对人来说，包馄饨往往只是一个再普通不过的动作：一手托皮，一手挑馅，对折、捏边、收口。可放到机器人身上，这类动作难度很高。手掌要持续承托一张会变形的面皮，手指要感受馅料和面皮的回弹，两只手还得在合适的时机完成交接。
自然意志（Nature Will）最新发布的 Natura-1，正是朝这个方向推进的一次尝试。在一段 1 分 12 秒、原速、一镜到底的视频里，一双机器人灵巧手完成了包馄饨的全过程。
驱动这双手的是一个 50B 参数的混合专家（MoE）模型。根据自然意志介绍，Natura-1 在 100 万小时第一人称视角人类经验数据上完成预训练，以语言和视觉为输入，在 100 毫秒控制回路里驱动 20 自由度的灵巧手。
如果说包馄饨回答的是「能不能做好」，那 Natura-1 试图回答的，是另一个更难的问题：换成一个没练过的任务，模型能不能直接上手。
灵巧操作与通用能力为何难同时成立
灵巧操作本身就是机器人领域的难题。人手有二十多个自由度，日常物体又常常柔软、易变形、会回弹，每一次接触都会改变物体状态，机器人只能边做边调。与此同时，自由度越高，控制复杂度也会指数级增长。
平行夹爪能显著简化控制，但代价也很直接：很多需要承托、捻转和双手配合的动作，很难完成。自然意志团队的判断是，过去不少工作因此分成两端：一类面向夹爪追求通用策略，另一类则围绕单个任务打造灵巧操作系统。
在通用能力这一侧，行业已经出现 π0.7 等进展。但要把这种通用性落到灵巧手上，首先会卡在数据。泛化依赖大规模、多样化训练数据，而真机数据本来就昂贵，灵巧手的遥操作采集又慢又难。
团队还提到一个更根本的循环：机器人只能在它已经会工作的地方采集数据，而它又只能在已有数据覆盖的地方工作。要打破这个循环，数据来源就不能只依赖机器人本身。
于是，越来越多团队开始转向一个现成的数据源——人类自己的操作经验。
今年 2 月，英伟达等机构发布 EgoScale，使用 20,854 小时第一视角人类操作视频预训练 VLA 模型，并观察到数据规模与验证损失之间存在对数线性关系。部署到 22 自由度灵巧手后，平均成功率比不做人类数据预训练的基线高出 54%。
半年后，这个量级又被推高约 50 倍。8 月 10 日，美国机器人公司 Dyna Robotics 发布世界—动作模型 DYNA-2，预训练使用超过 100 万小时第一视角人类视频，且预训练阶段不含任何机器人数据。按照 Dyna 的报告，数据从 1000 小时逐级扩大到 100 万小时后，模型在 14 个机器人任务上的平均归一化得分从 20% 升至 53%。
不过，这两项工作都没有绕开同一个环节：人类经验要落到具体任务上，仍需要额外适配。EgoScale 依赖少量人机对齐数据做中间训练，DYNA-2 则在每个评测任务上使用了最多 10 小时机器人数据做后训练。
在这样的背景下，自然意志提出的问题变得更具体：在一双高自由度灵巧手上，人类经验能不能不经过逐任务适配，直接迁移到新任务上。
Natura-1 的定位：一个模型，同时追求灵巧与零样本
自然意志成立于 2026 年 1 月，由清华大学电子工程系助理教授丁宁创立。公司将自己定义为以物理世界基础模型为核心的研究型公司，目标是通用物理智能（Physical AGI），也就是训练能在真实世界中完成感知、预测、推理与动作闭环的通用基础模型。
自然意志团队对机器之心表示，这一方向建立在两个判断上：其一，通用的物理世界基础模型有可能成立；其二，人类第一视角数据已经具备规模化采集条件。
团队称，这背后的方法论延续自大语言模型研究：模型、数据和基础设施需要一起发展。团队对机器之心表示：「我们沿用了大语言模型研究中模型规模和数据规模配合增长的思路。早期先用较小的模型和数据快速验证架构，确认方向后再逐步扩大，而不是一开始就确定必须做一个 50B 模型。」
Natura-1 是自然意志的第一个物理世界通用基础模型。训练分为两步：先在 100 万小时人类经验数据上预训练，再用有限机器人数据做一轮高效后训练，把预训练中学到的世界知识适配到灵巧操作上。
与把「看懂指令」「预测世界」「生成动作」拆成不同模块的系统不同，Natura-1 采用单一 MoE Transformer，在语言、图像、视频和动作上联合训练。它瞄准两项能力：
- 灵巧操作：依托灵巧手完成多指协同、物体姿态调整和复杂接触。
- 零样本指令遵循：面对未见过的场景和任务，直接依据自然语言指令完成操作，包括处理空间约束、多物体关系和否定条件。
六段一镜到底演示：从包馄饨到写毛笔字
为了展示灵巧操作能力，自然意志团队放出了 6 个长程任务 demo。除包馄饨外，还包括泡茶、做酸奶碗、打包快递、贴手机膜和写毛笔字。最长一段超过 3 分钟，全部为原速、一镜到底、无人工干预。
这些演示都不是单一步骤。每段流程里，机器人都要连续处理液体、颗粒、柔软工具和柔性部件。
以贴手机膜为例，这段演示时长约 3 分钟。Natura-1 先擦拭屏幕，再把预装保护膜的对位框套上手机，双手对齐并压实；随后，一只手把手机和对位框抵在夹具上，另一只手连贯抽出离型膜，最后再用指尖沿边角推压，把气泡赶走。
在打包快递任务中，模型需要在拉菲草、毛绒玩具和笔记本之间切换抓取方式，一只手压住会回弹的箱盖，另一只手推动胶带器封箱，最后贴标签、扫条码。
这类动作的共同点在于，执行过程会不断改变物体形状和接触条件，模型必须依据实时反馈持续修正，而不是沿着固定轨迹走完。
团队也特别说明，这 6 段演示展示的是任务微调后的操作深度。要判断能力能否迁移到没练过的任务上，还要看零样本测试。
零样本测试：不为测试任务追加采集和训练
自然意志团队对机器之心解释，他们所说的 Zero-shot，是指模型完成预训练和真机后训练后，不再针对测试任务专门采集数据、追加训练，而是直接接受指令并执行。
团队搭建了一套覆盖 12 个能力维度的基准测试。测试任务及其场景、动作组合都没有出现在后训练数据中。每段测试视频旁边，还并排放出训练集中最相近的示范，供外界判断差异。
例如有一项任务要求把苹果放进碗里、把瓶子放上托盘，再把托盘端走。训练集中只有「拿起水果」和「端起已装好的托盘」这样的分立动作。Natura-1 则把这些动作组合起来，端托盘时也没有碰到旁边另一只托盘。
在这套基准上，π0.5 和 OpenAI 的 GPT-6 Astra——后者以编写代码的方式充当控制策略——在灵巧手平台上都未能得分。换到夹爪平台后，两者分别得到 13.5 分和 16.7 分。Natura-1 在灵巧手上得到 53.4 分（Base）和 59.1 分（Agentic）。
团队还表示，Natura-1 在执行时间上也有明显优势。
除了基准测试，团队还用研究员日常临时想到的开放指令做了测试，其中不少题目刻意设置得较为刁钻。比如同样是把牙刷盒和水瓶放进筐里，指令分别要求双手同时放、先左后右、先右后左，Natura-1 都按要求执行。
对于「未见过」这一说法，团队也给出限定：预训练数据覆盖很广，其中可能已经包含相关物品和操作经验，因此这里的「未见过」，主要是相对于真机后训练而言。团队举例称，按下笔记本电脑空格键这个任务没有出现在机器人后训练数据里，但在人类视频中很可能出现过类似动作。
这也说明了这一路线下零样本的含义：人类视频中的经验，能否在没有对应机器人数据时，被直接调用到真机上。团队对机器之心表示：「我们关注的，不只是换一个物体还能不能抓取，也包括面对没有专门训练过的任务要求，能否把已有能力组织起来、完成任务。」
团队观察到的涌现行为：失败恢复与临时改策
在正式测试之外，团队还记录到一些不在计划内的行为。
一个刻意布置的场景中，装着毛线的篮子放在够不到的高台上，提手里穿着一根长杆，指令只有一句「试试拿到毛线（Try to grasp the yarn）」。Natura-1 先抓住长杆把篮子拉近，再一只手稳住长杆，另一只手取出毛线。
另一次，模型没能从边缘捏起一张扑克牌，于是改为把牌推到盒子边缘，让一部分悬空，再双手配合拿起。团队介绍，这些中间步骤在机器人示范数据里都没有对应。
团队回忆，在数据规模较小时，模型如果没抓住，手仍会按原计划继续移动；规模扩大后，模型开始能及时调整并重新尝试。自然意志团队对机器之心表示：「我们在真机后训练中并没有刻意采集这类失败恢复示范，但模型仍然表现出了恢复能力。我们的判断是，大规模人类预训练数据包含了丰富的调整和重试经验，模型从中学到了如何应对操作中的变化。」
不过团队也表示：「这是我们在扩大训练规模时观察到的现象；具体能力来源和机制，还需要进一步研究。」
能力从哪里来：数据、模型与基础设施一起设计
在自然意志团队看来，长程灵巧操作和零样本泛化不会偶然出现。人类经验数量足够大，但只是原料，要把它转成机器人动作，需要数据、模型和基础设施同时配合。
- 数据负责给每段录像配上语言和动作监督。
- 模型负责从每条轨迹里学到尽可能多的信息。
- 基础设施既要支撑大规模训练，也要在 100 毫秒内完成推理。
Natura-1 的训练数据来自筛选后的 100 万小时第一视角人类经验，包含约 6170 万个片段、31.8 万个任务和 1.4 万个场景，以受控采集为主，并辅以互联网第一视角视频。
团队使用结构化任务分类体系和智能体工作流分析覆盖缺口，把采集优先级调整到稀缺区域。原始录像需要经过清洗去重、动作重建和分层语言标注，才能变成「视频—语言—动作」轨迹。按照团队说法，在内部基准上，其自研动作重建管线的关节位置误差比现有开源方法低 41%。
团队认为，选择人类数据和选择灵巧手，其实是同一个决定。团队对机器之心表示：「家庭和工业场景中的很多工具、操作方式都是围绕人手设计的，我们希望机器人能够适应这些工具，而不是每进入一个场景都重新改造工具和流程。」
另一方面，人类第一视角数据更容易规模化采集，而使用灵巧手，可以保留更丰富的手部动作信息，减少把人手动作压缩成夹爪开合时的信息损失。
基础设施
「Make everything scalable」是自然意志团队的技术理念。
数据侧，数据湖仓管理着数十 PB 数据，基于 Kubernetes 的并行管线每周能产出 35 万小时，吞吐随算力近似线性增长。团队介绍，这套管线的设计目标是：当数据量增加 10 倍时，通过相应增加约 10 倍资源，仍能在接近原来的时间内完成处理，而不必重新搭建整套系统。
训练侧，自研框架在数百张 GPU 上实现超过 50% 的模型算力利用率，自研注意力算子的吞吐是调优后 FlexAttention 的 6 倍以上。
推理侧，用 Rust 重写的服务框架把端到端延迟压进 100 毫秒，满足真机实时控制。
团队表示：「这背后的思路与大语言模型的基础设施建设是一致的：数据和模型规模会持续增长，系统需要提前为这种增长做好准备。」
模型
Natura-1 把整个任务片段按语言、图像、视频和动作 token 排成一条序列，采用自回归建模，骨干是标准的 MoE Transformer。
它的核心思路，是把视频和动作看作同一物理状态的两种投影。动作标签稀缺，视频却更丰富，因此模型以前序视频作为记忆、预测未来视频，并用流匹配同时训练视频与动作，从每条轨迹中获得更多监督。
为了避免模型只看画面而忽略指令，预训练阶段还借助细粒度描述让语言承担更高权重，使不同意图对应不同预测结果。
团队给出的 Scaling 曲线显示，训练经验从约 4.4 万小时增加到 100 万小时后，模型在人类留出数据上的动作预测误差（MSE）下降 47.7%；同一套权重在真机留出数据上的误差下降 67.7%。团队说明，这两项指标是 Teacher Forcing 下的预测误差，而不是任务成功率，但它们说明人类经验规模增长确实能传导到机器人表现上。
后续方向与行业背景
自然意志认为，Natura-1 已经给出了灵巧与通用可以共存的早期证据。对于下一阶段，团队对机器之心表示：「我们最核心的目标，是继续提升模型在不同任务和场景中的泛化能力，并让它更可靠地完成真实世界里的复杂任务。」
团队称，目标是从「能够完成部分步骤」走向「稳定、高效地完成整件事情」。为此，他们计划把触觉信息加入数据和模型，在更大规模数据上预训练，降低迁移到机器人时的适配成本，并让模型能在更便宜的硬件上运行。团队预计，这会是一项长期投入。
放到更大的行业背景里，这一路线正在从少数团队的押注，变成越来越多人的共识。今年 6 月，一项名为 HumanScale 的研究在相同数据规模下比较了两种预训练数据，结果显示第一视角人类视频的效果可以超过遥操作采集的真机数据，在分布外泛化上的优势最明显。8 月发布 DYNA-2 的 Dyna Robotics 也表示，下一步要把训练规模扩大到 1000 万小时。
当百万小时不再稀缺，竞争重点也在变化：同样的人类视频，能否被更准确地重建成动作、标注成语言；模型落到机器人身上时，需要多少适配；以及该用什么样的本体去承接这些经验。
Natura-1 选择的是其中难度最高的一种组合：用一双高自由度灵巧手承接人类经验，并让同一个模型直接面对没练过的任务。这条路线能走多远，既取决于灵巧手的稳定性和成本能否跟上，也取决于人类经验的 Scaling 曲线能否继续延伸。
在一个由人手塑造、供人手取用的世界里，向人手学习能让机器人走多远，Natura Will 给出了一份可以被检验的早期答卷。