让机器人理解“把红色方块推到角落”这类指令，看似简单，实则充满挑战。问题不在于机器人能否识别物体或确定位置，而在于如何将“当前状态与目标状态”转化为具体的手臂动作。传统方法依赖世界模型，通过反复模拟和搜索来寻找可行方案，但这种方式效率低下，计算成本高昂。浙江大学和清华大学的研究团队提出了一种名为INTACT的新方法，彻底改变了这一局面。
传统机器人控制系统通常基于世界模型，即机器人通过观察环境构建“世界地图”，预测执行某个动作后的结果。要达成目标，系统会生成大量随机动作序列，模拟未来状态，筛选出最接近目标的方案。这一过程如同没有地图的行人，在城市中盲目探索，耗时且资源消耗大。研究团队将这种方法称为CEM（交叉熵方法），实验显示，每次规划需1.48秒，生成9000条候选序列，对需要快速反应的机器人来说，这几乎不可行。
问题的根源在于，世界模型仅能描述“动作导致状态变化”，却无法回答“要实现某状态变化，应执行什么动作”。这类似于只学会“踩油门加速”，却未掌握“超车时如何踩油门”。研究团队提出的INTACT方法，通过让机器人从示范录像中学习“意图到动作”的对应关系，绕过了穷举搜索，直接生成动作，推理延迟从1.48秒骤降至2.9到5.5毫秒，速度提升约300倍。
INTACT的核心在于利用示范录像中的隐含信息。每段录像不仅展示了动作，还揭示了“当前状态与目标状态变化”所需的动作。研究团队将这些信息整合，构建了“意图与动作的映射图谱”。例如，“向左移动一小步”与“大幅右转”对应不同的动作族群，这些关系隐藏在数据中，INTACT通过训练将其提取出来。
为实现这一目标，研究团队引入了“运动意图”的概念，即目标状态的潜在表示减去当前状态的潜在表示，形成“位移向量”。训练时，INTACT构造两种意图：物理意图（基于实际状态变化）和部署意图（基于目标状态）。两者被输入同一网络，学习预测动作。关键技巧在于，物理意图的梯度可回传至编码器，帮助保留动作区分信息，而部署意图的目标状态则固定，作为训练的锚点。
“条件动作商”理论进一步解释了INTACT的合理性。该理论指出，在当前状态下，所有诱发相同专家动作的目标状态属于同一“动作等价类”。例如，无论目标是东边的超市还是医院，第一步动作均为“向东走”。INTACT通过识别这些等价类，学会在每个类上生成正确的动作分布，而非记忆具体目标与动作的对应关系。
INTACT的推理方式令人印象深刻。训练完成后，机器人只需拍摄当前和目标场景的照片，编码为潜在向量，计算“当前目标意图”，输入INTACT预测器，即可直接输出动作序列。整个过程无需生成候选序列或反复查询世界模型，推理时间极短。实测显示，Direct模式在四个任务上的成功率分别为85.78%、100.00%、97.67%和97.89%，宏观平均成功率95.33%，远超基准系统。
研究团队还设计了“Guarded A”验证模式，将搜索作为安全阀而非必需品。Direct模式生成动作计划后，Guarded A在其附近生成少量候选序列，迭代优化，保留最佳结果。这一过程仅需384条候选序列，成功率提升至96.86%，远高于基准系统，且候选序列数量大幅减少。实验表明，搜索仅在“本地核查”语义下有益，大范围搜索反而可能破坏INTACT的意图-动作对应关系。
INTACT在多任务学习方面也表现出色。研究团队使用共享视觉编码器，同时服务四个视觉上截然不同的任务。训练时，四个任务的数据共同更新编码器，使其提取对动作有用的视觉特征。实验结果显示，共享编码器在四个任务上的Direct直接成功率分别达80.22%、99.56%、95.67%和82.11%，宏观均值89.39%，远超独立编码器的基准系统。
研究团队还比较了两种“部署意图”表示方式：路点意图和目标位移意图。路点意图将剩余距离均匀分配至每步，训练初期收敛快，但最终效果不如目标位移意图，后者保留完整方向和距离信息，让网络自行决定步长。实验显示，从路点意图切换到目标位移意图，Direct成功率在四个任务上显著提升，尤其在复杂任务中表现更佳。
为评估编码器质量，研究团队设计了“预测-专家动作族群kNN重叠”和“线性CKA”指标，衡量动作分布的结构保留能力。实验显示，这些指标与控制成功率高度相关，说明保留动作族群的整体结构比精确复现每个动作更重要。潜在空间的“有效秩”与成功率并非正相关，过高秩可能包含冗余或噪声维度，反而降低性能。
为证明INTACT的成功非偶然，研究团队设计了“配对标定”实验。通过线性变换将INTACT的编码器输出映射到另一空间，测试控制性能。结果显示，正确配对可显著提升成功率，而打乱配对则性能下降。这表明INTACT学到的表示具有一致性，通过简单变换即可对齐，进一步验证了方法的可靠性。
在与同期方法的横向比较中，INTACT展现出独特优势。它是唯一同时满足“动作监督更新编码器”、“单一编码器跨多任务”和“原生直接控制模式”的方法。其他方法要么依赖冻结编码器，要么仅针对单任务训练，或仍需搜索完成控制。INTACT在仅训练1个epoch的情况下，Direct模式成功率即达95.33%，远超同等条件下的其他方法。
尽管INTACT取得显著进展，研究团队也坦诚指出其局限性。训练规模有限，推广范围未在真实机器人或复杂场景中验证，动作分布单峰假设在多峰场景下可能失效，极端意图的预测未定义，评估协议需进一步标准化。这些局限性为未来研究提供了方向，同时也凸显了INTACT在机器人控制领域的潜力。
