機(jī)器人學(xué)會(huì)了一個(gè)新動(dòng)作，因?yàn)樗鼊倓偪炊巳祟愂窃趺醋龅摹?/span>

清華、北大，上海交大、武漢大學(xué)等發(fā)布人機(jī)協(xié)同訓(xùn)練框架MotionTrans。

這個(gè)框架通過(guò)一個(gè)巧妙的翻譯系統(tǒng)，讓機(jī)器人能直接從普通VR設(shè)備記錄的人類數(shù)據(jù)中學(xué)習(xí)并執(zhí)行復(fù)雜的任務(wù)，甚至在從未見(jiàn)過(guò)相關(guān)機(jī)器人演示的情況下，零樣本學(xué)會(huì)了全新的人類動(dòng)作。

人類數(shù)據(jù)是機(jī)器人最好的老師

機(jī)器人模仿學(xué)習(xí)已經(jīng)走了很遠(yuǎn)，但它始終面臨一個(gè)核心困境：數(shù)據(jù)。

訓(xùn)練一個(gè)能干的機(jī)器人，需要海量的、高質(zhì)量的真實(shí)機(jī)器人演示數(shù)據(jù)。收集這些數(shù)據(jù)是一個(gè)極其昂貴且耗時(shí)耗力的過(guò)程，它像一堵無(wú)形的墻，限制了機(jī)器人操作能力的飛躍。

想象一下，為了教會(huì)機(jī)器人擰瓶蓋，你需要一遍遍地控制機(jī)械臂，從不同角度、用不同力度去完成這個(gè)動(dòng)作，并記錄下每一個(gè)細(xì)節(jié)。現(xiàn)在，把這個(gè)過(guò)程乘以成百上千個(gè)不同的任務(wù)，成本之高可想而知。

為了繞過(guò)這堵墻，研究者們開(kāi)始尋找新出路。

互聯(lián)網(wǎng)上的海量圖片和文本，成了機(jī)器人理解世界的重要知識(shí)庫(kù)。通過(guò)學(xué)習(xí)這些數(shù)據(jù)，機(jī)器人學(xué)會(huì)了識(shí)別物體（比如蘋(píng)果和香蕉的區(qū)別），理解指令（比如把蘋(píng)果遞給我）。這解決了看和聽(tīng)的問(wèn)題。

但機(jī)器人操作的核心，是動(dòng)。

運(yùn)動(dòng)知識(shí)，也就是如何精確地控制自己的身體去與世界交互，這種知識(shí)在互聯(lián)網(wǎng)上是稀缺的。圖片和語(yǔ)言無(wú)法告訴你，拿起一個(gè)雞蛋需要多大的力，擦桌子需要怎樣的軌跡。

這時(shí)，人類數(shù)據(jù)展現(xiàn)出獨(dú)特的價(jià)值。人類是天生的操作大師，我們的日常行為中蘊(yùn)含著無(wú)窮無(wú)盡、復(fù)雜多樣的運(yùn)動(dòng)智慧。如果能把這些智慧移植給機(jī)器人，無(wú)疑將極大加速它們的學(xué)習(xí)進(jìn)程。

過(guò)去的一些嘗試，像是給機(jī)器人戴上了有色眼鏡。

它們通過(guò)分析人類演示，提取一些中間層的、抽象的表示，比如物體的可供性（一個(gè)杯子是可以被握住的）或者關(guān)鍵點(diǎn)的運(yùn)動(dòng)軌跡。

這些方法確實(shí)有幫助，但這個(gè)中間表示的過(guò)程，就像是在人類和機(jī)器人之間增加了一個(gè)翻譯官。這個(gè)翻譯官雖然能傳達(dá)大概意思，卻也過(guò)濾掉了許多精妙的細(xì)節(jié)，并且使得整個(gè)學(xué)習(xí)流程變得復(fù)雜，難以和當(dāng)前主流的、更直接的端到端學(xué)習(xí)框架兼容。

技術(shù)的進(jìn)步，尤其是VR（虛擬現(xiàn)實(shí)）等可穿戴設(shè)備的普及，為我們打開(kāi)了一扇新的大門(mén)。

現(xiàn)在，我們可以非常方便地捕捉到人類精細(xì)的手部姿態(tài)數(shù)據(jù)。

于是，新的思路誕生了：能不能跳過(guò)翻譯官，讓機(jī)器人直接學(xué)習(xí)人類的母語(yǔ)——運(yùn)動(dòng)本身？

一些研究開(kāi)始嘗試將人類運(yùn)動(dòng)數(shù)據(jù)和機(jī)器人數(shù)據(jù)放在一起進(jìn)行聯(lián)合訓(xùn)練。

這些探索證明，人類數(shù)據(jù)確實(shí)能幫助機(jī)器人提高視覺(jué)定位能力、增強(qiáng)對(duì)環(huán)境變化的魯棒性，并提升訓(xùn)練效率。

但一個(gè)最核心、最激動(dòng)人心的問(wèn)題始終懸而未決：機(jī)器人能否僅僅通過(guò)學(xué)習(xí)人類的演示，就直接掌握一項(xiàng)它從未做過(guò)的新動(dòng)作？

這正是MotionTrans要回答的問(wèn)題。它不滿足于間接的輔助，它的目標(biāo)是實(shí)現(xiàn)直接的、運(yùn)動(dòng)級(jí)別的技能轉(zhuǎn)移。

核心在翻譯：把人類數(shù)據(jù)變成機(jī)器人語(yǔ)言

MotionTrans的邏輯是：要想讓機(jī)器人看懂人類數(shù)據(jù)，首先要把人類數(shù)據(jù)翻譯成機(jī)器人能理解的格式。

一旦翻譯完成，人類的演示就變成了機(jī)器人的補(bǔ)充教材，可以和機(jī)器人自己的數(shù)據(jù)無(wú)縫銜接，共同訓(xùn)練一個(gè)統(tǒng)一的策略模型。

這個(gè)策略模型因?yàn)樵跈C(jī)器人的語(yǔ)言環(huán)境下學(xué)習(xí)，所以訓(xùn)練完成后，可以直接部署到真實(shí)的機(jī)器人上，去執(zhí)行那些它從未執(zhí)行過(guò)的任務(wù)。這就是從人到機(jī)器人的直接運(yùn)動(dòng)轉(zhuǎn)移。

整個(gè)過(guò)程可以拆解為幾個(gè)關(guān)鍵步驟。

首先是數(shù)據(jù)采集。為了實(shí)現(xiàn)人機(jī)協(xié)同訓(xùn)練，我們需要兩套數(shù)據(jù)：人類的，和機(jī)器人的。

收集人類數(shù)據(jù)變得前所未有的簡(jiǎn)單。

研究人員使用一臺(tái)便攜的商用VR設(shè)備，比如Meta Quest 3，任何人、任何時(shí)間、任何地點(diǎn)，都可以成為數(shù)據(jù)的貢獻(xiàn)者。

這套系統(tǒng)不僅記錄了VR頭顯中佩戴者的手部關(guān)鍵點(diǎn)、手腕姿態(tài)，還通過(guò)一個(gè)固定在頭顯上的RGB攝像頭，同步錄制了第一人稱視角的圖像。

為了保證數(shù)據(jù)質(zhì)量，系統(tǒng)在VR視圖中提供了實(shí)時(shí)反饋。

一個(gè)框會(huì)提示你的手是否在攝像頭的拍攝范圍內(nèi)，另一個(gè)指示器則會(huì)告訴你VR設(shè)備捕捉到的手部姿態(tài)是否與你的真實(shí)手部精確對(duì)齊。

你甚至可以用一個(gè)簡(jiǎn)單的手勢(shì)，隨時(shí)終止并放棄不滿意的錄制。這種高效、低成本的數(shù)據(jù)收集方式，為獲取大規(guī)模、多樣化的人類操作行為數(shù)據(jù)鋪平了道路。

收集機(jī)器人數(shù)據(jù)則采用更傳統(tǒng)的遙操作方式。操作員戴上VR設(shè)備，他們的手部和手腕動(dòng)作被實(shí)時(shí)捕捉，并同步驅(qū)動(dòng)一臺(tái)機(jī)器人去復(fù)現(xiàn)這些動(dòng)作。

通過(guò)這兩個(gè)系統(tǒng)，團(tuán)隊(duì)構(gòu)建了一個(gè)名為MotionTrans的數(shù)據(jù)集。

這個(gè)數(shù)據(jù)集包含了3,213個(gè)演示，涵蓋了15個(gè)人類任務(wù)和15個(gè)機(jī)器人任務(wù)。

重要的是，這兩組任務(wù)集是完全不重疊的。

比如，人類數(shù)據(jù)里有拔掉充電器、擦毛巾等動(dòng)作，而機(jī)器人數(shù)據(jù)里則有把面包放到平臺(tái)上、把膠帶放到盒子里等。

數(shù)據(jù)集中的任務(wù)覆蓋了拾取、放置、傾倒、擦拭、推動(dòng)、按壓、打開(kāi)等一系列豐富的技能。

有了原始數(shù)據(jù)，接下來(lái)就是最關(guān)鍵的翻譯環(huán)節(jié)。

從VR設(shè)備采集的人類數(shù)據(jù)，其坐標(biāo)系、動(dòng)作格式都與機(jī)器人數(shù)據(jù)截然不同。為了讓它們能在同一個(gè)模型里訓(xùn)練，必須進(jìn)行格式塔轉(zhuǎn)換。

轉(zhuǎn)換的核心是統(tǒng)一觀察-動(dòng)作空間。這個(gè)空間由三部分構(gòu)成：圖像觀察、本體感受狀態(tài)（你可以理解為機(jī)器人的身體知覺(jué)，比如關(guān)節(jié)角度、末端位置）和動(dòng)作指令。

對(duì)于圖像觀察，人類和機(jī)器人都采用第一人稱視角。這樣，當(dāng)執(zhí)行相似任務(wù)時(shí)，看到的物體空間關(guān)系也相似，使得完成任務(wù)的動(dòng)作得以對(duì)齊。

對(duì)于手腕姿態(tài)，統(tǒng)一使用相機(jī)坐標(biāo)系。無(wú)論是人手還是機(jī)械臂，其位置都是相對(duì)于拍攝圖像的那個(gè)相機(jī)來(lái)定義的，確保了空間定義的一致性。

最棘手的是手部關(guān)節(jié)狀態(tài)的轉(zhuǎn)換。

人手有20多個(gè)自由度，而機(jī)器人靈巧手的設(shè)計(jì)各不相同。這里，研究人員使用了一個(gè)名為dex-retargeting的開(kāi)源庫(kù)。

它像一個(gè)聰明的翻譯，通過(guò)一個(gè)基于優(yōu)化的逆運(yùn)動(dòng)學(xué)求解器，能夠?qū)⒉蹲降降娜祟愂植筷P(guān)鍵點(diǎn)位置，實(shí)時(shí)地、高精度地映射成機(jī)器人靈巧手的關(guān)節(jié)角度。

經(jīng)過(guò)這番轉(zhuǎn)換，人類的演示數(shù)據(jù)就變得和機(jī)器人數(shù)據(jù)格式完全一樣了。你可以直接在真實(shí)機(jī)器人上重放這些轉(zhuǎn)換后的人類軌跡，就像播放一段為它量身定做的錄像。

在重放過(guò)程中，研究人員發(fā)現(xiàn)了兩個(gè)關(guān)鍵差異。

第一，人類的動(dòng)作速度遠(yuǎn)快于機(jī)器人。

過(guò)快的速度對(duì)機(jī)器人來(lái)說(shuō)可能是危險(xiǎn)且不穩(wěn)定的。解決方法很簡(jiǎn)單：插值。通過(guò)在姿態(tài)和關(guān)節(jié)狀態(tài)之間插入更多的中間幀，將人類數(shù)據(jù)的速度減慢了2.25倍。

第二，人手和機(jī)械臂的舒適工作區(qū)存在差異。

即使在同一個(gè)相機(jī)坐標(biāo)系下，人手習(xí)慣活動(dòng)的位置分布，也和機(jī)械臂的最優(yōu)工作范圍不完全重合。為了彌合這個(gè)差距，團(tuán)隊(duì)采取了兩個(gè)策略。

不使用絕對(duì)位置作為動(dòng)作指令，而是使用基于動(dòng)作塊的相對(duì)姿態(tài)。舉個(gè)例子，即使人手和機(jī)械臂的起始位置不同，但如果它們都向前移動(dòng)10厘米，這個(gè)相對(duì)動(dòng)作指令是完全相同的。這大大降低了對(duì)絕對(duì)位置的依賴。

鼓勵(lì)數(shù)據(jù)采集者在錄制時(shí)多變換視角，這增加了相機(jī)與目標(biāo)物體的相對(duì)位置關(guān)系的多樣性，迫使模型學(xué)會(huì)適應(yīng)更廣闊的工作空間。

最后一步，是如何將這些處理好的人類和機(jī)器人數(shù)據(jù)喂給模型。

MotionTrans探索了兩種當(dāng)前非常流行的端到端策略架構(gòu)：Diffusion Policy (DP) 和視覺(jué)語(yǔ)言動(dòng)作模型 π0-VLA。

DP模型像一個(gè)高斯噪聲的畫(huà)家，通過(guò)一步步去噪來(lái)生成未來(lái)的動(dòng)作序列。而π0-VLA則更強(qiáng)大，它集成了大規(guī)模預(yù)訓(xùn)練的視覺(jué)語(yǔ)言模型，不僅能看懂圖像，還能理解人類的自然語(yǔ)言指令。

訓(xùn)練中一個(gè)至關(guān)重要的細(xì)節(jié)是統(tǒng)一動(dòng)作歸一化。

在機(jī)器學(xué)習(xí)中，對(duì)輸入數(shù)據(jù)進(jìn)行歸一化（比如Z-score歸一化）是常規(guī)操作，可以提升訓(xùn)練穩(wěn)定性。以往的人機(jī)協(xié)同訓(xùn)練，通常對(duì)人類數(shù)據(jù)和機(jī)器人數(shù)據(jù)采用各自獨(dú)立的歸一化標(biāo)準(zhǔn)。

MotionTrans堅(jiān)持采用統(tǒng)一的歸一化標(biāo)準(zhǔn)，跨越人類和機(jī)器人所有數(shù)據(jù)，確保了度量衡的統(tǒng)一。

考慮到人類和機(jī)器人數(shù)據(jù)集的大小可能不平衡，訓(xùn)練時(shí)還采用了一種加權(quán)策略。通過(guò)一個(gè)權(quán)重系數(shù)α，來(lái)平衡兩部分?jǐn)?shù)據(jù)在總損失函數(shù)中的貢獻(xiàn)，確保模型對(duì)兩邊的知識(shí)雨露均沾，不會(huì)因?yàn)槟骋环綌?shù)據(jù)量過(guò)大而產(chǎn)生偏見(jiàn)。

通過(guò)這一整套精心設(shè)計(jì)的數(shù)據(jù)采集、轉(zhuǎn)換和訓(xùn)練流程，Motion-Trans為實(shí)現(xiàn)直接的、運(yùn)動(dòng)級(jí)別的技能轉(zhuǎn)移奠定了堅(jiān)實(shí)的基礎(chǔ)。

機(jī)器人零樣本學(xué)會(huì)了人類的動(dòng)作

實(shí)驗(yàn)結(jié)果驗(yàn)證了MotionTrans的有效性。在零樣本（Zero-shot）設(shè)定下，模型僅使用MotionTrans數(shù)據(jù)集進(jìn)行訓(xùn)練，然后直接部署到真實(shí)機(jī)器人上，去完成那13個(gè)它從未見(jiàn)過(guò)機(jī)器人演示的人類任務(wù)。

結(jié)果令人振奮。

在13個(gè)任務(wù)中，有9個(gè)任務(wù)實(shí)現(xiàn)了有意義的成功率。

比如在把橙子放入桶中（Orange-Bucket）這個(gè)任務(wù)里，無(wú)論是橙子這個(gè)物體，還是桶這個(gè)目標(biāo)容器，都從未在機(jī)器人訓(xùn)練數(shù)據(jù)中出現(xiàn)過(guò)。

但模型依然能夠成功地拿起橙子，并將其放入桶中。這證明了模型不僅僅是學(xué)會(huì)了簡(jiǎn)單的拾取和放置，而是實(shí)現(xiàn)了任務(wù)級(jí)別的泛化。

其他成功的任務(wù)還涵蓋了傾倒、拔出、提升、打開(kāi)和關(guān)閉等多種動(dòng)作。

即使在一些成功率不高的任務(wù)中，比如拔掉充電器，模型在失敗的嘗試中也始終表現(xiàn)出正確的運(yùn)動(dòng)趨勢(shì)。

這就引出了第二個(gè)發(fā)現(xiàn)：即使任務(wù)失敗，機(jī)器人也學(xué)會(huì)了有意義的運(yùn)動(dòng)。

為了更精細(xì)地評(píng)估這一點(diǎn)，研究人員引入了一個(gè)運(yùn)動(dòng)進(jìn)展分?jǐn)?shù)（Motion Progress Score）。

這個(gè)分?jǐn)?shù)不只看結(jié)果，更關(guān)注過(guò)程。比如，一個(gè)機(jī)器人雖然沒(méi)能成功拿起杯子，但它準(zhǔn)確地伸出手臂到達(dá)了杯子旁邊，那么它的得分就應(yīng)該比一個(gè)一動(dòng)不動(dòng)的機(jī)器人要高。

實(shí)驗(yàn)結(jié)果顯示，在所有13個(gè)任務(wù)上，模型的平均運(yùn)動(dòng)進(jìn)展分?jǐn)?shù)都達(dá)到了0.5左右（滿分1.0）。

這意味著，對(duì)于所有任務(wù)，機(jī)器人至少都學(xué)會(huì)了完成任務(wù)的部分子流程。比如，在擦毛巾（Wipe Towel）任務(wù)中，機(jī)器人學(xué)會(huì)了向前推動(dòng)毛巾；在按壓訂書(shū)機(jī)（Press Stapler）任務(wù)中，雖然機(jī)器人數(shù)據(jù)里沒(méi)有訂書(shū)機(jī)，但它依然表現(xiàn)出了接近訂書(shū)機(jī)的行為。

這證明，通過(guò)學(xué)習(xí)人類數(shù)據(jù)，機(jī)器人獲得了識(shí)別新物體并與之交互的意圖。

少量樣本即可引爆性能

零樣本轉(zhuǎn)移已經(jīng)足夠驚艷，但MotionTrans的價(jià)值不止于此。

在少樣本（Few-shot）微調(diào)的場(chǎng)景下，它的優(yōu)勢(shì)被進(jìn)一步放大。

所謂少樣本微調(diào)，就是假設(shè)我們可以為那些人類任務(wù)，收集極少量的（比如5個(gè)或20個(gè)）機(jī)器人演示數(shù)據(jù)，然后在預(yù)訓(xùn)練好的模型基礎(chǔ)上進(jìn)行微調(diào)。

實(shí)驗(yàn)結(jié)果清晰地顯示，使用MotionTrans完整數(shù)據(jù)集預(yù)訓(xùn)練過(guò)的模型，相比于從零開(kāi)始訓(xùn)練的模型，在微調(diào)后的平均成功率上提升了約40%。無(wú)

論是在5個(gè)樣本還是20個(gè)樣本的設(shè)定下，這個(gè)巨大的優(yōu)勢(shì)都穩(wěn)定存在。這說(shuō)明，人機(jī)協(xié)同預(yù)訓(xùn)練為下游任務(wù)的微調(diào)提供了極其寶貴的運(yùn)動(dòng)先驗(yàn)知識(shí)。

為了探究這個(gè)優(yōu)勢(shì)的來(lái)源，研究人員還對(duì)比了只用機(jī)器人數(shù)據(jù)預(yù)訓(xùn)練和只用人類數(shù)據(jù)預(yù)訓(xùn)練的效果。

結(jié)果發(fā)現(xiàn)，人機(jī)協(xié)同預(yù)訓(xùn)練（MotionTrans）的效果最好。其次是只用機(jī)器人數(shù)據(jù)預(yù)訓(xùn)練，效果最差的是只用人類數(shù)據(jù)預(yù)訓(xùn)練。

這個(gè)排序很有啟發(fā)性。在預(yù)訓(xùn)練階段，機(jī)器人數(shù)據(jù)提供了與最終部署時(shí)完全一致的身體信息，即便任務(wù)不同；而人類數(shù)據(jù)則提供了與最終任務(wù)完全一致的任務(wù)信息，但身體不同。

實(shí)驗(yàn)結(jié)果表明，在預(yù)訓(xùn)練中，保持身體（embodiment）的一致性，比保持任務(wù)的精確匹配更重要。因?yàn)椴煌瑱C(jī)器人任務(wù)之間的運(yùn)動(dòng)模式也存在共通性，這些共通性可以有效地遷移到新的任務(wù)上。

運(yùn)動(dòng)轉(zhuǎn)移的秘密：插值與泛化

MotionTrans是如何實(shí)現(xiàn)這種神奇的運(yùn)動(dòng)轉(zhuǎn)移的？

研究人員通過(guò)一個(gè)精巧的案例研究，揭示了其背后的機(jī)制。

他們選擇了一個(gè)在零樣本實(shí)驗(yàn)中成功率很高的任務(wù)把面包放入桶中（Bread-Bucket）作為研究對(duì)象。他們關(guān)注一個(gè)具體的動(dòng)作維度：物體放置的高度。

在訓(xùn)練數(shù)據(jù)中，有三個(gè)與面包相關(guān)的任務(wù)：

1.  人類數(shù)據(jù)： 把面包放入桶中（H-bucket），放置高度約為15.3厘米。

2.  機(jī)器人數(shù)據(jù)： 把面包放到一個(gè)薄墊子上（R-pad），放置高度約為0.3厘米。

3.  機(jī)器人數(shù)據(jù)： 把面包放到一個(gè)高平臺(tái)上（R-platform），放置高度約為20.7厘米。

實(shí)驗(yàn)結(jié)果非常清晰：

• 如果只用人類數(shù)據(jù)（H-bucket）訓(xùn)練，成功率為0。
• 如果加入低處放置的機(jī)器人數(shù)據(jù)（R-pad），模型會(huì)將面包放在桌面上，而不是桶里。
• 如果加入高處放置的機(jī)器人數(shù)據(jù)（R-platform），模型會(huì)嘗試把面包抬高，但高度不夠，成功率只有30%。
• 只有當(dāng)同時(shí)加入低處（R-pad）和高處（R-platform）的機(jī)器人數(shù)據(jù)時(shí)，模型才能準(zhǔn)確地將面包放入中等高度的桶中，成功率飆升至80%。

這個(gè)實(shí)驗(yàn)有力地支持了一個(gè)假設(shè)：運(yùn)動(dòng)轉(zhuǎn)移是通過(guò)插值實(shí)現(xiàn)的。

模型通過(guò)學(xué)習(xí)機(jī)器人數(shù)據(jù)，掌握了自己身體的安全操作范圍（比如，它可以把物體放在0.3厘米到20.7厘米之間的任意高度）。

然后，當(dāng)它看到人類演示中把面包放入桶中這個(gè)任務(wù)時(shí)，它理解了任務(wù)的目標(biāo)。

在執(zhí)行時(shí)，它并沒(méi)有盲目模仿人類的動(dòng)作，而是在自己已知的、安全的動(dòng)作空間內(nèi)，通過(guò)插值，生成了一個(gè)全新的、既符合任務(wù)要求（放入桶中），又適合自己身體（高度在0.3到20.7之間）的動(dòng)作。

人類數(shù)據(jù)教會(huì)了它做什么（任務(wù)感知），而機(jī)器人數(shù)據(jù)教會(huì)了它怎么做（身體感知）。兩者的結(jié)合，才催生了這種強(qiáng)大的泛化能力。

視覺(jué)感知的轉(zhuǎn)移也同樣重要。

通過(guò)Grad-CAM等可視化工具分析模型的注意力，研究人員發(fā)現(xiàn)，無(wú)論是在處理人類數(shù)據(jù)還是在機(jī)器人上部署時(shí)，模型的注意力都高度集中在當(dāng)前正在操作的物體上。

這表明，模型學(xué)會(huì)了跨越身體的差異，來(lái)識(shí)別和關(guān)注任務(wù)相關(guān)的物體，實(shí)現(xiàn)了視覺(jué)能力的有效遷移。

最后，隨著訓(xùn)練數(shù)據(jù)量的增加，模型的零樣本性能也穩(wěn)步提升，這符合我們對(duì)機(jī)器學(xué)習(xí)的普遍認(rèn)知：更多、更多樣的數(shù)據(jù)，能帶來(lái)更強(qiáng)的泛化能力。

MotionTrans框架及其背后的發(fā)現(xiàn)，為機(jī)器人操作策略的學(xué)習(xí)開(kāi)辟了一條充滿希望的新路徑。

它證明了直接從人類數(shù)據(jù)中進(jìn)行運(yùn)動(dòng)級(jí)別的學(xué)習(xí)是完全可行的，并為如何有效利用這些寶貴數(shù)據(jù)提供了清晰的框架和原則。

這項(xiàng)工作的所有數(shù)據(jù)、代碼和模型都已開(kāi)源。