1.技术进展
少样本与零样本学习技术成为破解机器人 “任务定制化”壁垒的关键。依托元学习（Meta-Learning）框架与大规模多模态预训练模型的深度融合，具身智能体已具备将既有知识迁移至未知场景的基础能力。通过极少数的示教数据甚至纯语义指令，机器人即可完成新技能的快速适配与推理，显著压缩了任务部署的周期与边际成本。
2.核心成果
- 国际技术前沿：斯坦福大学提出的Adapt LLM等元学习策略，展示了极少量样本下的高效策略优化能力，大幅缩短了新任务的收敛时间。Google DeepMind基于RT系列模型的演进，验证了在多模态输入下，机器人仅凭自然语言指令即可对未见过的物体执行抓取与操作任务，展现了初级的零样本泛化潜力。
中国创新实践：北京智源研究院推出Robo Brain系列模型，探索跨本体（Cross-embodiment）的知识迁移机制，尝试降低新硬件平台的适配门槛。中科院深圳先进院在跨场景迁移算法上取得进展，官方称可将工业场景的适配周期显著缩短；中科第五纪机器人科技有限公司发布FAM-1模型，官方称通过数条真机数据即可复现高成功率操作，并已与美的、比亚迪等头部企业开展产线概念验证（POC），推动技术向小批量应用迈进。
3.应用价值与行业影响
少样本与零样本学习技术的突破，有效降低了具身智能的应用门槛，使其从单一固定任务向多场景柔性适配转变，加速了在中小企业的潜在普及。作为通向通用人工智能的重要路径，该技术为机器人构建了 “举一反三”的认知基础，是驱动产业从“专用自动化”迈向“通用智能化”的核心引擎。