机器人看视频学操作！伯克利首次打通互联网视频到灵巧手真机部署链路

但机器人不一样。问题：「看见」≠「会做」 要把灵巧机器人数据规模化，仍然绕不开三个结构性难题： 单目RGB视频中的手-物交互仍难以稳定重建 真实场景视频往往存在运动模糊、遮挡、深度歧义等问题，物体种类也不固定。如果没有稳定的4D手-物重建，人类视频就很难用在机器人学习中。遥操作本身难以规模化 遥操作可以提供真实机器人数据，但成本很高。所以，Do as I Do想回答的问题是：仅靠单目RGB视频，不预设抓取先验，也不限定刚性物体类别——机器人能不能从”看到”走向”做到”？