一句话定义：人类视频预训练（Human Video Pretraining）是指让机器人在没有动作标签的前提下，先看海量人类第一视角或第三视角视频，学会"人在什么场景下会怎么动"，把这套视觉—动作常识作为初始化，再迁移到真实机器人上。
为什么"刷视频"能教会机器人
视频里没有关节角度、没有力矩、没有遥控指令，看起来信息不全。但它藏着三样东西：目标（要拿杯子）、物体（杯子在哪、什么姿态）、动作轨迹（手从哪伸过去、怎么绕开障碍）。预训练通常做两件事：预测未来画面，以及从画面反推手和身体的动作表示。
打个比方：孩子学打乒乓球，教练手把手纠正的次数其实不多，更多是看球怎么飞、拍子怎么挥。看得够多，身体就有了预感。
规模是这条路的命门。这类预训练的表现会随数据量增长按幂律（power law）下降误差——有工作把人类动作数据堆到千亿 token 量级（例如约 1200 亿），误差随规模呈幂律下降。这说明它主要靠"看得够多"，而不是靠精巧调参，和语言模型的经验一致。
和相邻概念的分工
| 环节 | 数据来源 | 成本 | 提供什么 | 短板 |
|---|---|---|---|---|
| 人类视频预训练 | 海量人类视频 | 低（量大） | 通用视觉—动作表征 | 无动作标签、有身体差异 |
| 遥操作示教 | 人遥控真机 | 高（慢） | 精确动作标签 | 场景窄、样本少 |
| VLA 微调（Vision-Language-Action） | 少量示教＋语言指令 | 中 | 对齐到自家机器人 | 依赖预训练质量 |
一句话概括：视频预训练负责"看得懂"，遥操作负责"标得准"，VLA 微调负责"接得上"——把通用表征对齐到你家机器人的动作空间和任务上。
差距与意义
视频里没有力反馈和触觉，人也不会录下自己打翻杯子重试三十次的片段；再加上手型、视角、臂长差异，模型容易"知道该拿杯子，却捏不住"。所以它解决的是感知与意图，不直接解决精细控制。
对从业者：别一上来就堆遥操作数据，先想清楚表征从哪来、数据配比怎么定、手部或末端执行器的动作表示怎么选。对普通人：未来教机器人做家务、分拣、装配，成本可能从"手把手示范几百次"降到"看视频＋少量示教"。具体数据规模与模型指标以各家官方页面为准。