文章转载于腾讯科技作者： 博阳
2025年， ，，，， ，，具身智能领域最火的词就是VLA（视觉-语言-行动模子）。。。。。
它成了一种席卷全行业的共识， ，，，， ，，一个关于具身基础模子的标准谜底。。。。。在已往的一年里， ，，，， ，，资源和算力猖獗涌入这条赛道， ，，，， ，，基本上所有的模子大厂， ，，，， ，，都在用这套范式。。。。。
但很快， ，，，， ，，现实的物理天下给所有从业者泼了一盆冷水。。。。。由于VLA在物理行动执行上很弱。。。。。
它能懂极其重大的文字指令。。。。。但当机械臂真正去抓取时， ，，，， ，，它可能连怎样调解手腕姿态以避开杯柄的阻挡都做欠好， ，，，， ，，更别提让它去执行解开鞋带这种涉及重大物理形变的行动了。。。。。
VLA的另一个致命痛点是泛化。。。。。原来之以是各人要做模子更新， ，，，， ，，为的就是不必为每个特殊情形编程， ，，，， ，，看重的正是大模子的泛化能力。。。。。效果现在， ，，，， ，，任何逾越训练划定情形的行动， ，，，， ，，VLA基本都无法泛化， ，，，， ，，甚至出了训练情形类似的情形都做不了。。。。。
整个行业把泛化的无力， ，，，， ，，归结于数据的缺乏。。。。。大厂们最先投入亿万资金， ，，，， ，，用种种方法去收罗数据， ，，，， ，，试图用海量的模拟演示来填补VLA的知识空缺。。。。。
但2026年头， ，，，， ，，英伟达（NVIDIA）宣布了两篇论文《DreamZero: World Action Models are Zero-shot Policies》和《DreamDojo: A Generalist Robot World Model from Large-Scale Human Videos》两篇论文， ，，，， ，，构建了一套全新的具身智能基础模子范式， ，，，， ，，突破了数据内卷的僵局。。。。。
它们一起， ，，，， ，，给出了一个完全从视频里学习， ，，，， ，，Zero-shot（零样本）就能泛化执行差别事情的具身模子的可能。。。。。
1
VLA缺的不是数据， ，，，， ，，而是天下模子
要明确DreamZero和Dream Dojo的倾覆性， ，，，， ，，必需先从底层剖析VLA的系统性缺陷。。。。。
VLA的最大问题， ，，，， ，，就是缺乏天下模子。。。。。VLA的底层架构限制了它的认知方法。。。。。从谱系上看， ，，，， ，，VLA和LLM的亲缘更强， ，，，， ，，反而和纯视觉、纯物理的亲缘较弱。。。。。它通过交织注重力机制（Cross-Attention）将图像的像素块映射到文本的语义空间中， ，，，， ，，在这个空间里， ，，，， ，，它明确了杯子和桌子的看法， ，，，， ，，明确了它们在二维画面中的相对位置。。。。。
但物理天下不是二维的语义切片。。。。。物理天下是一连的， ，，，， ，，充满了质量、摩擦力、重力和几何碰撞。。。。。
VLA对物理行动和天下的明确相对较弱， ，，，， ，，由于它实质上是一个「翻译器」。。。。。
我们可以用物理学中的状态转移方程来诠释。。。。。一个完整的天下模子， ，，，， ，，实质上是在学习一个条件概率漫衍。。。。。它能在给定当宿天下的状态（视觉视察）和机械人即将执行的行动， ，，，， ，，展望天下下一秒会酿成什么样。。。。。
VLA历来没有学过这个方程。。。。。VLA学习的是静态视觉视察+语言指令直接映射到可执行行动的函数关系 ；；；；；却没被系统性地训练去展望行动效果、做反事实试错。。。。。以是一旦情形、材质、约束关系稍微变形， ，，，， ，，性能就会断崖式下滑。。。。。
这就好比让一小我私家在不明确几何原理的情形下， ，，，， ，，去死记硬背一万道几何题的谜底。。。。。遇到原题， ，，，， ，，他能快速写出完善谜底 ；；；；；遇到条件稍微变换的新题， ，，，， ，，他就彻底宕机。。。。。
VLA的泛化， ，，，， ，，实质上只是高维语义空间中的插值。。。。。当物理形态凌驾训练集的包络面时， ，，，， ，，插值就会失效。。。。。
与之比照的， ，，，， ，，是视频天生模子。。。。。在Veo3、Sora 2和最近大火的Seedance 2天生的物理交互画面已经相当逼真， ，，，， ，，流体、刚体、柔性子料的行动云云连贯， ，，，， ，，险些与现实天下难以区分。。。。。这说明， ，，，， ，，大规模视频天生模子在海量的互联网视频中， ，，，， ，，很可能已经隐式地压缩并内化了物理天下的基础运行纪律， ，，，， ，，形成了一些天下模子。。。。。
纵然强盛如斯， ，，，， ，，视频天生之前仍然主要被用在给VLA提供模拟数据， ，，，， ，，而不是整合进机械人的事情流中。。。。。
着实， ，，，， ，，各人想使用视频天生模子来控制机械人的念头并不是以后最先的。。。。。在DreamZero之前， ，，，， ，，学术界和工业界也提出了多个解决要领。。。。。但这些要领无一破例地陷入了工程和逻辑的死胡同。。。。。
好比 LVP（大规模视频妄想器）。。。。。它的思绪是从一张图和一句话， ，，，， ，，直接天生应该怎样完成使命的未来视频妄想。。。。。再把视频中的人手运动重修成 3D 轨迹。。。。。是用视频预训练， ，，，， ，，而不是语言预训练， ，，，， ，，作为机械人基础能力的主轴。。。。。
第二种则是类似英伟达自己的DreamGen这种， ，，，， ，，天生视频后， ，，，， ，，再反推行动。。。。。这是之前被寄予厚望的蹊径。。。。。它把整个基础模子的架构切分为两半， ，，，， ，，上半部分是一个视频模子， ，，，， ，，认真展望未来 ；；；；；下半部分是一个自力训练的IDM网络， ，，，， ，，认真看着展望出来的视频， ，，，， ，，反推并输出行动。。。。。
以上两种分阶段的模式， ，，，， ，，最大的问题就是行动和视频天生对不齐。。。。。行动那块要求特殊准确， ，，，， ，，但视频天生很难完善。。。。。一旦它爆发的未来画面带有细小的像素伪影或物理幻觉， ，，，， ，，那不管是IDM或者点追踪， ，，，， ，，都直接懵圈， ，，，， ，，成倍放大过失。。。。。视频里机械人的手指位置偏了一微米， ，，，， ，，现实中机械人就基础什么都抓不住了。。。。。鲁棒性极差。。。。。
第三种是Unified Video-Action（UVA， ，，，， ，，团结视频-行动天生）。。。。。这算是最先进的要领了， ，，，， ，，它实验把视频和行动放在统一个扩散模子里的潜空间里学习， ，，，， ，，兼顾了视频展望和行动展望。。。。。而推理时又通过「解码解耦」跳过视频天生， ，，，， ，，以包管速率。。。。。但它的架构使用了双向扩散（Bidirectional Diffusion）架构。。。。。为了匹配语言指令的长度， ，，，， ，，必需对天生的视频序枚举行大幅压缩。。。。。这种做法彻底扭曲了原生的视频时间流。。。。。时间都扭曲了， ，，，， ，，行动指令与视觉画面的对齐险些就不可能了， ，，，， ，，以是这种方法的泛化性自然极差。。。。。
除此之外， ，，，， ，，这些要领都有一个致命的配合缺陷， ，，，， ，，就是太慢。。。。。视频扩散模子需要多步迭代去噪， ，，，， ，，天生几秒钟的行动往往需要几十秒的盘算。。。。。要是一个机械人把碗放进碗柜要5分钟， ，，，， ，，你怕是在边上看着都得急疯。。。。。
因此在2026年前所有新具身智能企业中， ，，，， ，，险些只有前一阵刚推落发用机械人的1X Technologies在实验这种视频展望的要领。。。。。他们使用海量的“影子模式”（Shadow Mode）数据， ，，，， ，，即在人类遥操作时， ，，，， ，，让模子在后台同步运行展望， ，，，， ，，用这种极高质量的配对数据去硬生生训练谁人懦弱的IDM。。。。。
但一时的失败， ，，，， ，，并不料味着偏向被否定。。。。。
在去年的机械人大会上， ，，，， ，，我采访了许多海内的具身智能学者。。。。。彼时正是谷歌 Veo 3和 Genie 3刚刚宣布不久之时。。。。。大大都学者都对此印象深刻， ，，，， ，，意识到了视频天生模子的天下明确能力。。。。。
因此在交流中， ，，，， ，，他们险些是以一种共识的口吻， ，，，， ，，提出天生可能是后续具身智能最靠谱的路径。。。。。这比在模拟情形下（Simulation）爆发数据要可能性更高。。。。。模拟器（如Isaac Gym或MuJoCo）受限于人类硬编码的物理引擎， ，，，， ，，永远无法穷尽真实天下材质的重大性、光影的多变性和接触力的非线性。。。。。而吸收了全人类视频数据的天生模子， ，，，， ，，才是谁人真正包括了万物物理规则的超等模拟器。。。。。
但其时， ，，，， ，，这个头脑照旧停留在「数据」这个层面上， ，，，， ，，视频天生取代VLA这个讲法， ，，，， ，，基本还没进入视野。。。。。
但英伟达的研究， ，，，， ，，很可能就是让这个想法， ，，，， ，，第一次酿成有用的工程化路径的转折点。。。。。
1
DreamZero， ，，，， ，，以天下模子为基地的具身智能
前面已经讲了， ，，，， ，，已往使用视频天生模子去构建机械人行动所面临的三个主要问题。。。。。
一是分步导致的对齐问题。。。。。二是合一模式太差， ，，，， ，，没法用的问题。。。。。三是太慢的问题。。。。。针关于此， ，，，， ，，英伟达先用DreamZero， ，，，， ，，给出了一条解决要领。。。。。
首先， ，，，， ，，DreamZero接纳了视频和行动展望同步端到端训练的方法。。。。。这就解决了已往分阶段模式的差池齐问题。。。。。
其次， ，，，， ，，针对UVA的时空庞杂问题， ，，，， ，，DreamZero彻底扬弃了早期的双向架构， ，，，， ，，转而构建了一个14B参数的自回归 Diffusion Transformer (DiT)。。。。。这是现在标准的视频天生模子架构。。。。。它像语言模子天生文本一样， ，，，， ，，严酷凭证时间顺序， ，，，， ，，从左到右展望视频和行动。。。。。在统一次扩散前向里， ，，，， ，，同时展望视频与行动。。。。。
这带来了两个利益。。。。。第一， ，，，， ，，保存了原生帧率， ，，，， ，，行动和画面在时间轴上实现了绝对对齐。。。。。第二， ，，，， ，，它使用了KV Cache（键值缓存）手艺。。。。。模子不需要每次都重新盘算历史画面， ，，，， ，，极大地节约了算力。。。。。
之后， ，，，， ，，为相识决自回归导致的“误差累积”和幻觉问题。。。。。DreamZero还引入了真实视察注入。。。。。
模子展望出未来1.6秒的画面和行动， ，，，， ，，机械人执行完毕。。。。。而在行动执行完的瞬间， ，，，， ，，获取摄像头拍下的绝对真实的目今物理天下画面， ，，，， ，，直接编码并塞入KV Cache， ，，，， ，，笼罩、替换掉模子适才天生的假画面。。。。。
这一步， ，，，， ，，瞬间斩断了误差积累的因果链。。。。。模子被迫永远站在绝对真实的物理基石上， ，，，， ，，去思索下一步。。。。。
最后， ，，，， ，，也是最主要的一步， ，，，， ，，是解决天生慢的问题。。。。。
为了抵达机械人控制需要的频率， ，，，， ，，DreamZero发明了DreamZero-Flash手艺。。。。。扩散模子慢， ，，，， ，，是由于推理时需要走完漫长的去噪链。。。。。若是强行镌汰步数（好比只用1步去噪）， ，，，， ，，天生的行动质量会断崖式下跌， ，，，， ，，由于画面还处在充满噪点的模糊状态， ，，，， ，，模子无法从中提取准确的行动。。。。。
DreamZero-Flash的解法是「解耦噪声调理」。。。。。在训练时， ，，，， ，，它不再让视频和行动处于相同的噪声级别。。。。。它强制模子看着极端模糊、充满高强度噪声的视觉画面， ，，，， ，，去展望完全清洁、精准的行动信号。。。。。这即是是在训练模子在看不清未来的情形下， ，，，， ，，依附物理直觉做出准确反应。。。。。
关于人来讲， ，，，， ，，这是不可能的使命， ，，，， ，，看不清就是做不了行动。。。。。但对模子来讲， ，，，， ，，这似乎完全行得通。。。。。经由这一训练， ，，，， ，，到了推理阶段， ，，，， ，，模子只需要举行仅仅1步去噪就能天生准确行动。。。。。推理时间从350毫秒瞬间压缩到了150毫秒。。。。。
这使得系统能够以7Hz的频率输出行动块， ，，，， ，，团结底层控制器， ，，，， ，，实现了相对平滑的实时执行。。。。。
经由了这一系列刷新。。。。。DreamZero展现出了视频天生天下模子的恐怖潜力。。。。。
最突出的是泛化能力。。。。。在AgiBot双臂机械人的测试中， ，，，， ，，研究职员抛出了训练集里完全没有见过的使命解开打结的鞋带、从假人模子头上摘下帽子、拿着刷子画画。。。。。
让重新训练的VLA来做， ，，，， ，，使命进度险些为零， ，，，， ，，最先的地方都做欠好。。。。。但DreamZero的平均使命进度抵达了39.5%， ，，，， ，，某些特定使命（如摘帽子）甚至高达85.7%。。。。。
这是由于DreamZero的学习历程是倾覆性的。。。。。在训练时团结展望视频和行动， ，，，， ，，它被迫在潜空间中建设事物演变的因果链条。。。。。它知道若是不松开夹爪， ，，，， ，，被夹住的物体就不会掉落 ；；；；；它知道若是向前推倒一杯水， ，，，， ，，水会洒出来。。。。。
由于预设了基于视频的天下模子， ，，，， ，，WAMs拥有了物理直觉。。。。。当遇到未见过的使命时， ，，，， ，，它不是在影象库里搜索类似的行动， ，，，， ，，而是在脑海中模拟出了行动的物理效果。。。。。只要这个物理效果切合语言指令的语义目的， ，，，， ，，它就能直接涌现出执行行动。。。。。
这就是为什么它能在Zero-shot的情形下完成解鞋带这种重大使命。。。。。
更让人震撼的是跨机体（Cross-Embodiment）能力。。。。。
在古板的VLA范式下， ，，，， ，，你要让一台新形态的机械人干活， ，，，， ，，就必需雇人去给这台机械人录制专属的遥操作数据。。。。。但在DreamZero中， ，，，， ，，研究职员只让模子寓目了人类视角的录像（纯视频， ，，，， ，，没有任何电机行动参数）， ，，，， ，，仅仅看了12分钟。。。。。模子在未见使命上的体现就实现了42%的相对提升。。。。。
随后， ，，，， ，，他们把在AgiBot上训练的模子， ，，，， ，，直接迁徙到一台完全差别的YAM机械人上。。。。。仅仅给它喂了30分钟的非结构化「玩耍数据」（Play Data）， ，，，， ，，模子就完成了躯体顺应， ，，，， ，，并且完善保存了零样本泛化执行重大指令的能力。。。。。
这就是天下模子的降维攻击。。。。。物理纪律是通用的， ，，，， ，，它只需要少少的数据去微调自己对新躯体运动学界线的认知。。。。。
VLA最大的问题， ，，，， ，，DreamZero这样预设了天下模子的行动模子 WAM（World Action Model）完善解决了。。。。。它不需要海量的机械人数据训练就能告竣很好的泛化。。。。。
但我们必需坚持苏醒。。。。� ；；；；；谑悠堤焐墓こ袒肪�， ，，，， ，，着实依然有许多卡点。。。。。
相关于VLA动辄在消耗级显卡上跑出20Hz、30Hz的惊人速率， ，，，， ，，DreamZero拼尽全力优化后的7Hz依然很慢。。。。。并且， ，，，， ，，它对硬件要求更高， ，，，， ，，依赖于H100或GB200这样的顶级芯片组成的盘算集群来举行并行推理。。。。。关于边沿端安排的自力机械人来说， ，，，， ，，这在现在的算力本钱下是不可接受的。。。。。
不过， ，，，， ，，算力本钱的下降听从摩尔定律， ，，，， ，，而算法架构的物理认知上限则是天花板。。。。。用腾贵的算力去换取原本基础不保存的泛化能力， ，，，， ，，这笔生意在手艺演进的恒久视角下是绝对划算的。。。。。
DreamZero的乐成， ，，，， ，，意味着从VLA转向视频天下模子， ，，，， ，，不再是一个学术理想， ，，，， ，，而是一个已经跑通的可能。。。。。
1
天下模子需要的数据， ，，，， ，，和VLA纷歧样
在 DreamZero 的实验中， ，，，， ，，英伟达发明了一个反直觉的结论。。。。。
我们通常以为数据越多越好。。。。。若是机械人学不会， ，，，， ，，那就再收罗一万小时数据。。。。。 但在天下模子的语境下， ，，，， ，，这个定律失效了。。。。。
DreamZero 展现了新的规则 数据多样性 > 数据重复量。。。。。
研究职员做了一组比照实验 ， ，，，， ，，准备了两份数据， ，，，， ，，总时长都是 500 小时。。。。。
● 数据集 A（重复组）：包括 70 个使命， ，，，， ，，每个使命有大宗重复的演示， ，，，， ，，位置和情形转变很小。。。。。这是古板 VLA 喜欢的“刷题”模式。。。。。
● 数据集 B（多样组）：包括 22 个差别情形、数百个使命， ，，，， ，，数据极其杂乱， ，，，， ，，险些不重复。。。。。
效果使用杂乱数据训练的 DreamZero， ，，，， ，，在未见使命上的泛化乐成率抵达了 50%。。。。。 而使用细腻重复数据训练的模子， ，，，， ，，乐成率只有 33%。。。。。
为什么 ？？？ ？？ 这是由于 VLA 和 WAM 的学习逻辑基础差别。。。。。 VLA 是在背诵。。。。。WAM 是在学物理。。。。。
DreamZero 证实晰关于学习物理纪律而言， ，，，， ，，看 1 次在火星上煎蛋， ，，，， ，，比看 1000 次在厨房里煎蛋更有价值。。。。。
由于前者提供了新的物理界线条件， ，，，， ，，此后者只是在通过重复增添冗余。。。。。天下模子需要的是笼罩率， ，，，， ，，而不是重复率。。。。。
1
下一步， ，，，， ，，是把天下模子训练的更好
DreamZero 的意义， ，，，， ，，是证实晰WAM这条路完万能走通， ，，，， ，，还能很是好的泛化。。。。。
但想要一连提升DreamZero这样模子的能力， ，，，， ，，我们还需要对它加以训练。。。。。尽可能强化它基于视频天生的天下模子， ，，，， ，，最好尚有个更严酷的后验裁判， ，，，， ，，能够指导它在后训练中一连提升准确性。。。。。
这就是另一篇论文中 Dream Dojo 的作用。。。。。DreamZero 造出了引擎， ，，，， ，，DreamDojo 炼出了一连优化这个引擎的燃油。。。。。
正如其名， ，，，， ，，它像是一座道场， ，，，， ，，要把天下模子训练这件事， ，，，， ，，从DreamZero这种一次性的科研 demo， ，，，， ，，富厚成一套可重复的工业流程。。。。。这套流程涵盖了从数据摄入、表征对齐， ，，，， ，，到转动展望、误差诊断的全生命周期。。。。。
在 DreamDojo 泛起之前， ，，，， ，，VLA（视觉-语言-行动）模子在数据上总是碰钉子， ，，，， ，，面临三重死穴。。。。。
1. 标签稀缺：互联网视频浩如烟海， ，，，， ，，但只有画面， ，，，， ，，没有行动数据（Action Labels）。。。。。
2. 工程地狱：机械人的身体千奇百怪。。。。。差别的自由度（DOF）、差别的控制频率、差别的接口名堂。。。。。试图统一这些数据， ，，，， ，，是工程师的恶梦。。。。。
3. 不可控：许多模子天生的视频看着像， ，，，， ，，但在物理因果上是错的。。。。。若是行动和效果差池齐， ，，，， ，，模子就无法举行反事实（Counterfactual）推演。。。。。无法推演， ，，，， ，，就无规则划。。。。。
但现在， ，，，， ，，由于有了视频天生模子， ，，，， ，，这些就都不是问题了。。。。。DreamDojo 不是从零做 world model， ，，，， ，，它是站在「视频基础模子已经把天下的视觉与时空纪律学到一定水平」的台阶上， ，，，， ，，再强化关于具身智能来讲， ，，，， ，，至关主要的交互因果和可控性。。。。。
既然人类视频里没有电机数据， ，，，， ，，那我们就不要电机数据了。。。。。
DreamDojo 不再执着于传感器里的读数， ，，，， ，，而是去寻找行动的物理实质。。。。。行动， ，，，， ，，实质上就是一种让天下状态爆发改变的力。。。。。
DreamDojo 设计了一个自监视编码器， ，，，， ，，专门盯着视频的前后帧看。。。。。它在一直地问自己一个问题， ，，，， ，，究竟是什么实力， ，，，， ，，让上一帧酿成了下一帧�。。。� ？？？ ？？
机械自动提取出来的这个谜底， ，，，， ，，就是一连潜在行动。。。。。
DreamDojo 不再纪录绝对的枢纽姿态。。。。。由于绝对姿态在高维空间里太希罕、太难学。。。。。 它纪录的是转变量。。。。。每一帧都以目今状态为基准归零。。。。。这让行动的漫衍变得更窄、更集中， ，，，， ，，模子更容易学会向左移一点这种通用的物理纪律， ，，，， ，，而不是死记坐标。。。。。
这就好比不需要知道一小我私家用了哪块肌肉（传感器数据）， ，，，， ，，只要看他挥手砸杯子， ，，，， ，，杯子碎了， ，，，， ，，模子提取出挥手击碎这个潜在行动的整个历程。。。。。
同时， ，，，， ，，为了增强可控性。。。。。DreamDojo 不把整段行动轨迹看成全局条件灌进去， ，，，， ，，而是把一连 4 个行动拼成 chunk， ，，，， ，，只注入到对应的 latent frame。。。。。通过这样的拆分， ，，，， ，，模子被强制要求明确是这一个细小的行动切片， ，，，， ，，导致了下一刻的画面转变。。。。。让天下模子不会造成因果混淆。。。。。
视频模子在这个历程中， ，，，， ，，把训练目的从展望未来像不像， ，，，， ，，推向行动改变未来的偏向与幅度是否一致。。。。。
这彻底买通了差别具身体之间物种隔离。。。。。 差别身体、差别场景做统一种行动， ，，，， ，，潜行动会趋于相近。。。。。模子不再需要知道手肘电机转动 30 度， ，，，， ，，它只需要知道这个潜在行动会导致杯子被拿起。。。。。
而由于这个潜空间的行动纪律对谁都一样， ，，，， ，，不保存空间异构， ，，，， ，，不保存数据名堂欠亨。。。。。
DreamDojo 在视频天生这个天下模子的基础上， ，，，， ，，用一连潜在行动这个数学上的通用语， ，，，， ，，把全人类的视频资产转换成了机械人可以明确的履历。。。。。
为了告竣这个目的， ，，，， ，，英伟达团队构建了一个 DreamDojo-HV（加上 In-lab 与 EgoDex）的数据集， ，，，， ，，是一个约 44,711 小时的第一视角人类交互混淆数据集， ，，，， ，，笼罩极其广的一样平常场景与手艺漫衍。。。。。包括上万级场景、数千级使命、数万级工具的长尾漫衍。。。。。
这个规模， ，，，， ，，比之前最大的机械人天下模子数据集大了 15 倍， ，，，， ，，场景富厚度高了 2000 倍。。。。。
效果 DreamDojo 在没见过任何真机械人的情形下， ，，，， ，，仅凭看人类视频预训练， ，，，， ，，就能在少少量的微调后， ，，，， ，，操控真机械人完成从未见过的使命。。。。。再通过蒸馏手艺， ，，，， ，，他们把这个重大的天下模子压缩到了能跑 10 FPS 的实时速率。。。。。
至此， ，，，， ，，团结Dream Dojo和DreamZero， ，，，， ，，这套建设在天下模子上的具身智能的闭环终于合上了。。。。。
它的底座是视频天生模子， ，，，， ，，由于它懂物理。。。。。构架是DreamZero 代表的天下行动模子（WAM）， ，，，， ，，它能通过展望未来来决议， ，，，， ，，并且让可执行与低延迟够薄， ，，，， ，，能用。。。。。而其前进的燃料， ，，，， ，，是DreamDojo 把物理与可磨练性做厚， ，，，， ，，让全网的人类视频， ，，，， ，，通过潜在行动转化为机械人的履历。。。。。
我们不再需要让几万个博士去遥操作机械人了。。。。。只要让机械人坐在那里， ，，，， ，，日夜一直地看人类干活的视频， ，，，， ，，它就能学会关于物理天下的一切。。。。。
1
这， ，，，， ，，很可能是具身智能的范式转变
DreamZero的泛起， ，，，， ，，敲响了具身智能纯VLA时代的丧钟。。。。。
这场范式的转变可能， ，，，， ，，将深刻地重塑整个行业的生态。。。。。
首先是数据收罗哲学的倾覆。。。。。在VLA范式下， ，，，， ，，从业者陷入了遥操作数据的囚徒逆境， ，，，， ，，以为只有花重金收罗几万小时的精准行动配对数据， ，，，， ，，机械人才华变智慧。。。。。但DreamZero展示了跨机体学习的恐怖潜力， ，，，， ，，仅仅通过寓目人类行为的纯视频， ，，，， ，，模子就能罗致物理战略。。。。。
而Dream Dojo则意味着， ，，，， ，，YouTube、TikTok上那数以百亿计的人类生涯视频， ，，，， ，，那座原本被以为缺乏行动标签而对机械人无用的数据金矿， ，，，， ，，将被彻底解锁。。。。。
从高本钱的实体遥操作， ，，，， ，，转向低本钱的互联网视频挖掘， ，，，， ，，这是获取知识的降维攻击。。。。。
最主要的是， ，，，， ，，我们对机械智能的认知正在爆发根天性转移。。。。。
VLA时代， ，，，， ，，我们试图通过教会机械认字来让它干活， ，，，， ，，效果获得了一个鸠拙的翻译官。。。。。现在， ，，，， ，，我们最先教会机械做梦， ，，，， ，，在脑海中天生、展望、模拟物理天下的演变。。。。。
当一台机械不再是机械地复读数据， ，，，， ，，而是能够在内部构建一个切合物理定律的微缩宇宙， ，，，， ，，并在其中推演自己的行为效果时， ，，，， ，，我们就已经站在了通用具身智能的真正起点上。。。。。
这是一条更险要的路径， ，，，， ，，但也一定通往更辽阔的未来。。。。。
点个“爱心”， ，，，， ，，再走蓝境固废处置惩罚有限公司吧