北京——人工智能领域再迎突破！清华大学交叉信息研究院智能社会研究实验室（ISRLab）与北京星动纪元科技有限公司联合开源了首个AIGC生成式机器人大模型VPP（Video Prediction Policy），该研究成果已入选国际机器学习大会ICML 2025 Spotlight。这一创新模型利用预训练视频生成大模型，通过海量互联网视频数据训练，学习人类动作，大幅降低了对高质量机器人真机数据的依赖，并实现了跨人形机器人本体的切换，为人形机器人的商业化落地注入了强劲动力。
AIGC浪潮下的具身智能新突破
从2023年引爆全球的Sora，到如今国内涌现的可灵、Vidu、通义万相，AIGC生成式技术正以其强大的能力重塑着AI应用场景。如今，这股浪潮也席卷至具身智能机器人领域，VPP的诞生正是这一趋势下的重要里程碑。
想象一下，未来你只需对身边的机器人说一句“给我盛一碗热腾腾的鸡汤”，它就能立即为你端上一碗热气腾腾的美味。这并非科幻，而是VPP正在实现的愿景。VPP通过学习海量的互联网视频数据，让机器人能够理解并执行复杂的任务，如同“机器人界的Sora”，将AIGC的魔力从数字世界带入真实的物理世界。
VPP：技术解析与优势
VPP模型的核心在于利用预训练视频生成大模型，让机器人直接学习人类动作，从而摆脱对昂贵且难以获取的高质量机器人真机数据的依赖。更重要的是，VPP能够在不同的人形机器人本体之间自如切换，这意味着它可以快速适应不同的机器人硬件平台，加速商业化进程。
VPP的技术亮点主要体现在以下几个方面：
- 提前预知未来： 传统的机器人策略往往只能根据当前观测进行动作学习，而VPP能够提前预测未来的场景，让机器人“看着答案”行动，从而显著增强泛化能力。
- 高频预测和执行： 尽管AIGC视频扩散模型通常需要大量的推理时间，但星动纪元的研究团队发现，通过有效提取视频模型中间层的表征，单步去噪的预测就能蕴含大量未来信息。这使得VPP的预测时间小于150ms，控制频率超过50Hz，实现了高频预测和执行。
- 跨本体学习： VPP可以直接学习各种形态机器人的视频数据，甚至包括人类操作数据，这大大降低了数据获取成本，并提高了模型的泛化能力。
- 基准测试领先： 在Calvin ABC-D基准测试中，VPP实现了4.33的任务完成平均长度，接近满分5.0，相较于先前技术提升了41.5%。
- 真实世界灵巧操作： 在真实世界的测试中，VPP展现出了惊人的多任务学习能力和泛化能力，能够完成抓取、放置、堆叠、倒水、工具使用等100多种复杂灵巧操作任务。
- 可解释性与调试优化： VPP的预测视觉表示具有一定的可解释性，开发者可以通过预测的视频来提前发现失败的场景和任务，进行针对性的调试和优化。
开源共享，共筑机器人智能未来
清华大学和星动纪元选择开源VPP，无疑将加速整个机器人行业的发展。通过开源，更多的研究者和开发者可以参与到VPP的改进和应用中来，共同推动机器人技术的进步。
尽管VPP是首个AIGC生成式机器人大模型，但它与基于自回归的理解模型（如PI）并非相互排斥，而是可以相互借鉴和融合。正如在大模型领域LLM和生成式模型并存一样，VPP与PI等VLA大模型也将共同推动机器人技术迈向新的阶段。
随着更多优质模型和技术的开源，具身AGI（通用人工智能）将加速到来，一个充满无限可能的智能未来正在向我们招手。
VPP项目开源信息：
- 论文标题：Video Prediction Policy: A Generalist Robot Policy with Predictive Visual Representations, ICML 2025 Spotlight
- 论文地址：https://arxiv.org/pdf/2412.14803
- 项目地址：https://video-prediction-policy.github.io
- 开源代码：https://github.com/roboterax/video-prediction-policy
参考文献：
- 清华大学叉院ISRLab与星动纪元联合发布新闻稿。
- ICML 2025 Spotlight 论文列表。
- 相关人工智能及机器人领域学术论文。
（记者：[你的名字]）
Views: 1