Entrenamos un humanoide con manos hábiles de 22 grados de libertad para ensamblar modelos de coches, operar jeringas, clasificar cartas de póker, doblar/enrollar camisetas, todo aprendido principalmente de más de 20,000 horas de video egocéntrico humano sin robots en el bucle. Los humanos son la encarnación más escalable del planeta. Descubrimos una ley de escalado logarítmico casi perfecta (R² = 0.998) entre el volumen de video humano y la pérdida de predicción de acción, y esta pérdida predice directamente la tasa de éxito del robot real. Los robots humanoides serán el objetivo final, porque son la forma práctica con una brecha de encarnación mínima respecto a los humanos. Llámalo la Lección Amarga del hardware robótico: la similitud cinemática nos permite simplemente redirigir el movimiento de los dedos humanos a las articulaciones de las manos hábiles del robot. No se necesitan incrustaciones aprendidas, ni algoritmos de transferencia sofisticados. El movimiento relativo de la muñeca + las acciones de los dedos de 22 grados de libertad redirigidas sirven como un espacio de acción unificado que se mantiene desde el preentrenamiento hasta la ejecución del robot. Nuestra receta se llama "EgoScale": - Preentrenar GR00T N1.5 en 20K horas de video humano, entrenar a medio camino con solo 4 horas (!) de datos de juego de robot con manos Sharpa. 54% de ganancias sobre el entrenamiento desde cero en 5 tareas altamente hábiles. - El resultado más sorprendente: una *única* demostración de teleoperación es suficiente para aprender una tarea nunca antes vista. Nuestra receta permite una eficiencia extrema de datos. - Aunque preentrenamos en el espacio de articulaciones de manos de 22 grados de libertad, la política se transfiere a un Unitree G1 con manos de tri-dedo de 7 grados de libertad. Más del 30% de ganancias sobre el entrenamiento solo con datos de G1. El camino escalable hacia la destreza robótica nunca fueron más robots. Siempre fuimos nosotros. Profundizaciones en el hilo: