Natura-1发布：从百万小时人类经验中学会零样本泛化与灵巧操作

对于许多人而言，包馄饨是一项轻松的任务：一手托住面皮，另一手挑取馅料，接着对折、捏边、收口。很少有人会注意到，在这个过程中，手掌始终支撑着容易变形的面皮，手指持续感知馅料与面皮的弹性反馈，而双手还需在恰当的时刻完成交接。

这类为人手设计的日常操作，对机器人来说极具挑战。然而，这些困难正逐渐被克服。如今，在一段时长1分12秒、一镜到底且未加速的视频里，一双机器人灵巧手成功完成了这一过程。

驱动这双手的，是北京具身智能公司自然意志（Nature Will）最新发布的Natura-1。这是一个拥有500亿参数的混合专家（MoE）模型，基于100万小时的第一人称视角人类经验数据进行预训练，以语言和视觉信息作为输入，在100毫秒的控制周期内，驱动一只具备20个自由度的灵巧手。

包馄饨验证的是“能否做好”。而Natura-1更想回答的，是另一个更具挑战性的问题：如果换一个从未训练过的任务，它是否还能直接执行？

灵巧与通用，难以兼得

首先看灵巧操作。人手的自由度超过二十个，日常物体又常具有柔软、易变形、会回弹的特性。每次接触都会改变物体的状态，机器人只能边执行边调整；但挑战也很明显：复杂度会随着自由度的增加呈指数级增长。平行夹爪能大幅简化控制，但代价是许多需要承托、捻转和双手配合的动作难以完成。

在Nature Will团队看来，过去的工作大多因此各自侧重一方：要么是面向夹爪的通用策略，要么是为单一任务定制的灵巧操作系统。

而在通用方面，已有π0.7等重要进展，但要在灵巧手上实现这种通用性，首要瓶颈在于数据。泛化依赖于大规模、多样化的训练数据，而真实机器人数据本身成本高昂，灵巧手的遥操作采集更是既缓慢又困难。

Nature Will团队还指出了一个更根本的循环：机器人只能在它已经能执行任务的地方采集数据，而它又只能在已有数据的地方执行任务。要打破这个循环，数据就必须来源于机器人之外。

因此，越来越多的团队将目光投向一个现成的数据源：人类自身。

今年2月，英伟达等机构发布的EgoScale，使用20,854小时的第一视角人类操作视频预训练VLA模型，观察到数据规模与验证损失之间的对数线性关系；将其部署到22自由度的灵巧手上后，平均成功率比未使用人类数据预训练的基线高出54%。

半年后，这个数据量级被提升了约50倍。8月10日，美国机器人公司Dyna Robotics发布了世界-动作模型DYNA-2，其预训练使用了超过100万小时的第一视角人类视频，且预训练阶段不含任何机器人数据；据Dyna报告，当数据从1000小时逐步放大到100万小时，模型在14个机器人任务上的平均归一化得分从20%提升至53%。

不过，这两项工作都未能绕开同一个环节：将人类经验应用于具体任务，仍需额外的适配。 EgoScale依赖少量人-机对齐数据进行中间训练，DYNA-2在每个评测任务上都使用了最多10小时的机器人数据进行后训练。

人类经验已被证明可以大规模地提供给机器人，下一个问题是：在一双高自由度的灵巧手上，这些经验能否无需逐任务适配，直接迁移到新任务上？

Natura-1：一个模型，两种能力

自然意志成立于2026年1月，由清华大学电子工程系助理教授丁宁创立，是一家以物理世界基础模型为核心的研究型公司。它为自己设定的目标是通用物理智能（Physical AGI）：训练能在真实世界中完成感知、预测、推理与动作闭环的通用基础模型。

Nature Will团队向机器之心表示，这基于两个判断：

通用的物理世界基础模型有可能成立；

人类第一视角数据已具备规模化采集的条件。

这两个判断背后的方法论延续自大语言模型研究，即模型、数据和基础设施需要协同发展。Nature Will团队告诉机器之心：“我们沿用了大语言模型研究中模型规模和数据规模配合增长的思路。早期先用较小的模型和数据快速验证架构，确认方向后再逐步扩大，而不是一开始就确定必须做一个500亿参数的模型。”

Natura-1是自然意志的第一个物理世界通用基础模型。 它的训练分为两步：先在100万小时人类经验数据上进行预训练，再用有限的机器人数据进行一轮高效的后训练，将预训练中学到的世界知识适配到灵巧操作上。

与许多将“看懂指令”、“预测世界”、“生成动作”拆分为不同模块的系统不同，Natura-1是一个单一的MoE Transformer，在语言、图像、视频和动作上联合训练。 它瞄准两项能力：

灵巧操作，依托灵巧手完成多指协同、物体姿态调整和复杂接触；

零样本指令遵循，面对未见过的场景和任务，直接依据自然语言指令完成操作，包括处理空间约束、多物体关系和否定条件。

Natura-1能做什么？

Nature Will团队从三个层面考验了Natura-1：

长程任务考察一项技能经过训练后，能做得多精细、多持久？

零样本测试考察模型面对没练过的任务，能否直接上手？

最后一部分记录的则可称为涌现能力，即任务不顺利时，模型能否自己想出办法？

灵巧：六段一镜到底的长程任务

除包馄饨外，Nature Will团队还另外展示了五个演示：泡茶、做酸奶碗、打包快递、贴手机膜和写毛笔字，最长的一段超过3分钟，均为原速、一镜到底、无人工干预。每段都包含多个子任务，机器人需在同一流程中连续处理液体、颗粒、柔软工具和柔性部件。

以3分钟的贴手机膜为例，Natura-1先擦拭屏幕，再将预装保护膜的对位框套上手机，双手对齐压实；随后一只手将手机和对位框抵在夹具上，另一只手连贯地抽出离型膜，最后用指尖沿边角推压赶走气泡。

打包快递时，它需要在拉菲草、毛绒玩具和笔记本之间切换抓法，一只手压住会回弹的箱盖，另一只手推动胶带器封箱，最后贴标签、扫条码。

这些动作在执行过程中，不断改变着物体的形状和接触条件，模型必须依据实时反馈持续修正，而非遵循固定轨迹。

需要强调的是，这六段演示展示的是任务微调后的操作深度。能否将能力带到未训练过的任务上，则要看零样本测试。

零样本：没练过的任务

什么才算零样本？Nature Will团队告诉机器之心：“我们这里说的Zero-shot，是指模型完成预训练和真机后训练后，不再针对测试任务专门采集数据、追加训练，就直接接受指令并执行。”

团队搭建了一套覆盖12个能力维度的基准测试，测试任务及其场景和动作组合均未出现在后训练数据中；每段测试视频旁，还并排放置了训练集中最相近的示范，供外界判断差异。例如，一项任务要求将苹果放入碗中、将瓶子放上托盘，再将托盘端走，而训练集中只有“拿起水果”和“端起已装好的托盘”这类分立动作。Natura-1将它们组合起来，端托盘时也未碰到旁边的另一只托盘。

在这套基准上，π0.5和OpenAI的GPT-6 Astra（以编写代码的方式充当控制策略）在灵巧手平台上均未能得分；换到夹爪平台后，二者分别得到13.5分和16.7分，而Natura-1在灵巧手上得到53.4分（Base）和59.1分（Agentic）。

不仅如此，Natura-1在执行时间上也具有明显优势。

团队还用研究员日常临时想到的开放指令进行了测试，不少题目故意出得刁钻。例如，同样是将牙刷盒和水瓶放入筐中，指令分别要求双手同时放、先左后右、先右后左，Natura-1都按要求执行了。

对于“未见过”，团队给出了限定：“预训练数据覆盖很广，其中可能已经包含相关物品和操作经验，因此这里的‘未见过’，主要是相对于真机后训练而言。”他们举的例子是按下笔记本电脑的空格键：机器人后训练数据中并无此任务，但人类视频中很可能出现过类似动作。

这指出了零样本在这条路线上的含义：人类视频中的经验，能否在没有对应机器人数据时，被直接调用到真机上。 用团队的话说：“我们关注的，不只是换一个物体还能否抓取，也包括面对没有专门训练过的任务要求，能否把已有能力组织起来、完成任务。”

意料之外的涌现

团队还观察到一些不在测试计划内的行为。

在一个刻意布置的场景中，装着毛线的篮子放在够不到的高台上，提手里穿着一根长杆，指令只有一句“试试拿到毛线（Try to grasp the yarn）”。Natura-1抓住长杆将篮子拉近，再一只手稳住长杆，另一只手取出毛线。另一次，它未能从边缘捏起一张扑克牌，便改为将牌推到盒子边缘、让一部分悬空，再双手配合拿起。据团队介绍，这些中间步骤在机器人示范数据中均无对应。

团队回忆，数据规模较小时，模型没抓住，手却照着原计划继续移动；规模扩大后，它开始能及时调整、重新尝试。Nature Will团队告诉机器之心：“我们在真机后训练中并没有刻意采集这类失败恢复示范，但模型仍然表现出了恢复能力。我们的判断是，大规模人类预训练数据包含了丰富的调整和重试经验，模型从中学到了如何应对操作中的变化。”

团队也坦承：“这是我们在扩大训练规模时观察到的现象；具体能力来源和机制，还需要进一步研究。”

能力从哪里来？

在Nature Will团队看来，长程灵巧操作和零样本泛化“不会偶然发生”。人类经验数量充足，但只是原料，要将其转化为机器人的动作，需要数据、模型和基础设施协同设计：

数据负责为每段录像配上语言和动作监督

模型负责从每条轨迹中学到尽可能多的信息

基础设施则既要支撑大规模训练，又要在100毫秒内完成推理

数据

Natura-1的训练数据是筛选后的100万小时第一视角人类经验，包含约6170万个片段、31.8万个任务和1.4万个场景，以受控采集为主，辅以互联网第一视角视频。

团队使用结构化的任务分类体系和智能体工作流分析覆盖缺口，将采集优先级调向稀缺区域。原始录像需经过清洗去重、动作重建和分层语言标注，才能转化为“视频-语言-动作”轨迹；在内部基准上，其自研动作重建管线的关节位置误差比现有开源方法低41%。

选择人类数据和选择灵巧手是同一个决定。Nature Will团队告诉机器之心：“家庭和工业场景中的许多工具、操作方式都是围绕人手设计的，我们希望机器人能够适应这些工具，而不是每进入一个场景都重新改造工具和流程。”另一方面，人类第一视角数据更容易规模化采集，而“使用灵巧手，能够保留其中更丰富的手部动作信息，减少把人手动作压缩成夹爪开合时的信息损失”。

基础设施

“Make everything scalable”是Nature Will团队的技术理念：

数据侧，数据湖仓管理着数十PB数据，基于Kubernetes的并行管线每周能产出35万小时，吞吐量随算力近似线性增长。团队介绍，这套管线的设计目标是：“当数据量增加十倍时，通过相应增加约十倍资源，仍能在接近原来的时间内完成处理，而不必重新搭建整套系统。”

训练侧，自研框架在数百张GPU上实现超过50%的模型算力利用率，自研注意力算子的吞吐量是调优后FlexAttention的6倍以上。

推理侧，用Rust重写的服务框架将端到端延迟压缩至100毫秒以内，满足真机实时控制。

Nature Will团队表示：“这背后的思路与大语言模型的基础设施建设是一致的：数据和模型规模会持续增长，系统需要提前为这种增长做好准备。”

模型

Natura-1将整个任务片段按语言、图像、视频和动作token排列成一条序列，进行自回归建模，骨干网络是标准的MoE Transformer。

其核心思路是将视频和动作视为同一物理状态的两种投影：动作标签稀缺，视频却很丰富，模型以过去的视频作为记忆、预测未来的视频，使用流匹配同时训练视频与动作，从每条轨迹中获得更多监督。为防止模型只看画面、忽略指令，预训练还借助细粒度描述让语言“承重”，使不同的意图对应不同的预测结果。

Scaling曲线显示，训练经验从约4.4万小时增至100万小时，模型在人类留出数据上的动作预测误差（MSE）下降47.7%；同一套权重在真机留出数据上，误差下降67.7%。这两项是Teacher Forcing下的预测误差，而非任务成功率，但说明人类经验的增长确实能传导到机器人身上。

结语

Natura-1已经提供了灵巧与通用可以共存的早期证据。至于下一阶段，Nature Will团队告诉机器之心：“我们最核心的目标，是继续提升模型在不同任务和场景中的泛化能力，并让它更可靠地完成真实世界中的复杂任务。”

团队表示，目标是从“能够完成部分步骤”走向“稳定、高效地完成整件事情”。为此，他们计划将触觉信息纳入数据和模型，在更大规模的数据上进行预训练，降低迁移到机器人时的适配成本，并让模型能在更便宜的硬件上运行。团队预计，这将是一项长期投入。

放到更大的行业背景中看，Natura-1所在的这条路线，正从少数团队的押注变为越来越多人的共识。今年6月，一项名为HumanScale的研究在相同数据规模下对比了两种预训练数据，发现第一视角人类视频的效果可以超过遥操作采集的真机数据，在分布外泛化上优势最为明显。8月发布DYNA-2的Dyna Robotics则表示，下一步要将训练规模扩大到1000万小时。

当百万小时不再稀缺，比拼的重点也在转移：同样的人类视频，能否被更准确地重建为动作、标注成语言；模型落到机器人身上，需要多少适配；以及选择什么样的本体去承接这些经验。Natura-1押注的是其中难度最高的一种组合，用一双高自由度的灵巧手去承接人类经验，并让同一个模型直接面对未训练过的任务。 这条路能走多远，既取决于灵巧手的稳定性和成本能否跟上，也取决于人类经验的Scaling曲线能否继续延伸。

在一个由人手塑造、供人手取用的世界里，向人手学习能让机器人走多远？Nature Will交出了第一份可以检验的答卷。

参考链接

官方博客：https://www.naturewill.com/blog/natura-1

官网：https://www.naturewill.com

官方推文：https://x.com/naturewill/status/2109858475333570565

本文来自微信公众号“机器之心”（ID：almosthuman2014），作者：Panda，36氪经授权发布。