给 AI 看人怎么做，让它 学着做
模仿学习以专家示范为监督，行为克隆是其中最直接的一种方法。
机器人从模仿者 走向理解者
具身智能 · 第十一章
行为克隆复制专家，扩散策略生成多种动作，VLA 把视觉、语言与行动接成一个“大脑”。
先模仿获得基线，再用奖励 继续优化
实用路线是先用模仿学习快速可用
两扇门都能走，不要输出 中间值
扩散策略能表达多种合理动作分布
看到画面，听懂指令，再 做出动作
VLA 在视觉与动作之间加入语言理解
RT-2 借知识，Octo 降门槛
RT-2 证明世界知识可迁移到控制
SECTION 01 / 阅读地图
小节一 · 给 AI 看人怎么做，让它 学着做
小节一 · 给 AI 看人怎么做，让它 学着做
从“给 AI 看人怎么做，让它 学着做”出发，逐页推进到“先模仿获得基线，再用奖励 继续优化”；每张卡都写明本页应抓住的机制或边界。
给 AI 看人怎么做，让它 学着做
模仿学习以专家示范为监督，行为克隆是其中最直接的一种方法。
机制线索01 / EXPERT人类专家示范观测与动作，一帧帧配对图像 · 深度图
学到相关性，不等于理解 为什么
行为克隆可能复制表面共现模式，却没有学会动作背后的因果条件。
机制线索专家轨迹先减速再转弯MODEL SEES
先模仿获得基线，再用奖励 继续优化
实用路线是先用模仿学习快速可用，再用强化学习突破专家与数据边界。
机制线索IMITATION专家示范快速获得能用策略BASELINE FIRST
阅读顺序：给 AI 看人怎么做 → 学到相关性 → 先模仿获得基线
本节按“给 AI 看人怎么做 → 学到相关性 → 先模仿获得基线”推进：先定位问题，再读机制，最后用页面结论校验理解。
VISUAL RECAP
本节场景补充
READ THE SCENE
给 AI 看人怎么做，让它 学着做
先从人的示范中学习可执行基线，再讨论更强的优化方式。
读图顺序：先看对象和环境，再看它们之间的关系，最后回到本节结论。
图片只用于帮助观察本页关系；课程结论仍以正文和逐字稿为准。
01 // IMITATION LEARNING
给 AI 看人怎么做，让它学着做
模仿学习以专家示范为监督，行为克隆是其中最直接的一种方法。
02 // CAUSAL CONFUSION
学到相关性，不等于理解为什么
行为克隆可能复制表面共现模式，却没有学会动作背后的因果条件。
03 // IL + RL
先模仿获得基线，再用奖励继续优化
实用路线是先用模仿学习快速可用，再用强化学习突破专家与数据边界。
SECTION 02 / 阅读地图
小节二 · 从动作噪声中，一步步 去噪成轨迹
小节二 · 从动作噪声中，一步步 去噪成轨迹
从“从动作噪声中，一步步 去噪成轨迹”出发，逐页推进到“精细动作更强，但反应 更慢”；每张卡都写明本页应抓住的机制或边界。
从动作噪声中，一步步 去噪成轨迹
扩散策略把动作序列当生成目标，从噪声中逐步恢复出连贯方案。
机制线索随机动作噪声DENOISET → 0条件：视觉与任务
两扇门都能走，不要输出 中间值
扩散策略能表达多种合理动作分布，避免把两个方案平均成危险动作。
机制线索WALLBC 平均：正中间方案 A · 左门方案 B · 右门
精细动作更强，但反应 更慢
多步去噪带来表达力也带来延迟，扩散策略更适合慢速精细操作。
机制线索适合慢速·精细操作装配 · 手术 · 灵巧操作LATENCY
阅读顺序：从动作噪声中 → 两扇门都能走 → 精细动作更强
本节按“从动作噪声中 → 两扇门都能走 → 精细动作更强”推进：先定位问题，再读机制，最后用页面结论校验理解。
VISUAL RECAP
本节场景补充
READ THE SCENE
从动作噪声中，一步步 去噪成轨迹
扩散策略从动作噪声出发，逐步收敛为完整轨迹。
读图顺序：先看对象和环境，再看它们之间的关系，最后回到本节结论。
图片只用于帮助观察本页关系；课程结论仍以正文和逐字稿为准。
04 // DIFFUSION POLICY
从动作噪声中，一步步去噪成轨迹
扩散策略把动作序列当生成目标，从噪声中逐步恢复出连贯方案。
05 // MULTIMODAL ACTION
两扇门都能走，不要输出中间值
扩散策略能表达多种合理动作分布，避免把两个方案平均成危险动作。
06 // DIFFUSION LIMITS
精细动作更强，但反应更慢
多步去噪带来表达力也带来延迟，扩散策略更适合慢速精细操作。
SECTION 03 / 阅读地图
小节三 · 看到画面，听懂指令，再 做出动作
小节三 · 看到画面，听懂指令，再 做出动作
从“看到画面，听懂指令，再 做出动作”出发，逐页推进到“本章是 选型知识储备”；每张卡都写明本页应抓住的机制或边界。
看到画面，听懂指令，再 做出动作
VLA 在视觉与动作之间加入语言理解，让机器人按自然语言完成任务。
机制线索VISION摄像头画面LANGUAGE“把杯子放到桌上”
视觉 Token 与语言 Token，在 LLM 中…
VLA 将视觉与语言编码为 Token，由 LLM 联合推理，再解码为可执行动作。
机制线索IMAGEViT 编码视觉 TOKENTEXT
三大策略，按任务条件选
能力表先定边界，选型还要同时看任务、数据、时延与算力条件。
机制线索维度行为克隆 BC扩散策略VLA 模型
从专用模型，走向 通用机器人
讲义给出的方向，是从“一任务一模型”走向“一个模型搞定所有任务”。
机制线索一个任务，一个模型抓取任务导航任务放置任务
本章是 选型知识储备
平台当前支持 BC；其余内容用于理解原理差异与做出训练方法选择。
机制线索平台当前支持行为克隆 BC已在第十章完成实操本章要求
阅读顺序：看到画面 → 视觉 Token … → 三大策略 → … → 本章是 选型知识储备
本节按“看到画面 → 视觉 Token … → 三大策略 → … → 本章是 选型知识储备”推进：先定位问题，再读机制，最后用页面结论校验理解。
VISUAL RECAP
本节场景补充
READ THE SCENE
看到画面，听懂指令，再 做出动作
视觉信息与语言指令汇合后，才能支持面向动作的决策。
读图顺序：先看对象和环境，再看它们之间的关系，最后回到本节结论。
图片只用于帮助观察本页关系；课程结论仍以正文和逐字稿为准。
07 // VLA
看到画面，听懂指令，再做出动作
VLA 在视觉与动作之间加入语言理解，让机器人按自然语言完成任务。
08 // VLA ARCHITECTURE
视觉 Token 与语言 Token，在 LLM 中会合
VLA 将视觉与语言编码为 Token，由 LLM 联合推理，再解码为可执行动作。
10 // CAPABILITY & CHOICE
三大策略，按任务条件选
能力表先定边界，选型还要同时看任务、数据、时延与算力条件。
11 // FUTURE TREND
从专用模型，走向通用机器人
讲义给出的方向，是从“一任务一模型”走向“一个模型搞定所有任务”。
12 // COURSE POSITION
本章是选型知识储备
平台当前支持 BC；其余内容用于理解原理差异与做出训练方法选择。
RECAP // CHAPTER 11
从模仿、生成，到 理解
给 AI 看人怎么做，让它 学着做
模仿学习以专家示范为监督，行为克隆是其中最直接的一种方法。
先模仿获得基线，再用奖励 继续优化
实用路线是先用模仿学习快速可用
两扇门都能走，不要输出 中间值
扩散策略能表达多种合理动作分布
看到画面，听懂指令，再 做出动作
VLA 在视觉与动作之间加入语言理解
RT-2 借知识，Octo 降门槛
RT-2 证明世界知识可迁移到控制
任务固定选 BC，多方案精细操作选扩散，需要语言与泛化时考虑 VLA。
SOURCE QUIZ // 8 MCQ
单选题 · 8题
第 1 / 8 题原讲义题库
得分 0 / 8
SOURCE SHORT 01
简答一 · 分布偏移
什么是行为克隆的"分布偏移"问题？请用生活化的例子说明。
YOUR RESPONSE先独立组织答案，再查看讲义解析
分布偏移（Distribution Shift）是行为克隆最核心的问题。简单来说：
训练时，模型只见过"专家完美操作"的状态。就像一个学车的新手，教练只教过他怎么在空旷的练习场开。一旦他上路，遇到一个练习场没见过的路口（偏离了"训练分布"），他就不知道该怎么办了——而且越错越远。
在机器人中，一旦模型在推理时输出一个稍微偏离专家轨迹的动作，机器人就会进入一个"训练数据中没见过的状态"。模型在这个新状态下继续预测，因为没见过，预测更不准，于是进入更陌生的状态——形成恶性循环，最终撞墙。
DAgger 算法通过收集模型"犯错"时的状态加入训练集，让模型学会"偏离后如何纠正"，从而缓解此问题。
SOURCE SHORT 02
简答二 · VLA 三步流程
请简述 VLA 模型的三步工作流程。
YOUR RESPONSE先独立组织答案，再查看讲义解析
VLA 模型的工作流程分为三步：
第一步：视觉编码——用视觉编码器（如 ViT）把摄像头拍摄的图像转换成"视觉 Token"，即模型能理解的数字表示。
第二步：语言编码——用文本分词器把人类指令（如"把杯子放在桌上"）转换成"语言 Token"。
第三步：联合推理与动作输出——把视觉 Token 和语言 Token 一起输入大语言模型（LLM），LLM 利用其预训练的世界知识，理解"看到的是什么"和"要做什么"，然后输出"动作 Token"。动作 Token 经过解码器，转换成机器人可执行的具体动作指令（如关节角度、末端位姿）。
整个流程的核心是：大语言模型充当"大脑"，把视觉信息和语言指令融合，做出决策。
SOURCE SHORT 03
简答三 · 泛化能力对比
请对比行为克隆、扩散策略、VLA 模型在泛化能力上的差异，并说明原因。
YOUR RESPONSE先独立组织答案，再查看讲义解析
三者泛化能力从低到高排列：
行为克隆（泛化能力低）：因为 BC 只是"逐帧模仿"，没有理解任务的高层语义。一旦场景变化（光照不同、物体位置偏移），模型就不知道如何处理。它学到的是"特定场景下的特定动作"，而不是"导航/操作的一般规律"。
扩散策略（泛化能力中）：扩散策略通过"去噪过程"学习动作的分布，天然对噪声和变化有一定鲁棒性。它的多模态输出能力也让它在面对"多种合理方案"时不会崩溃。但扩散策略仍然没有理解"任务目标"——它只是学会了更鲁棒的"动作模式"。
VLA 模型（泛化能力高）：VLA 模型的核心优势在于"理解"——它借用了大语言模型中的世界知识。比如，即使模型从未见过"蓝色杯子"，只要它知道"杯子"是什么，就能根据语言指令找到它。这种"语义理解"能力让 VLA 在面对全新场景和新物体时，泛化能力远超 BC 和扩散策略。