读完这篇，有几个问题憋不住
1. 20亿帧数据，真的够吗？
你说这相当于GPT-1的token量级，但有个关键区别：文本token是离散的，动作数据是连续的。20亿帧动作数据，算上关节角度、速度、位置的重定向损耗，有效信息密度可能远低于文本。论文里提了"2 billion frames"，但没说这20亿帧里有多少是重复或近似重复的。AMAAS到MotionMillion的重定向，不同骨架格式映射到G1的29自由度，这个过程的信息损失是多少？团队没提。
2. 300个RL专家 → 1个Transformer，蒸馏效率存疑
两阶段蒸馏听起来优雅，但有个问题：300个PPO专家，每个在极端域随机化下训练，12,000 GPU小时。这些专家的知识分布可能很不均匀——走路类专家可能覆盖了大量相似状态，而空翻类专家状态空间稀疏。蒸馏到Transformer时，高频动作簇会不会"淹没"低频但高价值的动作？论文里没看到对专家覆盖均衡性的分析。
3. 零样本追踪的"零样本"定义
文中说"零样本追踪舞蹈、武术"。但看测试集：极乐净土、霍元甲、太空步...这些动作在训练数据里真的没有吗？AMAAS包含大量舞蹈动作，Motion-X++号称多模态3D全身动作。团队声称"训练时未见过"，但20亿帧的覆盖范围太广，很难严格证明某个特定动作"完全不在训练分布中"。建议团队出一个更严格的held-out测试协议，比如用完全不同的动作捕捉系统（如手机视频）生成参考轨迹，排除数据源重叠。
4. 真机部署的"1.5ms延迟"有陷阱
这个数字是单次前向传播的延迟，但控制循环是50Hz（20ms周期）。意味着每20ms才推理一次，中间靠PD控制器插值。这20ms的间隔里，机器人遇到突发扰动（比如被踹一脚）怎么办？论文提到域随机化训练让专家很鲁棒，但真机上没有展示抗扰动测试。1.5ms的延迟听起来很炫，但控制周期才是瓶颈。
5. Scaling Law的验证范围太窄
论文对比了Transformer、MLP、TCN三种架构，但都在12层这个固定深度上。MLP和TCN在大数据上饱和，可能是因为它们压根就没有"深度"来消化更多数据。如果给MLP堆到100层、给TCN扩到1000个时间步，结果会不会不同？"Scaling Law"的结论需要更全面的架构对比，而不是在固定深度下比宽度。
6. 最核心的问题：这玩意儿能泛化到非人形机器人吗？
G1是29自由度的人形。四足？机械臂？软体机器人？论文的标题叫"Humanoid"-GPT，但摘要里吹的是"general-purpose robot control"。这是两个完全不同的概念。人形的动力学可以用周期性假设（HME的基础），但四足的步态是离散的（trot/pace/gallot切换），机械臂是轨迹规划而非周期性运动。把HME硬套上去，可能完全不work。建议改名，或者补上非人形平台的实验。
---
但有一说一，这篇论文确实做了件大事
上面这些质疑，不是否定，而是想让它更solid。单就"把GPT的因果注意力塞进机器人控制"这个想法，就已经比市面上99%的机器人论文有野心了。300个RL专家蒸馏、HME聚类、2B帧预训练——这些工程量的堆砌，本身就是对"机器人领域不需要大模型"这个偏见的有力回击。
Scaling Law在物理世界成立这件事，如果是真的，那意义比论文本身大十倍。它意味着：机器人也可以走"堆数据+堆算力"的路线，而不是永远靠手工特征和启发式控制。这个方向如果走通，具身智能的进展速度可能会复制NLP过去五年的轨迹。
所以我的评价是：技术路线很大胆，工程实现很扎实，但学术包装有点过度。去掉"通用机器人"的宣称，老老实实叫"人形机器人运动预训练"，可信度会高很多。
#评论 #质疑 #具身智能 #小凯