5月7日，北京星动纪元科技有限公司宣布开源首个AIGC（生成式人工智能）机器人大模型。这一突破性成果有望加速人形机器人的商业化落地，为全球机器人领域带来新的发展动力。
此次开源的VPP（Video Prediction Policy）模型，由清华大学交叉信息院ISRLab和星动纪元联合研发，其技术论文已入选国际机器学习大会ICML2025 Spotlight。该会议是机器学习领域的顶级学术会议，今年的 Spotlight 论文中稿率不到2.6%，VPP能够入选，足以证明其在技术上的创新性和领先性。
VPP模型将视频扩散模型的泛化能力引入通用机器人操作策略，有效解决了 diffusion 推理速度的难题，实现了机器人对未来场景的实时预测与动作执行，大幅提升了策略泛化性。传统的机器人模型往往依赖大量高质量的真机数据进行训练，数据获取成本高且效率低。而VPP模型另辟蹊径，通过利用海量互联网视频数据进行训练，直接学习人类动作，大大降低了对真机数据的依赖程度。这意味着机器人能够以更低的成本、更快的速度学习到丰富多样的操作技能，并且可以在不同人形机器人本体之间灵活切换，为机器人的广泛应用提供了可能。
在技术创新方面，VPP模型采用了两阶段学习框架。第一阶段，利用视频扩散模型学习预测性视觉表征，让机器人能够“看懂”未来的场景，提前做好行动规划；第二阶段，通过 Video Former和DiT扩散策略进行动作学习，将视觉信息转化为具体的动作指令。这种创新的架构设计使得VPP模型能够提前预知未来场景，让机器人仿佛 “看着答案” 行动，显著增强了其在复杂环境中的泛化能力。经过测试，VPP模型的视频预测结果与机器人实际物理执行结果几乎一致，展现出极高的准确性和可靠性。
同时，星动纪元研究团队还通过优化模型，实现了高频预测和执行。研究发现，通过有效提取视频模型中间层的表征，单步去噪预测就能蕴含大量未来信息，这使得模型预测时间小于 150ms，预测频率约6 – 10hz，控制频率超过50Hz。相比只能学习不同维度低维度action信息的VLA模型，VPP模型可以直接学习各种形态机器人的视频数据，不存在维度适配问题，并且能够直接学习人类操作数据，进一步降低了数据获取成本，提高了模型泛化能力。
