规模化机器人操作中，多样性是否就是唯一关键？

数据规模驱动了自然语言处理（NLP）和计算机视觉（CV）中基础模型的显著成功，但机器人操作中有效数据规模的原则仍不够清晰。本文通过考察三个关键维度——任务（做什么）、本体（使用哪个机器人）和专家（由谁演示）——来探讨数据多样性在机器人学习中的细微作用，挑战了“多样性越大越好”的常规直觉。在对 various 机器人平台进行大量实验后，我们发现：（1）任务多样性比单项任务演示数量更关键，能促进从多样化预训练任务到新下游情境的迁移；（2）多本体预训练数据对跨本体迁移是可选的——在高质量单本体数据上训练的模型能高效迁移到不同平台，微调时的扩展性能优于多本体预训练模型；（3）专家多样性——源于个体操作偏好和人类演示的随机变异——可能干扰策略学习，速度多模态性是关键贡献因素。基于这些发现，我们提出了分布去偏方法以缓解速度歧义，GO-1-Pro 采用后在性能上实现了约 15% 的显著提升，相当于使用 2.5 倍的预训练数据。总体而言，这些发现为如何有效扩展机器人操作数据集提供了新视角和实用指导。