端到端学习

定义

端到端学习（end-to-end learning）是指用单一学习模型直接从原始输入（如摄像头图像、关节编码器读数）预测最终输出（如关节力矩或动作序列），省去传统「感知模块 → 任务规划模块 → 运动控制模块」的手工分层设计。在具身智能场景中，端到端策略通常以神经网络实现，输入来自机器人的感知流，输出是可执行的动作指令，中间不引入人工定义的中间表示。

为什么重要

传统分层架构依赖大量手工工程，每个模块的误差会逐层累积，且难以对系统整体目标进行全局优化。端到端学习绕过这些人工设计的接口，让模型自主发现最优的中间表示，在灵巧操作等高自由度任务上展现出明显优势。它是当前 VLA 范式的理论基础，也是人形机器人「从工程驱动转向数据驱动」这一代际转变的核心信号。对行业观察者而言，一家公司是否走端到端路线，是判断其技术赌注与数据需求的关键线索。

技术现状

端到端策略的主流实现包括行为克隆（imitation learning）、扩散策略（diffusion policy）以及结合大语言/视觉模型的 VLA 架构。训练依赖大量高质量的人类示范数据（遥操作采集），数据规模与多样性直接决定模型的泛化能力。当前最大的技术挑战是安全性与可解释性：纯端到端系统在分布外场景（out-of-distribution）可能产生难以预测的失败模式，缺乏可人工干预的中间节点。因此多数量产导向的公司采取「混合架构」——用端到端模型处理感知与操作，保留传统控制层处理安全关键的运动。

谁在做

Physical Intelligence 的 π0 是当前端到端操作策略的代表；Skild AI 以通用端到端机器人基础模型为核心主张；Figure AI 的 Helix 模型走端到端 VLA 路线用于上肢操作；Tesla Optimus 和 Unitree 在端到端与传统控制的混合点各有取舍。

数据待补

各家端到端方案在标准 benchmark 上的对比数据分散且口径不统一，暂只放已核实的技术路线与架构描述，不放未经核对的性能排名。