Natura-1发布：从百万小时人类经验中学会零样本泛化与灵巧操作

编辑｜Panda 包馄饨，对大多数人来说很简单：一手托皮，一手挑馅，对折，捏边，收口。很少有人意识到，这个过程里手掌始终在承托一张随时会变形的面皮，手指在不断感受馅料和面皮的回弹，两只手还要在恰当的时机交接。 这类为人手而生的日常动作，对机器人来说，非常困难。但现在，这些困难正在被攻克。如今，在一段 1 分 12 秒、一镜到底的原速视频里，一双机器人灵巧手先成功完成了这一过程。 驱动这双手的是北京具身智能公司自然意志（Nature Will）刚发布的 N atur a-1 。这是一个 50B 参数的混合专家（MoE）模型，在 100 万小时的第一人称视角人类经验数据上完成预训练，以语言和视觉为输入，在 100 毫秒的控制回路里驱动 20 自由度的灵巧手。 包馄饨回答的是「能不能做好」。Natura-1 更想回答的，是另一个更难的问题： 换一个从没练过的任务，它还能不能直接上手？ 灵巧与通用，难以兼得 先看 灵 巧操 作 。人手有二十多个自由度，日常物体又常常柔软、易变形、会回弹，每一次接触都会改变物体的状态，机器人只能边做边调；但困难也很明显：复杂度会随自由度指数级增长。平行夹爪可大大简化控制，代价是许多承托、捻转和双手配合的动作难以完成。 平行夹爪与灵巧手的自由度与组合数，由 AI 生成 在 Nature Will 团队看来，过去的工作因此大多各守一端：要么是面向夹爪的通用策略，要么是为单个任务打造的灵巧操作系统。 而在 通用 这一端，已经有 π0.7 等一些重要进展，但要在灵巧手上实现这种通用性，首先卡在 数据 。泛化依赖大规模、多样化的训练数据，而真机数据本就昂贵，灵巧手的遥操作采集更是又慢又难。 Nature Will 团队还点出了一个更根本的循环：机器人只能在它已经会干活的地方采集数据，而它又只能在已有数据的地方干活。 要打破这个循环，数据就得来自机器人之外。 于是，越来越多团队把目光投向一个现成的数据源： 人类自己 。 今年 2 月，英伟达等机构发布的 EgoScale 用 20,854 小时第一视角人类操作视频预训练 VLA 模型，观察到数据规模与验证损失之间的对数线性关系；部署到 22 自由度的灵巧手上后，平均成功率比不做人类数据预训练的基线高出 54%。 人类预训练的 Scaling 行为，收敛时的最优验证损失随人类数据规模变化的函数关系，揭示了近乎完美的对数线性 Scaling Law，arXiv:2602.16710 半年之后，这个量级被推高了约 50 倍。8 月 10 日，美国机器人公司 Dyna Robotics 发布世界—动作模型 DYNA-2，预训练使用了超过 100 万小时的第一视角人类视频，且预训练阶段不含任何机器人数据；据 Dyna 报告，数据从 1000 小时逐级放大到 100 万小时，模型在 14 个机器人任务上的平均归一化得分从 20% 升至 53%。 Dyna-2 世界-动作模型的 Scaling Law，基于从 1000 小时到 100 万小时的人类视频数据阶梯进行训练。https://www.dyna.co/dyna-2 不过，这两项工作都没有绕开同一个环节： 把人类经验落到具体任务上，仍需要额外适配。 EgoScale 依赖少量人—机对齐数据做中间训练，DYNA-2 在每个评测任务上都用了最多 10 小时的机器人数据做后训练。 人类经验已被证明可以成规模地喂给机器人，下一个问题是： 在一双高自由度的灵巧手上，这些经验能否不经逐任务适配，直接迁移到新任务上？ Natura-1 一个模型，两种能力 自然意志成立于 2026 年 1 月，由清华大学电子工程系助理教授丁宁创立，是一家以物理世界基础模型为核心的研究型公司。它给自己定下的目标是 通用物理智能（Physical AGI） ： 训练能在 真实世界中 完成感知、预测、推理与动作闭环的通用基础模型。 Nature Will 团队告诉机器之心，这源于两个判断： 通用的物理世界基础模型有可能成立 ； 人类第一视角数据已经具备了规模化采集的条件。 这两个判断背后的方法论延续自 LLM 研究，即 模型、数据和基础设施需要一起发展 。Nature Will 团队告诉机器之心：「我们沿用了大语言模型研究中 模型规模和数据规模配合增长 的思路。早期先用较小的模型和数据快速验证架构，确认方向后再逐步扩大，而不是一开始就确定必须做一个 50B 模型。」 Natura-1 是自然意志的第一个物理世界通用基础模型。 它的训练分两步：先在 100 万小时人类经验数据上预训练，再用有限的机器人数据做一轮高效的后训练，把预训练中学到的世界知识适配到灵巧操作上。 不同于许多把「看懂指令」「预测世界」「生成动作」拆成不同模块的系统， Natura-1 是单一的 MoE Transformer，在语言、图像、视频和动作上联合训练。 它瞄准两项能力： 灵巧操作 ，依托灵巧手完成多指协同、物体姿态调整和复杂接触； 零样本指令遵循 ，面对未见过的场景和任务，直接依据自然语言指令完成操作，包括处理空间约束、多物体关系和否定条件。 Natura-1 能做什么 ？ Nature Will 团队从三个层面考验了 Natura-1： 长程任务 考察一项技能经过训练后，能做得多精细、多持久？ 零样本测试 考察模型面对没练过的任务，能否直接上手？ 最后一部分记录的则可称为 涌现能力 ，即任务不顺利时，模型能否自己想出办法？ 灵巧：六段一镜到底的长程任务 除包馄饨外，Nature Will 团队还另外放出了五个 demo：泡茶、做酸奶碗、打包快递、贴手机膜和写毛笔字， 最长的一段超过 3 分钟，均为原速、一镜到底、无人工干预 。每段都包含多个子任务，机器人要在同一流程里连续处理液体、颗粒、柔软工具和柔性部件。 以 3 分钟的贴手机膜为例，Natura-1 先擦拭屏幕，再把预装保护膜的对位框套上手机，双手对齐压实；随后一只手把手机和对位框抵在夹具上，另一只手连贯地抽出离型膜，最后用指尖沿边角推压赶走气泡。 打包快递时，它要在拉菲草、毛绒玩具和笔记本之间切换抓法，一只手压住会回弹的箱盖，另一只手推动胶带器封箱，最后贴标签、扫条码。 这些动作一边执行，一边改变着物体的形状和接触条件，模型必须依据实时反馈不断修正，而不是照着固定轨迹走完。更多 demo 可访问 Nature Will 官方文章《 行动的意志｜Natura-1 物理通用基础模型 》。 需要强调的是，这六段演示展示的是任务微调后的操作深度。能否把能力带到没练过的任务上，要看零样本测试。 零样本：没练过的任务 什么才算零样本？Nature Will 团队告诉机器之心：「 我们这里说的 Zero-shot，是指模型完成预训练和真机后训练后，不再针对测试任务专门采集数据、追加训练，就直接接受指令并执行。 」 团队搭建了一套覆盖 12 个能力维度的基准测试，测试任务及其场景和动作组合都未出现在后训练数据中；每段测试视频旁，还并排放出训练集中最相近的示范，供外界判断差异。例如一项任务要求把苹果放进碗、把瓶子放上托盘，再把托盘端走，而训练集里只有「拿起水果」和「端起已装好的托盘」这样的分立动作。Natu