人类

更通俗点理解，就是它有两个分工明确的大脑，一个「视觉大脑」负责理解视频、定位进度和预测未来场景，另一个「动作大脑」负责把视觉目标变成机器人动作：视觉大脑（Localization&Vision）：先看懂机器人干到哪一步了，对应的人类视频到哪一步。

比如用5847段人类任务视频和对应的机器人轨迹配对，让它学会把人的执行任务的画面翻译成机器的视角，好从人类视频学习。

而出山之后，再遇到新任务，直接把人类视频当操作指南，边看边干就行。

随后，三种基线通过监督微调学习新任务，HOST则通过一段人类视频获取新技能，再重新测试各自的旧任务表现。

不强行模仿人类手臂的角度，只盯着需要实现的最终效果，然后从最终效果想象出动作。

不再模仿人类动作，而是想象结果、反推动作

你可能会问：让机器人看视频，不就是对着人类动作照猫画虎吗？

然后根据人类动作结果，脑补出将这个画面转换为机器人视角应当看到的画面（比如想象出水杯被夹爪拿起的画面）。

让机器人直接复制人类动作，很难得到有用的结果。

这样就绕过了「让机器人模仿人类动作」这个最难的跨越。