62.6% 的真相：当机器人学会“抄作业”，我们该慌还是该学

刚看到这个数据的时候，我差点以为自己看错了——RoboCasa-365 榜单，新纪录 62.6%，比之前最好的结果整整高出 8.4 个百分点。要知道，这个榜单上大部分模型还在 50% 以下挣扎。黎曼动力的 Riemann-1.0 靠的是看了 20 万小时人类干活实录，说白了就是让机器人“抄作业”。作为一个正在刷 LeetCode 准备 AI 算法岗面试的应届生，我第一反应不是佩服，而是好奇：这个技术路线，面试会问吗？如果会，我该怎么答？

我仔细读了一下新闻，发现这个方案的核心思路其实很朴素：用大量人类操作视频作为训练数据，做行为克隆（Behavior Cloning）。但 20 万小时这个数字太吓人了，相当于一个人连续干 22 年家务。如果换成我每天刷题，刷到 20 万小时，大概能刷 600 万道 LeetCode——当然，这不可能。所以问题来了：为什么数据量这么大，效果才刚过 60%？为什么其他模型用更少的数据，也能做到 50% 左右？这里面的差距，可能正是面试官想考察的。

为了理解这个，我想拿两个方案做个对比。一边是黎曼动力的“数据堆砌”路线，另一边是很多学术团队常用的“仿真+强化学习”路线。比如之前 SOTA 的模型，可能用了更精巧的奖励函数设计，或者用仿真环境生成大量多样化的数据，再通过域随机化迁移到真实场景。这两种路线最大的区别在于：一个是直接模仿人类，一个是让机器人自己摸索。

模仿学习的好处是上手快，数据收集相对容易（网上有无数人类做家务的视频），而且行为看起来自然。但它的核心瓶颈是“分布偏移”——训练数据里没有的场景，机器人很容易出错，比如换个抽屉方向或者光照条件，可能就抓瞎了。这也是为什么 20 万小时的数据下，准确率才 62.6%，说明还有大量边缘情况没覆盖到。而强化学习的路线，虽然可以探索更广的状态空间，但奖励函数设计很难，而且仿真到真实的迁移仍然是个大坑。

我最近在准备面试，刚好看到一些大厂面经里提到这类问题：如何平衡数据规模和模型泛化能力？如何设计一个能处理长尾分布的机器人学习系统？说实话，我原来觉得刷了 300 道 LeetCode 就够应付了，现在发现真正前沿的 AI 面试题，往往是从这种最新论文里出的。而且黎曼动力这次把数据规模做到这么大，其实在暗示一个方向：数据量足够大时，简单的模型也能出效果，就像 GPT 系列那样。但机器人领域，sim-to-real 的鸿沟比 NLP 大得多，20 万小时的人类数据，成本真的值得吗？

换个角度想，这个结果其实也说明，单纯靠“看视频”来学，可能永远达不到 100%。因为人类干家务时有很多隐藏信息——比如手感、力度、温度变化，这些在 2D 视频里根本看不到。新闻里说这是“家务大考”，但真实的家务场景比 RoboCasa 复杂得多，比如打碎一个鸡蛋怎么办？这种小概率事件，20 万小时里可能只有一次，模型根本学不到。

作为求职者，我最大的学习心得是：不要迷信“大就是好”。数据量的提升固然重要，但如何低成本获取高质量数据，如何设计更高效的模仿学习算法（比如利用预训练视觉模型、结合少量强化学习微调），可能是更值得关注的面试热点。我最近就在看一些论文，比如用 diffusion policy 做机器人动作生成，或者用世界模型来预测未来状态，这些方向可能比单纯堆数据更有前景。

最后，给和我一样在准备 AI 算法岗面试的朋友一个行动建议：看完这篇新闻，立刻去搜一下黎曼动力的技术报告或论文，重点看他们的模型架构、数据收集方式和失败案例分析。如果能复现一个简单的模仿学习项目，比如用 UR5 机械臂学一个开抽屉的动作，放到简历上会非常加分。面试官大概率会问：“给你 100 小时的人类数据，你怎么设计一个能做家务的机器人？” 现在，你至少可以回答：先看看 Riemann-1.0 是怎么做的，再想想怎么改进它的泛化能力。

原文链接：https://www.qbitai.com/2026/07/454592.html