本文共同第一作者为李鸿宇（布朗大学博士生）和孙凌峰（Robotics and AI Institute 研究员，博士毕业于加州大学伯克利分校）。通讯作者付佳慧在 Robotics and AI Institute 任研究员，博士毕业于麻省理工学院。George Konidaris 为布朗大学副教授。 构建能够在新环境中、无需任何针对性训练就能执行多样化任务的通用机器人，是机器人学领域一个长期追逐的圣杯。近年来，随着大型语言模型（LLMs）和视 觉语言模型（VLMs）的飞速发展，许多研究者将希望寄托于视觉 - 语言 - 动作（VLA）模型，期望它们能复刻 LLM 和 VLM 在泛化性上取得的辉煌。然而，理想 很丰满，现实却很骨感。VLA 模型的端到端训练范式，要求海量与特定机器人相关的 "视觉 - 语言 - 动作" 数据。与 LLM 和 VLM 可以轻易获取的网络规模数据不 同，机器人数据的采集成本极高、难度极大，这形成了一个巨大的 "数据瓶颈"。有没有可能绕过这个瓶颈，让机器人不依赖于昂贵的 "亲身经历" 数据，也能学会 新技能呢？ 最近，来自布朗大学（Brown University）和机器人与人工智能研究 ...