8月3日，自变量科技（深圳）股份有限公司（以下简称“自变量机器人”）发布HOST框架（Human-to-robot One-Shot Skill AcquisiTion，人类到机器人单样本技能获取）并开源，能让机器人仅观察一段数十秒的人类视频就学会新技能，同时保留已掌握的技能。

据悉，HOST采用了一种开创性的方法：不去将人类动作翻译为机器人动作并试图模仿，而是让机器人先想象执行动作后的结果，再从结果中拆分出需要执行的动作。

这种全新方法的效果令人欣喜：机器人从一段29秒人类视频中学习技能的成功率高达62%，超越零样本基线45%。相比Pi-0.5+微调方案，HOST所需数据量大幅减少，学习技能速度较主流方法提升500倍。

HOST的思路来自认知科学中的“观察学习”理论：人类面对不熟悉的任务时，不需要通过长期练习或者穷举来学习，而是以先验能力在大脑中模拟动作的预期效果，然后执行相应动作。

自变量机器人研究人员受此启发，将HOST的学习方案从“训练时微调循环”变为“推理时技能获取”，让机器人通过观察人类执行任务来学习新技能，仅从一段数十秒的人类视频去学习技能，成功率则远超主流模型经过后训练微调的效果。不仅如此，HOST还能随时调取技能，解决了“灾难性遗忘”的问题。

HOST的核心部分是一个带有视觉预测功能的级联策略模型。它采用双专家MoT架构，如同两个分工明确的大脑：“视觉大脑”（视频专家）专门处理视频画面、定位任务进度、预测未来图景；“动作大脑”（动作专家）负责将预测图景转化为需要执行的动作，并控制执行。

对此，自变量机器人团队表示：“在具身智能走出实验室、走进千家万户的进程中，不应该只靠专业人员采集数据、反复训练来获得新技能。人与人之间通过示范传递技能，是更加自然高效的学习方式。HOST将技能获取从少数人的专业流程，转变为任何人都能用一段视频完成教学。”

目前，HOST的研究论文和代码已经全部开源。未来机器人在家庭劳动时，有望摆脱专业化的数据采集和训练过程，通过直观的人类演示就学会新技能。这将让智能机器人成为真正贴心可用的“家庭伙伴”，让智能机器人服务人类的每一天。