不是一組必須重新訓練模型的資料。由於模型參數在推理階段保持不變，研究團隊也主張它能避免傳統微調常見的「學新忘舊」問題。

在 50 項新操作任務、每項 20 次試驗的測試中，HOST 平均成功率為 62%。這表示方法確實能跨越不同物件、工具與操作原語轉移技能，但也同時說明它距離「任何任務都能可靠完成」仍有相當距離。

研究團隊另外測試了環境變化與干擾：在光線、物件、場景及人類干擾等條件改變下，表現相對基準的下降幅度分別約為 1%、4%、6% 與 9%。這些結果顯示系統具備一定韌性，但仍屬受控實驗環境中的結果。

GEN-1.5 把示範影片當成「物理提示」

GEN-1.5 採用更大型、較通用的具身模型路線。Generalist AI 表示，模型透過超過 8 個月的真實物理互動訓練，建立對物件、動作與環境反應的廣泛先驗知識；當使用者提供一段 3 至 12 秒的示範時，模型不必先更新權重，而是把影片放入上下文中，立即嘗試執行任務。

公司展示的例子包括開啟罐子、拉開收納袋拉鍊、將物件掃入碗中，以及使用工具完成操作。公開資料也宣稱模型可以把人類示範轉移到機器人、串接兩個由提示觸發的行為，甚至將模擬環境中的示範提示轉移到現實機器人。

GEN-1.5 的公開資料報告，在 10 項多樣化操作任務上，單次示範平均成功率為 59%。不過，這項數字與任務內容主要來自公司及其公開宣傳材料，目前尚未有與 HOST 相同程度的完整任務清單、試驗次數、基準比較、模型發布或第三方重現，因此不宜直接把兩者的成功率視為可完全對照的指標。

此外，GEN-1.5 並非在所有情況下都「完全不訓練」。單次物理提示不需要梯度更新，但對較困難的任務，Generalist AI 提供少樣本適配路徑，以數分鐘資料和 1 至 10 次梯度更新改善結果。這仍遠少於傳統的大規模任務訓練，但概念上已不再是嚴格意義的零更新學習。

這代表機器人學習正在變得更像人類？

兩項成果共同指向一種更直覺的人機互動方式：與其逐行撰寫程式、設計獎勵函數，或為每項任務收集數百段機器人示範，不如直接示範一次。

人類學習新工作時，通常不需要從零開始建立整套身體控制能力；我們會運用既有的物理常識，再從他人的示範中理解這次的目標、步驟與關鍵互動。HOST 與 GEN-1.5 嘗試把類似的分工帶進機器人系統：

• 大規模預訓練提供既有的物理與操作先驗。
• 短片示範指定新的目標與行為程序。
• 推理階段根據當下環境調整動作，而不是為每個任務重新訓練一個模型。

這也是為什麼「單段影片學習」的效率主張值得關注。不過，真正被省下的不是所有訓練成本，而是新使用者面對每項新任務時所需的額外訓練成本。基礎模型仍然需要大量資料、運算與時間；只是這些成本先被攤提，之後才能讓個別任務以數秒示範開始嘗試。HOST 的平均 29 秒取得時間，以及相較傳統微調快約 507 倍的主張，正是這種成本轉移的具體例子。

仍不能忽略的限制

HOST：有學術實驗，不等於已能在開放世界可靠工作

HOST 的 62% 成功率來自研究團隊設計的 50 項新操作任務與受控實驗。這是相當具體的證據，但尚不能直接推論到家庭環境、複雜工業現場、長時間多步驟任務或安全關鍵情境。更廣泛的獨立複製與真實部署表現，仍待驗證。

GEN-1.5：展示令人矚目，但獨立可檢驗性較弱

GEN-1.5 的模型能力、訓練時間、不使用模擬資料、示範時長與適配方式，主要由 Generalist AI 或轉述其公告的資料提出。目前公開資訊不足以確認一套標準化的任務數量、試驗流程、整體單次示範成功率、基準模型、資料與模型發布狀態，或第三方重現結果。

因此，GEN-1.5 的示範可視為具有潛力的能力證據，但還不能被視為已經獨立驗證的機器人性能新標竿。

結論：方向已經出現，可靠替代方案尚未到位

綜合來看，HOST 提供了較明確的學術證據，說明機器人可以在一段人類影片的引導下，於推理階段取得新操作技能，而且不必更新任務專屬參數。GEN-1.5 則展示另一種可能：當具身模型累積足夠廣泛的真實世界預訓練後，單次示範或許能成為大型通用模型自然浮現的上下文能力。

這兩項成果確實支持機器人學習從「為每項任務重新訓練」轉向「看示範、即時模仿」。但目前更準確的結論是：**觀察式機器人學習正在成形，而不是已經取代任務驗證、安全工程與受控適配。**在不受約束的環境中，成功率、錯誤復原、安全邊界與長期穩定性，仍是這條技術路線必須回答的問題。

HOST 如何做到不直接「照抄」人類動作？

HOST 的重點不只是把人類影片轉換成機器人手臂的動作軌跡。不同機器人的身體結構、攝影機角度、手臂長度與抓取器都可能不同，直接逐幀模仿往往難以可靠轉移。

HOST 改為追蹤「任務進度」。系統會把人類影片中的操作階段，與機器人當下的視覺觀測及本體狀態對齊；接著預測如果機器人朝示範目標前進，從自身視角應該看到什麼結果，再反推出需要採取的動作。

因此，影片比較像一份持續更新的執行指南，而不是一組必須重新訓練模型的資料。由於模型參數在推理階段保持不變，研究團隊也主張它能避免傳統微調常見的「學新忘舊」問題。

在 50 項新操作任務、每項 20 次試驗的測試中，HOST 平均成功率為 62%。這表示方法確實能跨越不同物件、工具與操作原語轉移技能，但也同時說明它距離「任何任務都能可靠完成」仍有相當距離。

研究團隊另外測試了環境變化與干擾：在光線、物件、場景及人類干擾等條件改變下，表現相對基準的下降幅度分別約為 1%、4%、6% 與 9%。這些結果顯示系統具備一定韌性，但仍屬受控實驗環境中的結果。

GEN-1.5 把示範影片當成「物理提示」

GEN-1.5 採用更大型、較通用的具身模型路線。Generalist AI 表示，模型透過超過 8 個月的真實物理互動訓練，建立對物件、動作與環境反應的廣泛先驗知識；當使用者提供一段 3 至 12 秒的示範時，模型不必先更新權重，而是把影片放入上下文中，立即嘗試執行任務。

公司展示的例子包括開啟罐子、拉開收納袋拉鍊、將物件掃入碗中，以及使用工具完成操作。公開資料也宣稱模型可以把人類示範轉移到機器人、串接兩個由提示觸發的行為，甚至將模擬環境中的示範提示轉移到現實機器人。

GEN-1.5 的公開資料報告，在 10 項多樣化操作任務上，單次示範平均成功率為 59%。不過，這項數字與任務內容主要來自公司及其公開宣傳材料，目前尚未有與 HOST 相同程度的完整任務清單、試驗次數、基準比較、模型發布或第三方重現，因此不宜直接把兩者的成功率視為可完全對照的指標。

此外，GEN-1.5 並非在所有情況下都「完全不訓練」。單次物理提示不需要梯度更新，但對較困難的任務，Generalist AI 提供少樣本適配路徑，以數分鐘資料和 1 至 10 次梯度更新改善結果。這仍遠少於傳統的大規模任務訓練，但概念上已不再是嚴格意義的零更新學習。

這代表機器人學習正在變得更像人類？

兩項成果共同指向一種更直覺的人機互動方式：與其逐行撰寫程式、設計獎勵函數，或為每項任務收集數百段機器人示範，不如直接示範一次。

人類學習新工作時，通常不需要從零開始建立整套身體控制能力；我們會運用既有的物理常識，再從他人的示範中理解這次的目標、步驟與關鍵互動。HOST 與 GEN-1.5 嘗試把類似的分工帶進機器人系統：

• 大規模預訓練提供既有的物理與操作先驗。
• 短片示範指定新的目標與行為程序。
• 推理階段根據當下環境調整動作，而不是為每個任務重新訓練一個模型。

這也是為什麼「單段影片學習」的效率主張值得關注。不過，真正被省下的不是所有訓練成本，而是新使用者面對每項新任務時所需的額外訓練成本。基礎模型仍然需要大量資料、運算與時間；只是這些成本先被攤提，之後才能讓個別任務以數秒示範開始嘗試。HOST 的平均 29 秒取得時間，以及相較傳統微調快約 507 倍的主張，正是這種成本轉移的具體例子。

仍不能忽略的限制

HOST：有學術實驗，不等於已能在開放世界可靠工作

HOST 的 62% 成功率來自研究團隊設計的 50 項新操作任務與受控實驗。這是相當具體的證據，但尚不能直接推論到家庭環境、複雜工業現場、長時間多步驟任務或安全關鍵情境。更廣泛的獨立複製與真實部署表現，仍待驗證。

GEN-1.5：展示令人矚目，但獨立可檢驗性較弱

GEN-1.5 的模型能力、訓練時間、不使用模擬資料、示範時長與適配方式，主要由 Generalist AI 或轉述其公告的資料提出。目前公開資訊不足以確認一套標準化的任務數量、試驗流程、整體單次示範成功率、基準模型、資料與模型發布狀態，或第三方重現結果。

因此，GEN-1.5 的示範可視為具有潛力的能力證據，但還不能被視為已經獨立驗證的機器人性能新標竿。

結論：方向已經出現，可靠替代方案尚未到位

綜合來看，HOST 提供了較明確的學術證據，說明機器人可以在一段人類影片的引導下，於推理階段取得新操作技能，而且不必更新任務專屬參數。GEN-1.5 則展示另一種可能：當具身模型累積足夠廣泛的真實世界預訓練後，單次示範或許能成為大型通用模型自然浮現的上下文能力。

這兩項成果確實支持機器人學習從「為每項任務重新訓練」轉向「看示範、即時模仿」。但目前更準確的結論是：**觀察式機器人學習正在成形，而不是已經取代任務驗證、安全工程與受控適配。**在不受約束的環境中，成功率、錯誤復原、安全邊界與長期穩定性，仍是這條技術路線必須回答的問題。