IJCAI 2026 专访：机器人想学会人类动作，还差一座桥 | GAIR Paper 118
重新审视人类视频如何赋能机器人学习 作者丨邓哲敏 编辑丨齐铖湧 大模型时代，规模化的数据能带来能力跃迁，这一规律已被反复验证。当这套范式进入机器人领域，问题变得复杂。机器人需要的不仅是大量数据，而且是能够转化为动作能力的数据。人类视频近期成为研究者关注的新来源。它规模巨大、获取成本低、覆盖场景丰富，但它毕竟不是机器人数据，视频里没有机器人动作标签，人类手部运动也无法直接对应机器人的控制信号。问题由此产生：人类视频进入机器人学习流程后，究竟应该被表示成什么？过去一年，研究者给出了不同答案：有人把动作压缩到隐空间，有人让模型学习视频背后的世界规律，也有人直接提取二维、三维轨迹。但这些路线究竟是彼此竞争，还是在解决同一个问题？今年 IJCAI 2026 ，一篇来自清华大学、香港科技大学、微软亚洲研究院等机构联合推出的综述论文，试图重新梳理这一领域：不同方法的本质，都是在人类视频与机器人动作之间搭
大模型