先学会移动，再学会做：与任务无关的 VLA 预训练

视觉-语言-动作（VLA）模型从根本上受到缺乏专家演示的瓶颈——观察、指令和动作的三元组，大规模收集的成本很高。我们认为，这一瓶颈源于两个不同学习目标的合并：获得身体能力（如何移动）和获得语义对齐（做什么）。至关重要的是，只有后者需要语言监督。基于这种分解假设，我们提出了与任务无关的预训练（TAP），这是一个两阶段框架，首先通过自我监督的逆动力学目标，从廉价的、未标记的交互数据（包括丢弃的任务外轨迹和自主机器人游戏）中学习可转移的运动先验。然后，轻量级的第二阶段使用最少的专家数据将这些先验以语言为基础。在 SIMPLER 基准上，TAP 匹配在超过 100 万条专家轨迹上训练的模型，同时使用数量级较少的标记数据，与标准行为克隆相比，绝对增益提高了 10%。在现实世界的 WidowX 平台上，TAP 在摄像头扰动下保持了 25% 的成功率，而互联网规模的基线下降到 0%，这表明与任务无关的预训练可以产生强大的、可转移的物理表示，并为 Embodied AI 提供可扩展的前进道路。