来源：未来索引

原文链接：https://mp\.weixin\.qq\.com/s/75cThzwP1ButXnr0O4e3Wg

如果说 ChatGPT 是让 AI 学会了人类的语言，那么 OAT (Ordered Action Tokenization) 则是让 AI 掌握了物理世界的“语法”。这不仅是编码方式的改变，更是机器人从“专用工具”向“通用智体”进化的关键一跃。

最近，具身智能（Embodied AI）领域发生了一次静悄悄的“地震”。与其关注那些花哨的后空翻机器人，不如把目光聚焦到底层控制逻辑的重构上。

真正决定机器人能否迎来“ChatGPT 时刻”的，不是硬件的自由度，而是动作表征（Action Representation）的离散化与标准化。

我们要深度拆解的技术主角是 OAT (Ordered Action Tokenization)。如果用一句话总结它的价值：它通过引入“层级秩序”，将连续的物理动作转化为 Transformer 可理解的离散 Token，从而正式打通了机器人控制领域的 Scaling Law（规模定律）。

一、 困局：物理世界的“巴别塔”

为什么 GPT 已经能写出莎士比亚风格的诗歌，而我们的扫地机器人还在和墙角较劲？

核心矛盾在于：语言是离散的，而物理世界是连续的。

LLM 的世界

机器人的世界

传统的做法是直接回归（Regression），但这带来了一个巨大的问题：动作空间无限且无法通用。A 机器人的关节数据扔给 B 机器人完全是乱码。这导致机器人数据像“孤岛”，无法通过堆数据量（Scaling）来产生智能涌现。

二、 破局：OAT 的“有序”革命

OAT 的出现，并不仅仅是造了一套“字母表”（Tokenization），它的核心在于 Ordered（有序）。

1. 每一个动作，都是一组“从略到详”的序列

传统的 VQ-VAE（矢量量化）只是把动作压缩成 ID，是无序的。而 OAT 采用了基于 RVQ（残差矢量量化）的分层策略，通过掩码机制（Nested Dropout）强制模型学习一种层级结构：

前几个 Token

后几个 Token

2. “画素描”式的控制逻辑

这就像人类的直觉：当我们要抓水杯时，大脑首先发出的是“伸手去那个方位”的宏观指令，随着手接近杯子，再精细调整手指的姿态。

OAT 让 Transformer 也能模拟这种过程。这带来了一个杀手级特性：Anytime Inference（随时推理）。

如果算力紧张，机器人可以只解码前几个 Token，做一个“大概正确”的动作（虽然粗糙，但极快）；如果算力充足，则解码完整序列，做到精准操作。这在这个实时性要求极高的物理世界至关重要。

三、 跨越 Scaling Law：让物理世界可被“预测”

一旦物理动作被成功转化成了有语法、有层级的 Token 序列，Scaling Law 的魔力就开始生效了：

1.  统一语言（Unified Vocabulary）：无论是机械臂、人形机器人还是四足狗，它们的动作都可以被映射到同一个 Token 空间。这使得跨形态（Cross-embodiment）的大规模预训练成为可能。

2.  自回归的威力（Autoregressive Power）：我们可以像训练 GPT 续写小说一样，训练机器人“续写”动作。给它看 1000 万小时的视频，它就能学会预测下一个动作 Token 应该是什么。

3.  从模仿到泛化：由于 OAT 的离散特性，模型更容易捕捉到动作的高层语义（Semantics），而不是死记硬背底层的轨迹坐标。这意味着机器人遇到没见过的杯子，也能根据“抓取”在这个语义下的通用 Token 序列，推导出正确的动作。

四、 结语：物理世界的“数字化”

OAT 的本质，是将连续、混沌的模拟信号（Analog），坍缩成了离散、有序的数字信号（Digital）。

当物理世界的因果律被压缩成一组组有序的 Token，机器人将不再是只能执行代码的机械装置，而是能够理解物理世界语法的“数字化物种”。

原文链接: https://www.leiphone.com/category/private/eLekbNQ46OQnwtTC.html