不教步骤，装配技能如何从奖励中涌现？

一句话判断

不教步骤，装配技能如何从奖励中涌现？

随机初态下，M4螺母、4mm插销和杆件插入的独立策略成功率不超过0.3%，主要卡在抓取。AlphaNIST把20类装配交给共享策略训练，却出现了成功抓取并装配的轨迹。

这体现了跨任务正迁移：不同任务的经验，可能帮助策略突破单任务探索的瓶颈。但具体技能如何迁移，尚未被逐项隔离验证。

一个共享PPO策略，根据零件与配合几何的表面点云、机器人状态和上一动作，输出关节目标与夹爪指令。

没有专家示范、预设动作原语或逐任务调参。完成装配才给任务成功奖励，中间不奖励靠近、对齐；每步仍保留动作、速度和力矩代价。

不同几何共享完整装配目标，让策略有空间寻找各自有效的操作方法。

↳ 放下零件重新抓，露出更多插入端。
↳ 借板面接触调整零件朝向。
↳ 先暂存USB-A，完成杆件后再返回插接。

这些技巧没有被专项奖励逐项指定。连续装配也没有显式规划器规定顺序；10对全部完成，才获得一次任务成功奖励。

⚠️ 无示范，不等于没有探索支撑
缓存初态覆盖散放、在手、搬运和部分装配；成功引导采样优先练习中等难度条目。保持二元目标，改用均匀采样，评测从97.4%降至84.3%。

全部结果来自仿真，98.2%不能当工业可靠率；覆盖20类任务，也不等于一次完成整块20件装配板。

💡 多样性如何转化为能力？
本篇支持的是：共享目标、任务多样性、初态覆盖和经验分配共同作用，能让部分单练难例变得可解。

这还不是“任务越多越聪明”的scaling law。更值得检验的是：扩大任务集合后，正迁移能否持续，以及这些重抓、接触调整和协调行为能否迁移到真机。