僅能依據當前觀測數據開展動作學習 ，爾全機器人需先行理解指令及場景，爾全而后實施執(zhí)行動作  。與之不同 ，能夠提前預知未來場景，且的視頻預測結果與機器人實際物理執(zhí)行結果近乎一致，凡是能夠被視頻生成的動作，機器人均可順利執(zhí)行 。、摒棄像素級精確預測