【具身AGI导读】把人类操作视频用到机器人身上，动作本身并不是要搬的东西。这篇预印本问的是另一个问题：动作细节被丢掉之后，哪几条依赖必须留下。
2026 年 10 月 15 日，arXiv 刊出一篇预印本，题为《Cross-Embodiment Causal Transfer from Human Videos to Robot Manipulation》。论文署名 6 位作者，机构为中国科学院大学、中国科学院软件研究所与美团，其中 2 位作者署在企业方；它把「人类视频能不能给机器人用」换成了一个更窄的问题：视频里哪一部分知识该跨过本体差异，被迁到机器人操作上。
论文的出发点很直接：真机数据贵，人类操作视频多而杂，但形态、动作空间与控制机制三处差异，让人体动作不能直接当机器人的监督。解法是一条四段链——人类操作视频预训练、机器人演示把表征接地成任务级语义变量、用借自因果推断的工具「因果束」选定该保留的上下文依赖、再确定性渲染成语言条件，喂给一个全程冻结的世界动作模型；动作仍由机器人从自己的观测生成，不需要人机动作一一对应。因果束的两个条件写得很硬：保留的那组上游变量，要在其余变量取遍取值域时仍撑住当前机制的实际输出；投影后的机制还要对保留输入保持非平凡的响应；而被投影出去的量并不消失，它仍以固定的实际取值影响结果。
人类操作视频正在被当成真机数据之外的第二份经验来源：它多、杂、便宜，跨本体迁移要回答的就是这类经验里哪一部分能真正用上。差异不止形态与动作空间——一次完整的操作里混着两类信息：支撑任务推进的物体交互关系，与紧贴人体形态的动作实现。
于是做法分岔：有人只留任务意图或边界状态，把决定局部效果的条件与交互关系一起丢掉；有人留完整轨迹，又把人体的动作细节带了回来。也有人按上下文去选——这正是因果束的位置：丢什么、留什么，交给条件来判断，而不是交给一条固定规则。
同一时间，行业里在基座这一层上的选择并不相同。深度机智（北京）科技有限公司押注物理AI 基座模型。
这篇论文改的是提问的位置——「该留下什么」从一句工程直觉，变成了可以逐条判定的条件。论文在三套仿真操作环境与一台双臂实验平台上做了评测；真机部分是十项放置任务，每项每方法 20 次。据论文，在上下文里选一组依赖，优于把所有候选结构全渲染进去，而全渲染又低于只渲染状态。作者没有单设局限章节，边界散在正文与附录里：与被条件化的世界动作模型对照时，已发表分数不被视作配对测量；真机 20 次是执行数而非独立布局或随机种子数；人类视频预训练那组对照，每个条件只跑一次；任务相关变量还要按具体操作规格实例化。
动作可以丢掉，依赖不能——真正被搬过本体边界的，是那几条留下来的关系。
参考资料
arXiv · Cross-Embodiment Causal Transfer from Human Videos to Robot Manipulation · 2026-10-15