从监督式“玩耍”中学习灵巧操作（Dexterity from Supervised Play）
亚马逊研究人员用约15分钟“玩耍”式遥操作数据，让灵巧手自行采集数据并完成任意姿态的方块翻转。仿真成功率（0.6弧度）91.4%，同等表现下PPO需约490倍数据。
在没有任务示范、奖励设计和仿真器的情况下，机器人能否先模仿人的无目的玩耍，再自主采集数小时交互数据，从而学会目标导向的灵巧操作？
多指手需要大量接触丰富的经验，但安全的自主探索难以人工设计，逐个目标采集示范成本高，强化学习通常需要数亿帧仿真并经历仿真到现实迁移。
以往方法依赖在仿真中设计奖励的强化学习、基于好奇心或新颖性的探索，或将录制的人类玩耍数据当作固定模仿数据集（如Play-LMP），尚未把少量玩耍转化为真机上可复用的自主数据采集闭环。
作者用Manus手套录制约15分钟无目标遥操作数据，以行为克隆训练扩散Transformer“玩耍策略”。该策略自主运行采集数据（仿真70.1万条转移，真机0.5至5小时），用于以Diffusion Forcing训练动作条件世界模型。推理时玩耍策略提出1024个候选动作块，世界模型预测结果，再由模型预测控制选出最接近目标的动作。
仿真方块重定向（128次试验，起止姿态差超过90度）在0.4/0.6/0.8弧度下成功率为72.7%/91.4%/96.1%，同数据的事后重标注行为克隆为25.8%/53.9%/71.9%，同样70.1万帧预算的PPO为0.0%/0.0%/1.6%；PPO需3.44亿帧才达到86.7%。真机采用Sharpa 22关节灵巧手与天机Marvin M6机械臂，成功率68.6%/90.0%/97.1%，与仿真差距在4.1个百分点内。Push-T任务成功率98%（0.90阈值），最佳模仿基线为74%。
论文结论部分自称真机结果为初步数据，部分最终数值和对比“有待补充”，因此硬件数字应视为阶段性结果。实验对象仅为一个贴标签的方块；在可仿真任务上，不限数据的PPO最终精度仍更高；每换一种手或物体类别，都需要人重新示范安全的玩耍。
对Sharpa、灵心巧手等灵巧手厂商以及因时、傲意等国内供应链企业而言，这意味着可用几分钟玩耍加机器人自采集替代成千上万条任务示范。以遥操作车队为核心的数据采集公司，业务重点可能从录制完整任务转向提供自主玩耍的“种子”。科研应用约1至3年，工厂部署需要更长时间。