来自中国科学院等机构的研究人员近日在arXiv上发表了一项重要研究，揭示了高精度机器人操作中数据需求与精度之间的量化关系。这项题为《精度的诅咒：高精度机器人操作的数据缩放定律》的论文已被2026年IEEE国际机器人与自动化大会（ICRA 2026）接收。
以往关于模仿学习的缩放定律主要关注开放世界环境中的泛化能力，但在机器人装配等封闭世界任务中，数据量与精度之间的关系尚未被系统探索。该研究填补了这一空白，提出了一种全新的缩放定律。
研究人员发现，要达到固定的成功率，所需的演示次数N随着目标精度P接近一个极限c而超指数增长，具体模型为log(N) ∝ 1/(P-c)。这意味着，当精度要求接近某个阈值时，数据需求会急剧上升，这种现象被形象地称为“精度的诅咒”。
更关键的是，精度极限c并非任务的静态物理常数，而是整个代理系统（包括其传感器和专家策略）的涌现属性。这意味着通过改进硬件（如增加腕部相机）或采用更有效的专家示范，可以显著降低c值，从而扩大系统能够达到的精度范围。
在标准操作任务上的实验验证了这一规律。例如，在精密装配任务中，引入腕部相机后，系统的精度极限降低了约30%，而所需的演示次数减少了近一个数量级。这一发现表明，系统组件的改善可以直接提升可实现的精度。
这项研究不仅为机器人精度提供了一个新的理论框架，还引入了一个定量指标来评估系统能力。研究人员表示，这一发现可用于指导高精度操作系统的开发和调试，帮助工程师识别系统瓶颈并优化资源分配。论文还指出，该缩放定律为开发更高效的数据收集策略提供了方向。
论文作者包括Cuijie Xu等8位研究人员，论文编号为arXiv:2607.23108。该研究共8页，包含4张图表，详细阐述了实验设置和结果。