机器人操控一直是机器人技术领域的核心挑战。从工厂中的机械臂到家庭服务机器人，如何让机器人灵活、精细且智能地完成各种操作任务，是研究者们数十年来努力的方向。传统的操控方法往往需要工程师精心设计控制规则，或者让机器人反复观看人类演示进行模仿学习。但这些方法通常缺乏适应性，遇到新场景容易失败，且难以达到人类水平的熟练度和速度。

近年来，强化学习（RL）提供了一种新思路：让机器人通过自主尝试和错误来学习技能，根据结果调整策略。然而，在现实世界中训练机器人成本高昂、效率低下，且存在安全风险，因此，尽管RL在模拟环境中表现优异，将其直接应用于真实机器人始终困难重重。

针对以上难题，来自美国伯克利大学的刘建兰研究团队提出了基于视觉的人机协同强化学习系统（HIL-SERL），正在改变这一局面。该系统仅需1至2.5小时的真实世界训练，就使机器人精通了一系列复杂操作任务，成功率近乎完美，执行速度甚至超越人类水平。该成果以“Precise and dexterous robotic manipulation via human-in-the-loop reinforcement learning”为题发表在国际顶级期刊《Science Robotics》上。