ZEST：Atlas 從任何動作來源學會地板舞、低爬與連續後空翻——零樣本上機

多年來，一支爆紅的機器人示範影片與一個真正可部署的機器人技能之間，差距是以「工程師·月」為單位計算的。每一項新行為——一個後空翻、一次鑽過管線的低爬、一套舞蹈動作——傳統上都需要專屬控制器、專屬的獎勵函數調校，以及一條從模擬到實體、脆弱無比的移植路徑。2026 年 8 月出版的《Science Robotics》第 11 卷第 117 期是完全以人形機器人為主題的專刊，其封面論文正是要把這條管線壓縮成單一介面：由 RAI Institute 與 Boston Dynamics 合作開發的 ZEST（Zero-shot Embodied Skill Transfer，零樣本 embodied 技能轉移）。

論文標題的主張相當直白：不需要逐技能工程的運動型機器人控制。在 Boston Dynamics 的全電動 Atlas 人形機器人上，用 ZEST 訓練的策略直接從動作捕捉資料學會了動態的多接觸技能——軍事低爬（army crawl）與地板舞（breakdancing）。表達性舞蹈與場景互動類行為（例如爬箱子）則是從普通的單眼影片轉移到 Atlas 與 Unitree G1 兩種平台上。框架的觸角還延伸到雙足之外：在 Spot 四足機器人上，ZEST 利用完全不遵守物理約束的動畫關鍵影格，做出包括連續後空翻在內的特技動作。這些策略全部只在模擬器中訓練，上機時零樣本部署——不需要在實體機器人上做任何微調。

為什麼逐技能工程是瓶頸

人形機器人的全身控制之所以困難，在於真正重要的行為都是高接觸密度且長時程的。一記地板舞的風車動作，需要手、肩、軀幹輪流成為支撐點，同時動量把雙腿甩過頭頂；一次軍事低爬則要求前臂與膝蓋持續貼地支撐，同時拖動身體其餘部分前進。傳統管線把每一項這類技能都當成獨特的控制問題來處理：工程師撰寫接觸時序、為每個階段設計獎勵項，然後反覆手調增益，直到模擬中的行為終於能在實體機器上存活。

ZEST 的賭注是：這些逐技能的鷹架幾乎全都不必要。由 Jean Pierre Sleiman、He Li、Scott Kuindersma、Farbod Farshidian 等作者提出的這套框架，接受來自三種異質來源的動作參考——高解析度動作捕捉、帶雜訊的單眼影片、以及從頭到尾不受物理約束的動畫——並訓練強化學習策略在硬體上追蹤這些參考。關鍵在於，系統避開了接觸標註、參考軌跡或觀測視窗、狀態估測器與大幅度的獎勵塑形——這四樣正是讓動作模仿管線變成「一技一工程」的拐杖。

讓它奏效的兩個關鍵機制

訓練迴圈內有兩個機制扛下了最重的工作。第一是自適應取樣（adaptive sampling）：持續找出動作片段中最困難的部分——例如地板舞者重心移到單手的瞬間——並把訓練運算集中於此，而不是浪費在軌跡中簡單的八成片段上。第二是以模型輔助力矩（model-based assistive wrench）構成的自動課程：訓練初期，模擬器悄悄施加外力，協助機器人完成它還做不到的動作，隨著策略進步再逐步撤除輔助。兩者相加，讓單一訓練配方就能帶著策略走過動態、長時程的動作——這些過去必須靠人工分階段設計課程的難關。

論文在致動器建模上也有貢獻，而這正是 sim-to-real 研究常常草草帶過的部分。ZEST 包含一個改良的致動器模型，以及一套從閉鏈致動器的近似解析電樞值選擇關節層級增益的程序——Atlas 四肢那種並聯連桿關節正是這一類。在模擬中把致動器動力學建模正確並不光鮮，卻是零樣本部署成敗的一大關鍵；一個學會利用錯誤建模致動器的策略，第一次碰到真實硬體時就會發現落差。適度的域隨機化（domain randomization）——訓練時變動物理參數、延遲與感測器雜訊——補完了整套配方，讓策略對模擬器與實機之間的差距具備韌性，又不至於因極端隨機化而犧牲最終效能。

人類動作與機器動作之間的可擴充介面

作者在結論中提出的框架定位值得留意：他們主張 ZEST 建立了「生物運動與其機器對應物之間的可擴充介面」。這個主張比一份特技清單所暗示的更大。如果任何的人類動作——無論來自動捕、YouTube 影片一瞥、還是動畫師的關鍵影格——都能透過同一條管線變成機器人技能，那麼機器人行為的供給量就不再受限於機器人工程師的工時，而是受限於人類動作的整體語料。換句話說：實際上沒有上限。

產業脈絡讓這個時間點格外有意思。2026 年 5 月，Boston Dynamics 才發佈文章說明如何用強化學習訓練 Atlas 從事搬運重物等粗重工業工作，讓它以單一學習系統協調全身。ZEST 正是那套計畫的互補另一半：一個把新技能通用匯入平台的進口。而在專刊出版的同一週，北京的世界人形機器人運動會上有超過兩千台人形機器人同場競技——賽事中那些爆紅的摔倒片段，恰恰示範了示範與部署之間的韌性落差，也正是 ZEST 這類框架想關閉的缺口。

專刊內部的整體圖像

ZEST 是這期人形專題的封面論文，而整期內容讀起來就像這個領域現階段議程的快照。同期刊出的還有把動作追蹤「超級放大」以實現自然全身控制的 SONIC、回顧人形移動控制演進的綜述、主張實體 AI 是由機械硬體（而不只是學習演算法）所支撐的觀點文章，以及以視覺驅動的人形足球反應技能研究。集體訊息相當一致：在軟體吃掉機器人示範影片十年之後，前沿已經移往讓全身、高接觸的行為變得日常化——可重現、可轉移、且只要有動作資料就能訓練。

對實務工作者而言，可帶走的結論很具體。參考資料不必乾淨：單眼影片就足以支撐一整類表達性與場景互動技能。形態不必與來源相符：為卡通角色製作的動畫可以轉移到四足機器人上。部署也不必循序漸進：有了自適應取樣、輔助力矩課程與誠實的致動器模型，模擬訓練的策略可以直接冷啟動上機。每項技能花費的工程師·月，或許終於要走入歷史——而從一月就放上 arXiv 的預印本（2602.00401），任何人都可以去驗算數學。