从演示到真机：那道坡接通了

机器人模仿学习又往前迈了一步，四行字把成果摆得很清楚：一次人类演示、任意一根多手指灵巧手、零样本 sim-to-real 的视觉运动策略——看过你做一次，真机上就能照着做。项目页：morphometricimitation.github.io（演示视频见原贴）

"一次演示"和"零样本"这两个词并排出现，才是这条的分量所在。传统路线要让灵巧手学会一件事，得在仿真里海量训练、再想方设法迁移到真机——每换一只手、换一种物体，整套流程常常要重来；这条的路线是把迁移这一步直接吃掉：策略在仿真里长成，落到真机上不加微调就开工（zero-shot sim-to-real）。

单演示压低了数据门槛，零样本压低了落地门槛——两个门槛同时塌，"教会一只手"的成本第一次接近"教一个人"。

这正是今晚机器人两篇的下游兑现。仿真篇说过"先学再上场"——仿真是一块可以反复试错的廉价练兵场；这篇给出了练完之后的出口：兵练好了，怎么不摔跤地走下场？零样本迁移就是那道坡。前有练兵场（仿真压成本）、后有坡道（sim2real 零样本），中间那条"从演示到真机"的路才算接通——两段合起来，才是这条线今天真正的进度条。

"任意多指手"这个表述也藏着通用性的野心。过去灵巧手的操作策略往往一手一策——换了机械手，知识作废；把策略做成与具体手型解耦的视觉运动层，意味着学到的"怎么捏、怎么转、怎么递"可以跟着任务走，而不是焊死在硬件上。硬件会一代代换，能带走的知识才配叫技能——这与"资产先于内容"是同一个道理在机器人身上的版本：模型和数据可以更新，不该每次从零再来。

给关注这条线的人一句落地的：评估这类成果时盯两个数——演示次数与跨手成功率。"一次演示"是数据效率的上限秀，但真正决定能不能用的是换一只手、换一个光照还有多少成功率；论文页里找这两个数，比看演示视频的流畅度更能判断它离产线还有多远。