受AlphaGo到AlphaZero强化学习思路启发，研究团队推出AlphaNIST项目，将该理念应用于接触密集、高精度的机器人装配任务。项目以美国国家标准技术研究院（NIST）装配任务板#1为基准，该任务板包含二十项装配任务，最小零件仅4毫米，配合公差极小，倾斜的螺母可能卡死或错扣螺纹。与传统依赖人工示教或分阶段编程的方式不同，AlphaNIST采用端到端策略，仅提供任务成功与否的二元奖励，通过大规模仿真训练让机器人自主探索装配方法。训练中，单一策略需覆盖全部二十项异构装配任务，起始状态包括散落零件、手内抓握及仿真缓存的半成品组件；近完成的起始状态让机器人先练习收尾步骤。成功引导采样机制优先练习策略约半数可解的状态，并随学习进展动态调整采样权重。实验显示，跨二十项任务统一训练的单一策略，训练成功率超过二十个各自专精的独立策略；而增加到达与对齐等辅助奖励反而降低成功率。训练过程还涌现出多种未经设计的技能，如重新抓取销钉留出插入空间、借助板面接触翻转连接器、指尖敲击旋合螺母、绕行拧紧螺纹等类人操作行为，团队已演示连续完成十个零件的完整装配流程。
事件分析
技术层面，该工作的核心价值在于验证了最少监督路线在接触密集操作任务中的可行性：不用人工示教、不分阶段建模，仅凭二元奖励即可让单一策略覆盖二十项异构装配，涌现出的换手重抓、借力翻转等技能具有明显的类人操作特征。状态缓存与成功引导采样构成的课程机制，为长时程操作任务中的稀疏奖励问题提供了工程化解法，这比单纯的算法创新更具复用价值。产业影响方面，精密装配是工业自动化中最难标准化的环节之一，若该路线完成从仿真到真机的迁移验证，将直接影响电子制造、汽车零部件等装配场景的自动化方案选型。目前所有结果均在仿真中完成，真机泛化能力是最大不确定性。后续值得关注的方向包括sim-to-real迁移效果、与视觉触觉感知的结合，以及该范式在人形机器人操作技能训练中的复用潜力。
核心观点：放弃示教、只给目标，机器人反而涌现出工程师想不到的装配技巧，通用操作技能的获取范式正在被改写。
原文链接：Hacker News
