Chúng tôi đã huấn luyện một robot hình người với bàn tay khéo léo 22-DoF để lắp ráp mô hình ô tô, vận hành ống tiêm, phân loại bài poker, gấp/cuộn áo, tất cả đều được học chủ yếu từ hơn 20.000 giờ video con người tự thân mà không có robot trong quy trình. Con người là hình thức hiện thân có thể mở rộng nhất trên hành tinh. Chúng tôi đã phát hiện ra một quy luật tỷ lệ log-linear gần như hoàn hảo (R² = 0.998) giữa khối lượng video con người và độ mất mát dự đoán hành động, và độ mất mát này dự đoán trực tiếp tỷ lệ thành công của robot thực. Robot hình người sẽ là đích đến cuối cùng, vì chúng là hình thức thực tiễn với khoảng cách hiện thân tối thiểu so với con người. Hãy gọi đó là Bài học Đắng về phần cứng robot: sự tương đồng động học cho phép chúng tôi đơn giản chỉ cần chuyển hướng chuyển động ngón tay của con người lên các khớp tay robot khéo léo. Không cần các nhúng đã học, không cần các thuật toán chuyển giao phức tạp. Chuyển động cổ tay tương đối + các hành động ngón tay 22-DoF đã chuyển hướng phục vụ như một không gian hành động thống nhất mà mang theo từ giai đoạn tiền huấn luyện đến thực thi robot. Công thức của chúng tôi được gọi là "EgoScale": - Tiền huấn luyện GR00T N1.5 trên 20K giờ video con người, giữa quá trình huấn luyện chỉ với 4 giờ (!) dữ liệu chơi robot với bàn tay Sharpa. Tăng 54% so với việc huấn luyện từ đầu trên 5 nhiệm vụ khéo léo cao. - Kết quả bất ngờ nhất: một *demo* điều khiển từ xa *duy nhất* là đủ để học một nhiệm vụ chưa từng thấy trước đây. Công thức của chúng tôi cho phép hiệu quả dữ liệu cực cao. - Mặc dù chúng tôi tiền huấn luyện trong không gian khớp tay 22-DoF, chính sách chuyển giao sang Unitree G1 với bàn tay ba ngón 7-DoF. Tăng 30%+ so với việc huấn luyện chỉ trên dữ liệu G1. Con đường có thể mở rộng đến sự khéo léo của robot chưa bao giờ là nhiều robot hơn. Nó luôn là chúng ta. Những phân tích sâu trong chủ đề: