Nature Will 发布 Natura-1：50B MoE 模型利用百万小时第一人称人类视频实现机器人灵巧手零样本控制

Rohan Paul (@rohanpaul_ai) · 2026-10-13 07

赋予机器人一双灵巧的手是最具挑战性的任务之一，而来自 @naturewill 的 Natura-1 在这方面做出了强有力的尝试。

Nature Will 使用 100 万小时的第一人称人类数据训练了其新的 Natura-1 模型——即人们使用双手操作时的第一视角视频，随后利用这些数据来控制真实的机器人手部动作。

由于机器人演示数据的采集速度较慢，因此人类视频是实现规模化扩展的更快途径，前提是技能能够从人手成功迁移到机器人手上。

单一模型能够同时处理机器人通常难以兼顾的三项任务：抓取后的精细双手控制、无需额外训练即可执行新任务，以及在需要记忆早期步骤并从错误中恢复的长序列任务。许多机器人系统仅在狭窄场景下展示其中一项能力。

↳ 引用 @naturewill (nature will): 介绍 Natura-1，我们面向物理世界的首个通用基础模型。

它能够零样本（zero-shot）遵循自然语言指令，并通过灵巧手将其转化为动作。

Natura-1 是一个拥有 500 亿参数的混合专家（MoE）模型，预训练于 100 万小时的第一人称人类经验数据。

在此基础之上，我们在有限的机器人数据上进行了高效的后续训练，将预训练的世界知识适配至灵巧操作，从而得到一个能够泛化到广泛未见场景的模型。

Natura-1 能够零样本遵循复杂的自然语言指令，推理空间约束、多物体关系以及否定条件。

它还可以自主执行长时间连续的工作流，以完成长视野（long-horizon）任务。

Natura-1 提供了初步证据，表明泛化能力——甚至涌现行为——可以与灵巧手的复杂性共存。

进一步的进展取决于全栈技术：用于加速训练和实时推理的基础设施、更大规模和更广覆盖范围的预训练数据，以及能够以更少适配成本迁移至机器人的模型。

我们预计这将是一项长期的研究与工程努力。