清华与星动纪元联合发布首个 AIGC 机器人大模型 VPP

首个AIGC机器人大模型VPP问世：让机器人“看懂”未来，听懂人话

人工智能生成内容（AIGC）的浪潮，正从文本、图像、视频，涌向一个更具挑战性的领域——具身智能机器人。最近，来自清华大学叉院ISRLab与北京星动纪元科技的一项合作成果，成了这场浪潮中的焦点。他们推出了全球首个AIGC机器人大模型VPP（视频预测策略），并且这项研究在竞争激烈的ICML 2025上荣获了Spotlight论文奖。

这意味着什么？简单来说，AIGC技术不再只是屏幕里的“魔术”，而是开始驱动物理世界的机器人。VPP的核心突破在于，它让机器人学会了“基于视觉的未来推演”。模型利用海量的互联网视频进行训练，最终使得机器人能够听懂一句简单的自然语言指令，比如“给我盛一碗热腾腾的鸡汤”，就能实时在脑海中预测完成任务所需的步骤画面，并同步驱动身体执行出舀汤、端碗等一系列动作。

要知道，在今年ICML超过12000篇投稿中，只有约2.6%能获评Spotlight，竞争之激烈可见一斑。VPP之所以能脱颖而出，关键在于它巧妙地绕过了传统机器人策略面临的瓶颈。传统方法往往受限于推理速度或特定场景的泛化能力，而VPP创新性地将视频扩散模型的强大视觉理解和生成能力，引入了机器人操作策略的学习中。这就像给机器人装上了一颗能“脑补”后续画面的“大脑”，实现了从理解到执行的实时闭环，策略的适应性和泛化能力自然得到了质的飞跃。

那么，这颗“大脑”是如何构建的呢？VPP的学习过程分为两个清晰的阶段。第一阶段，它利用视频扩散模型学习预测性的视觉表征，也就是学会理解动态场景的演变规律。第二阶段，再通过名为Video Former和DiT扩散策略的模块，将这种对未来的视觉预测转化为具体的、可执行的动作序列。这种设计带来一个巨大优势：机器人策略的“可移植性”变得极强。一套训练好的VPP模型，能够相对轻松地在不同形态的人形机器人平台上部署和切换，这极大地降低了对单一平台、海量高质量实体操控数据的依赖，为机器人技术的快速商业化落地铺平了道路。

性能如何，数据说话。在权威的Calvin ABC-D基准测试中，VPP的任务完成平均长度达到了4.33，成功率显著超越了现有技术。更令人印象深刻的是其多任务学习能力——在真实环境测试中，VPP已能驾驭超过100种复杂的灵巧操作任务。这充分表明，基于视频预测的范式，不仅是一个优雅的理论构想，更是一个经得起实践检验的、强大的机器人智能解决方案。