兩隻手，一個罐子

想像一下，讓機械人開一個罐子。一隻夾爪扶住罐身，另一隻擰蓋子。如果兩隻都熱心地一起轉，配合倒是很整齊，蓋子卻可能紋絲不動。

這裡有用的是分工。這個小動作，恰好能把 9 月 27 日 IROS 研討會提出的問題落到實處：雙臂機械人的能力，有多少來自更多數據和更大的模型，又有多少來自預先設計的協同結構？

議程提出了問題，沒有給出答案。我想先拿一個罐子，做一場公平比較，再談機械人文明。

不怎麼動的那隻手，也在幹活

在非對稱雙臂任務裡，一隻手改變物體的狀態，另一隻手讓這個改變得以發生。扶穩罐子時，機械臂可能幾乎不動，但它依然在完成任務。分別數兩隻手動了多少次，很容易看錯重點。

CoRL 2024 的 VoxAct-B 明確區分操作臂和穩定臂。研究團隊結合語言和場景的體素表示，展示了開罐、開抽屜等任務。這個思路吸引我的地方，是提前告訴策略一些分工資訊，讓它據此學習。

ALOHA Unleashed 走的是另一條路徑：把更大規模的示範數據與基於 Transformer 的擴散策略結合，用來完成繫鞋帶、掛襯衫等複雜任務。它的配方裡既有數據，也有模型設計。只用「規模」兩個字概括，就漏掉了一部分。

兩種方法都值得研究，但把論文裡的成功率排在一起，不能當作這場比較的排行榜。任務、硬件和學習系統都不同。罐子和襯衫都是家用品，也不能算同一張考卷。

先讓基線也能用兩隻手

ACT 項目提供了一個起點：根據觀測預測一段動作序列，而不是每次只預測下一步。在這份比較方案裡，我會採用一個同時看到雙臂、同時輸出雙臂動作的聯合策略。即使不明確標註誰負責操作、誰負責穩定，它也可以學習兩者的關係。

這條基線很重要。如果對照組是兩個各自為政的策略，比較中就連雙方能獲得的資訊都變了。改善可能來自資訊共享，未必來自我們想驗證的角色結構。

第二組在相同主幹上加入明確的角色表示，示範數據、觀測和動作介面保持一致。第三組保留新增模組，卻在訓練和評估時都用固定標記替換有效的角色資訊。如果優勢在這種消融後仍然存在，就不能把功勞記在角色資訊頭上。

VoxAct-B 同時改變了多個要素，包括場景表示。這份方案借用了分工問題，並非重現它的完整系統，也不聲稱它原來的實驗採用了這些控制條件。

同一批數據，同一張帳單，同一個罐子

我會先在模擬環境中只做一件事：取下蓋子，同時保持罐身直立。可下載的比較方案建議共用 100 段示範，預留 30 個起始場景，並為每組採用三個訓練隨機種子。每個訓練好的策略都測試這 30 個場景，因此每組計劃嘗試 90 次。目前還沒有任何實驗結果。

這些數字只是小規模研究的設計，不保證足以識別有用的差異。場景重複使用，也意味著 90 次嘗試並不等於 90 個獨立情境。

「算力相同」需要附上帳單。硬件、加速器時數上限、推理延遲限制，都應提前固定；失敗的訓練和調參也要計入。訓練步數相同，成本仍可能不同。額外的角色分配服務或標籤同樣要算，否則其中一個機械人就悄悄多了一位補習老師。

如果實作時無法滿足這些共同條件，我們仍然可以比較兩個完整方案，但無法把差異單獨歸因於角色分工。

把救場也記下來

假設夾爪打滑後，有人幫忙挪了一下罐子，機械人隨後成功開蓋。罐子確實開了，機械人也確實需要幫助。兩個事實都應該留下。

指標	我想看清甚麼
完成率	無人幫助下完成全部任務的次數，佔所有計劃嘗試的比例
碰撞	出現禁止接觸的嘗試數；先單獨定義正常抓握罐身和蓋子的接觸
介入	停止、重置和接管，以及人花了多少時間
耗時與算力	成功耗時與逾時並列，訓練和推理成本同時列出

一個從不碰罐子的機械人，避碰成績可能非常漂亮。所以這些指標必須放在一起看。同樣，如果把逾時的嘗試從圖裡拿掉，只展示成功時有多快，也看不出系統實際表現。

如果明確角色能在相同預算內提高無人幫助的完成率，碰撞和人工介入沒有變差，而且移除角色資訊後優勢消失，我才會認為它在這項任務上有用。如果聯合基線做得一樣好，就應該承認它。組織結構複雜，本身不值得頒獎。

我完成了比較卡，沒有執行機械人實驗。查閱的來源尚未回答這場精確的同條件比較，模擬結果也無法替代實物可靠性測試。眼下，這個罐子給了我們一個能落地的問題：明確告訴一隻手扶穩，帶來的幫助是否值得我們為此增加的設計？

來源與方法

四個公開的一手來源於香港時間 2026 年 9 月 28 日重新查閱。研討會議程提供當前的問題；ACT、ALOHA Unleashed 和 VoxAct-B 提供較早的方法及作者報告的示範。本文沒有報告研討會結論，也沒有獨立重現實驗結果。比較設計、舉例和判斷標準均為本文分析。

Research artifact · Markdown