编辑｜Panda
包馄饨，对大多数人来说很简单：一手托皮，一手挑馅，对折，捏边，收口。很少有人意识到，这个过程里手掌始终在承托一张随时会变形的面皮，手指在不断感受馅料和面皮的回弹，两只手还要在恰当的时机交接。
这类为人手而生的日常动作，对机器人来说，非常困难。但现在，这些困难正在被攻克。如今，在一段 1 分 12 秒、一镜到底的原速视频里，一双机器人灵巧手先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）刚发布的Natura-1。这是一个 50B 参数的混合专家（MoE）模型，在 100 万小时的第一人称视角人类经验数据上完成预训练，以语言和视觉为输入，在 100 毫秒的控制回路里驱动 20 自由度的灵巧手。
包馄饨回答的是「能不能做好」。Natura-1 更想回答的，是另一个更难的问题：换一个从没练过的任务，它还能不能直接上手？
灵巧与通用，难以兼得
先看灵巧操作。人手有二十多个自由度，日常物体又常常柔软、易变形、会回弹，每一次接触都会改变物体的状态，机器人只能边做边调；但困难也很明显：复杂度会随自由度指数级增长。平行夹爪可大大简化控制，代价是许多承托、捻转和双手配合的动作难以完成。
在 Nature Will 团队看来，过去的工作因此大多各守一端：要么是面向夹爪的通用策略，要么是为单个任务打造的灵巧操作系统。
而在通用这一端，已经有 π0.7 等一些重要进展，但要在灵巧手上实现这种通用性，首先卡在数据。泛化依赖大规模、多样化的训练数据，而真机数据本就昂贵，灵巧手的遥操作采集更是又慢又难。
Nature Will 团队还点出了一个更根本的循环：机器人只能在它已经会干活的地方采集数据，而它又只能在已有数据的地方干活。要打破这个循环，数据就得来自机器人之外。
于是，越来越多团队把目光投向一个现成的数据源：人类自己。
今年 2 月，英伟达等机构发布的 EgoScale 用 20,854 小时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；部署到 22 自由度的灵巧手上后，平均成功率比不做人类数据预训练的基线高出 54%。
人类预训练的 Scaling 行为，收敛时的最优验证损失随人类数据规模变化的函数关系，揭示了近乎完美的对数线性 Scaling Law，arXiv:2602.16710
人类预训练的 Scaling 行为，收敛时的最优验证损失随人类数据规模变化的函数关系，揭示了近乎完美的对数线性 Scaling Law，arXiv:2602.16710
半年之后，这个量级被推高了约 50 倍。8 月 10 日，美国机器人公司 Dyna Robotics 发布世界—动作模型 DYNA-2，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，数据从 1000 小时逐级放大到 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% 升至 53%。
Dyna-2 世界-动作模型的 Scaling Law，基于从 1000 小时到 100 万小时的人类视频数据阶梯进行训练。
https://www.dyna.co/dyna-2
不过，这两项工作都没有绕开同一个环节：把人类经验落到具体任务上，仍需要额外适配。EgoScale 依赖少量人—机对齐数据做中间训练，DYNA-2 在每个评测任务上都用了最多 10 小时的机器人数据做后训练。
人类经验已被证明可以成规模地喂给机器人，下一个问题是：在一双高自由度的灵巧手上，这些经验能否不经逐任务适配，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。它给自己定下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 团队告诉机器之心，这源于两个判断：
- 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经具备了规模化采集的条件。
这两个判断背后的方法论延续自 LLM 研究，即模型、数据和基础设施需要一起发展。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 50B 模型。」
Natura-1 是自然意志的第一个物理世界通用基础模型。它的训练分两步：先在 100 万小时人类经验数据上预训练，再用有限的机器人数据做一轮高效的后训练，把预训练中学到的世界知识适配到灵巧操作上。
不同于许多把「看懂指令」「预测世界」「生成动作」拆成不同模块的系统，Natura-1 是单一的 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 团队还另外放出了五个 demo：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，机器人要在同一流程里连续处理液体、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，再把预装保护膜的对位框套上手机，双手对齐压实；随后一只手把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。
这些动作一边执行，一边改变着物体的形状和接触条件，模型必须依据实时反馈不断修正，而不是照着固定轨迹走完。更多 demo 可访问 Nature Will 官方文章《行动的意志｜Natura-1 物理通用基础模型》。
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。能否把能力带到没练过的任务上，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都未出现在后训练数据中；每段测试视频旁，还并排放出训练集中最相近的示范，供外界判断差异。例如一项任务要求把苹果放进碗、把瓶子放上托盘，再把托盘端走，而训练集里只有「拿起水果」和「端起已装好的托盘」这样的分立动作。Natura-1 把它们组合了起来，端托盘时也没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）在灵巧手平台上都未能得分；换到夹爪平台后，二者分别得到 13.5 分和 16.7 分，Natura-1 在灵巧手上得到53.4分（Base）和59.1分（Agentic）。
不仅如此，Natura-1 在执行时间上也优势明显。
团队还用研究员日常临时想到的开放指令做了测试，不少题目故意出得刁钻。例如同样是把牙刷盒和水瓶放进筐里，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「没见过」，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：机器人后训练数据里没有这个任务，但人类视频里很可能出现过类似的动作。
这点出了零样本在这条路线上的含义：人类视频里的经验，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不能抓取，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。
在一个故意布置的场景里，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 抓住长杆把篮子拉近，再一只手稳住长杆，另一只手取出毛线。另一次，它没能从边缘捏起一张扑克牌，便改为把牌推到盒子边缘、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里都没有对应。
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，要把它变成机器人的动作，需要数据、模型和基础设施一起设计：
- 数据负责给每段录像配上语言和动作监督
- 模型负责从每条轨迹里学到尽可能多的东西
- 基础设施则既要撑起大规模训练，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。
团队用结构化的任务分类体系和智能体工作流分析覆盖缺口，把采集优先级调向稀缺区域。原始录像要经过清洗去重、动作重建和分层语言标注，才能变成「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%。
Natura-1 数据系统示意图
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很多工具、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是调优后 FlexAttention 的 6 倍以上。
- 推理侧，用 Rust 重写的服务框架把端到端延迟压进 100 毫秒，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 把整个任务片段按语言、图像、视频和动作 token 排成一条序列，自回归建模，骨干是标准的 MoE Transformer。
它的核心思路是把视频和动作看作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，用流匹配同时训练视频与动作，从每条轨迹里获得更多监督。为了防止模型只看画面、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。
Natura-1 Scaling 曲线
结语
Natura-1 已经给出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里的复杂任务。」
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，他们计划把触觉信息加入数据和模型，在更大规模的数据上预训练，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里看，Natura-1 所在的这条路线，正在从少数团队的押注变成越来越多人的共识。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明显。8 月发布 DYNA-2 的 Dyna Robotics 则表示，下一步要把训练规模扩大到 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成动作、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没练过的任务。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？Natura Will 交出了第一份可以检验的答卷。
官方博客：
https://www.naturewill.com/blog/natura-1
官方推文：
https://x.com/naturewill/status/2109858475333570565