一句话看懂：alphaXiv 发布的一篇综述系统梳理了基础模型如何用于可供性学习，把视觉、语言和 3D 感知连接到机器人操作，但作者指出，语义理解和空间定位的进步尚未自动转化为可靠的物理抓取。
事件核心：发生了什么
2026年10月11日，alphaXiv 收录了一篇题为《Affordance Learning With Foundation Models: A Survey From Perception to Robotic Manipulation》的综述。论文将“可供性”定义为智能体与环境交互时产生的动作可能性，并沿着“感知到动作”的路径，把现有方法分为图像与 3D 两大类，每类再分为物体级和场景级。综述还梳理了基准数据集、评测指标，以及操作端的两种接口：显式可供性接口与可供性条件策略。作者在摘要中明确写道，尽管语义理解和空间定位已有进展，物理可行性仍是未解难题，异构评测协议和有限的几何多样性也限制了对泛化能力的验证。
为什么重要
对机器人学习而言，基础模型能提供可迁移特征、语言对齐、伪标签和任务推理，减少对密集标注的依赖。但可供性预测不只是“找出杯子的位置”，还要给出可交互区域、约束、姿态或轨迹。综述指出，模块化接口把决策留给下游规划器，内部化策略则更难检查；更详细的输出并不等于执行成功。目前公开信息显示，这篇综述是方法学梳理，不是已上线产品，也没有证明某类路线已在真实机器人上稳定胜出。它提出的两个横切需求是改进基准设计与评测、引入不确定性感知的执行接口。
对用户/开发者/创作者的影响
对做机器人应用的开发者，这篇综述的价值在于分类框架：如果做抓取，需要区分图像级与 3D 级预测、物体级与场景级设定，并明确输出是掩码、点、姿态还是轨迹。对使用大模型做具身智能的团队，语言到 3D 对齐、交互图像到几何迁移、渲染视图语义迁移等路线可作为技术选型参考，但要注意 3D 原生模型和细粒度标注仍然稀缺。对创作者和普通用户，短期内更直接的变化可能出现在仿真评测、数据标注工具和开源基准上，而不是消费级机器人突然普及。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
后续可观察三个方向：一是论文提出的持续可供性表示和主动信息获取是否出现开源实现；二是可供性基准能否在几何多样性上补足，减少异构评测带来的可比性问题；三是显式接口与条件策略两条路线，是否在真实机器人任务中给出可复现的物理可行性证据。由于目前仅基于论文摘要，具体实验结论和对比结果还需查看全文。
来源：alphaXiv
