机器人操作技能的学习长期依赖真机交互或遥操作数据，采集成本高、规模受限。一篇新论文提出并验证了另一条路径：让机器人通过观看人类视频来预训练动作能力。论文披露的预训练规模达到 1200 亿 tokens 人类动作数据，意味着视频数据已被用于大规模动作表征学习，而不再只是视觉层面的辅助信号。
更值得关注的信号是“误差按幂律下降”。在机器学习中，幂律下降通常意味着性能随数据量、模型规模或计算量的增加而可预测地改善，而非很快饱和。如果这一趋势在人类动作预训练中成立，视频就有望成为机器人策略学习的 scaling law 来源之一。对具身智能而言，这比单一任务上的性能提升更重要：它提供了一条可扩展的路线——用互联网规模的视频，弥补真机数据稀缺，降低对昂贵遥操作采集的依赖。
当然，视频预训练与真实机器人部署之间仍存在差距，包括视角差异、动作空间映射、物理交互反馈等。论文的具体方法、实验设置与任务范围，需要回到原文确认。但 1200 亿 tokens 的规模与幂律下降的趋势，已经传递出明确信号：机器人学习的数据来源可能不再局限于机器人自身，人类视频正在成为新的预训练燃料。对从业者来说，值得关注的是数据配方、动作表示与缩放规律如何结合，以及这种预训练能否稳定迁移到真实操作任务。